面试官：让你写一个爬虫系统，如何对url进行去重？（布隆过滤器，亿级数据过滤算法）

2022-03-24 22:07:02

介绍

我们以演进的方式来逐渐认识布隆过滤器。先抛出一个问题爬虫系统中URL是怎么判重的？你可能最先想到的是将URL放到一个set中，但是当数据很多的时候，放在set中是不现实的。

这时你就可能想到用数组+hash函数来实现了。

index=hash(URL)% table.length

即求出URL的hash值对数组长度取模，得到数组的下标，然后设置table[index] = 1，当然数组刚开始的元素都为0

这样每次有新的URL来的时候，先求出index，然后看table[index]的值，当为0的时候，URL肯定不存在，当为1的时候URL可能存在，因为有可能发生hash冲突。即第一次
hash(www.baidu.com) % table.length = 1，table[1]=1，第二次hash(www.javashitang.com) % table.length = 1，此时table[1]=1，系统会认为www.javashitang.com已经爬取过了，其实并没有爬取。

从上面的流程中我们基本可以得出如下结论：hash冲突越少，误判率越低

怎么减少hash冲突呢？

增加数组长度
优化hash函数，使用多个hash函数来判断

在这里插入图片描述
多个hash函数求得数组位置的值都为1时才认为这个元素存在，只要有一个为0则认为这个元素不存在。在一定概率上能降低冲突的概率。

那么hash函数是不是越多越好呢？当然不是了，hash函数越多，数组中1的数量相应的也会增多，反而会增加冲突。所以hash函数不能太多也不能太少。

你可能没意识到布隆过滤器的原理你已经懂了，只不过布隆过滤器存0和1不是用数组，而是用位，我们来算一下申请一个 100w 个元素的位数组只占用 1000000Bit / 8 = 125000 Byte = 125000/1024 kb ≈ 122kb 的空间，是不是很划算？

来总结一下布隆过滤器的特点

布隆过滤器说某个元素存在，其实有可能不存在，因为hash冲突会导致误判
布隆过滤器说某个元素不存在则一定不存在

使用场景

判断指定数据在海量数据中是否存在，防止缓存穿透等
爬虫系统判断某个URL是否已经处理过

面试官：说一下缓存雪崩，缓存穿透，缓存击穿出现的原因及解决方案

手写一个布隆过滤器

publicclassMyBloomFilter{// 位数组的大小privatestaticfinalint DEFAULT_SIZE=2<<24;// hash函数的种子privatestaticfinalint[] SEEDS=newint[]{3,13,46};// 位数组，数组中的元素只能是 0 或者 1private BitSet bits=newBitSet(DEFAULT_SIZE);// hash函数private SimpleHash[] func=newSimpleHash[SEEDS.length];publicMyBloomFilter(){for(int i=0; i< SEEDS.length; i++){
            func[i]=newSimpleHash(DEFAULT_SIZE, SEEDS[i]);}}// 添加元素到位数组publicvoidadd(Object value){for(SimpleHash f: func){
            bits.set(f.hash(value),true);}}// 判断指定元素是否存在于位数组publicbooleancontains(Object value){boolean ret=true;for(SimpleHash f: func){
            ret= ret&& bits.get(f.hash(value));// hash函数有一个计算出为false，则直接返回if(!ret){return ret;}}return ret;}// hash函数类publicstaticclassSimpleHash{privateint cap;privateint seed;publicSimpleHash(int cap,int seed){this.cap= cap;this.seed= seed;}publicinthash(Object value){int h;return(value== null)?0: Math.abs(seed*(cap-1)&((h= value.hashCode())^(h>>>16)));}}publicstaticvoidmain(String[] args){
        Integer value1=13423;
        Integer value2=22131;
        MyBloomFilter filter=newMyBloomFilter();// false
        System.out.println(filter.contains(value1));// false
        System.out.println(filter.contains(value2));
        filter.add(value1);
        filter.add(value2);// true
        System.out.println(filter.contains(value1));// true
        System.out.println(filter.contains(value2));}}

利用Google的Guava工具库实现布隆过滤器

生产环境中一般不用自己手写的布隆过滤器，用Google大牛写好的工具类即可。

加入如下依赖

<dependency><groupId>com.google.guava</groupId><artifactId>guava</artifactId><version>27.0.1-jre</version></dependency>

// 创建布隆过滤器对象，最多元素数量为500，期望误报概率为0.01
BloomFilter<Integer> filter= BloomFilter.create(
        Funnels.integerFunnel(),500,0.01);// 判断指定元素是否存在// false
System.out.println(filter.mightContain(1));// false
System.out.println(filter.mightContain(2));// 将元素添加进布隆过滤器
filter.put(1);
filter.put(2);// true
System.out.println(filter.mightContain(1));// true
System.out.println(filter.mightContain(2));

用Redis中的布隆过滤器

Redis4.0以插件的形式提供了布隆过滤器。来演示一波

使用docker安装并启动

docker pull redislabs/rebloom
docker run-itd--name redis-p:6379:6379 redislabs/rebloom
docker exec-it redis/bin/bash
redis-cli

常用的命令如下

# 添加元素
bf.add# 查看元素是否存在
bf.exists# 批量添加元素
bf.madd# 批量查询元素
bf.mexists

127.0.0.1:6379> bf.addtest 1(integer) 1
127.0.0.1:6379> bf.addtest 2(integer) 1
127.0.0.1:6379> bf.existstest 1(integer) 1
127.0.0.1:6379> bf.existstest 3(integer) 0
127.0.0.1:6379> bf.existstest 4(integer) 0