JAVA实现较完善的布隆过滤器的示例代码

布隆过滤器是可以用于判断一个元素是不是在一个集合里，并且相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数。但是它也是拥有一定的缺点：布隆过滤器是有一定的误识别率以及删除困难的。本文中给出的布隆过滤器的实现，基本满足了日常使用所需要的功能。

0

0

0

0

0

0

0

0

0

0

先简单来说一下布隆过滤器。其实现方法就是：利用内存中一个长度为m的位数组b并初始化里面的所有位都为0，如下面的表格所示：

然后我们根据h个不同的散列函数，对传进来的字符串进行散列，并且每次的散列结果都不能大于位数组的长度。布隆过滤器的误判率取决于你使用多少个不同的散列函数，下面给出的代码中，给出了一些参考的误判率（参考代码中的枚举类：misjudgmentrate）。现在我们先假定有4个不同散列函数，传入一个字符串并进行一次插入操作，这时会进行4次散列，假设到了4个不同的下标，这个时候我们就会去数组中，将这些下标的位置置为1，数组变更为：

0

1

0

1

1

0

0

0

0

1

如果接下来我们再传入同一个字符串时，因为4次的散列结果都是跟上一次一样的，所以会得出跟上面一样的结果，所有应该置1的位都已经置1了，这个时候我们就可以认为这个字符串是已经存在的了。因此不难发现，这是会存在一定的误判率的，具体由你采用的散列函数质量，以及散列函数的数量确定。

代码如下：

import java.io.fileinputstream;
import java.io.fileoutputstream;
import java.io.objectinputstream;
import java.io.objectoutputstream;
import java.io.serializable;
import java.util.bitset;
import java.util.concurrent.atomic.atomicinteger;
 
public class bloomfileter implements serializable {
 private static final long serialversionuid = -5221305273707291280l;
 private final int[] seeds;
 private final int size;
 private final bitset notebook;
 private final misjudgmentrate rate;
 private final atomicinteger usecount = new atomicinteger(0);
 private final double autoclearrate;
 
 /**
 * 默认中等程序的误判率：misjudgmentrate.middle 以及不自动清空数据（性能会有少许提升）
 * 
 * @param datacount
 *      预期处理的数据规模，如预期用于处理1百万数据的查重，这里则填写1000000
 */
 public bloomfileter(int datacount) {
 this(misjudgmentrate.middle, datacount, null);
 }
 
 /**
 * 
 * @param rate
 *      一个枚举类型的误判率
 * @param datacount
 *      预期处理的数据规模，如预期用于处理1百万数据的查重，这里则填写1000000
 * @param autoclearrate
 *      自动清空过滤器内部信息的使用比率，传null则表示不会自动清理，
 *      当过滤器使用率达到100%时，则无论传入什么数据，都会认为在数据已经存在了
 *      当希望过滤器使用率达到80%时自动清空重新使用，则传入0.8
 */
 public bloomfileter(misjudgmentrate rate, int datacount, double autoclearrate) {
 long bitsize = rate.seeds.length * datacount;
 if (bitsize < 0 || bitsize > integer.max_value) {
  throw new runtimeexception("位数太大溢出了，请降低误判率或者降低数据大小");
 }
 this.rate = rate;
 seeds = rate.seeds;
 size = (int) bitsize;
 notebook = new bitset(size);
 this.autoclearrate = autoclearrate;
 }
 
 public void add(string data) {
 checkneedclear();
 
 for (int i = 0; i < seeds.length; i++) {
  int index = hash(data, seeds[i]);
  settrue(index);
 }
 }
 
 public boolean check(string data) {
 for (int i = 0; i < seeds.length; i++) {
  int index = hash(data, seeds[i]);
  if (!notebook.get(index)) {
  return false;
  }
 }
 return true;
 }
 
 /**
 * 如果不存在就进行记录并返回false，如果存在了就返回true
 * 
 * @param data
 * @return
 */
 public boolean addifnotexist(string data) {
 checkneedclear();
 
 int[] indexs = new int[seeds.length];
 // 先假定存在
 boolean exist = true;
 int index;
 
 for (int i = 0; i < seeds.length; i++) {
  indexs[i] = index = hash(data, seeds[i]);
 
  if (exist) {
  if (!notebook.get(index)) {
   // 只要有一个不存在，就可以认为整个字符串都是第一次出现的
   exist = false;
   // 补充之前的信息
   for (int j = 0; j <= i; j++) {
   settrue(indexs[j]);
   }
  }
  } else {
  settrue(index);
  }
 }
 
 return exist;
 
 }
 
 private void checkneedclear() {
 if (autoclearrate != null) {
  if (getuserate() >= autoclearrate) {
  synchronized (this) {
   if (getuserate() >= autoclearrate) {
   notebook.clear();
   usecount.set(0);
   }
  }
  }
 }
 }
 
 public void settrue(int index) {
 usecount.incrementandget();
 notebook.set(index, true);
 }
 
 private int hash(string data, int seeds) {
 char[] value = data.tochararray();
 int hash = 0;
 if (value.length > 0) {
 
  for (int i = 0; i < value.length; i++) {
  hash = i * hash + value[i];
  }
 }
 
 hash = hash * seeds % size;
 // 防止溢出变成负数
 return math.abs(hash);
 }
 
 public double getuserate() {
 return (double) usecount.intvalue() / (double) size;
 }
 
 public void savefiltertofile(string path) {
 try (objectoutputstream oos = new objectoutputstream(new fileoutputstream(path))) {
  oos.writeobject(this);
 } catch (exception e) {
  throw new runtimeexception(e);
 }
 
 }
 
 public static bloomfileter readfilterfromfile(string path) {
 try (objectinputstream ois = new objectinputstream(new fileinputstream(path))) {
  return (bloomfileter) ois.readobject();
 } catch (exception e) {
  throw new runtimeexception(e);
 }
 }
 
 /**
 * 清空过滤器中的记录信息
 */
 public void clear() {
 usecount.set(0);
 notebook.clear();
 }
 
 public misjudgmentrate getrate() {
 return rate;
 }
 
 /**
 * 分配的位数越多，误判率越低但是越占内存
 * 
 * 4个位误判率大概是0.14689159766308
 * 
 * 8个位误判率大概是0.02157714146322
 * 
 * 16个位误判率大概是0.00046557303372
 * 
 * 32个位误判率大概是0.00000021167340
 * 
 * @author lianghaohui
 *
 */
 public enum misjudgmentrate {
 // 这里要选取质数，能很好的降低错误率
 /**
  * 每个字符串分配4个位
  */
 very_small(new int[] { 2, 3, 5, 7 }),
 /**
  * 每个字符串分配8个位
  */
 small(new int[] { 2, 3, 5, 7, 11, 13, 17, 19 }), //
 /**
  * 每个字符串分配16个位
  */
 middle(new int[] { 2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53 }), //
 /**
  * 每个字符串分配32个位
  */
 high(new int[] { 2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97,
  101, 103, 107, 109, 113, 127, 131 });
 
 private int[] seeds;
 
 private misjudgmentrate(int[] seeds) {
  this.seeds = seeds;
 }
 
 public int[] getseeds() {
  return seeds;
 }
 
 public void setseeds(int[] seeds) {
  this.seeds = seeds;
 }
 
 }
 
 public static void main(string[] args) {
 bloomfileter fileter = new bloomfileter(7);
 system.out.println(fileter.addifnotexist("1111111111111"));
 system.out.println(fileter.addifnotexist("2222222222222222"));
 system.out.println(fileter.addifnotexist("3333333333333333"));
 system.out.println(fileter.addifnotexist("444444444444444"));
 system.out.println(fileter.addifnotexist("5555555555555"));
 system.out.println(fileter.addifnotexist("6666666666666"));
 system.out.println(fileter.addifnotexist("1111111111111"));
 fileter.savefiltertofile("c:\\users\\john\\desktop\\1111\\11.obj");
 fileter = readfilterfromfile("c:\\users\\john\\desktop\\111\\11.obj");
 system.out.println(fileter.getuserate());
 system.out.println(fileter.addifnotexist("1111111111111"));
 }
}

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。