【本人秃顶程序员】用Redis快速实现BloomFilter!

arnulfohoare17 计算机知识 36 次浏览 没有评论

←←←←←←←←←←←← 快!点关注

背景

最近工作上有个类似需求是: 现有约3亿条数据词典存在于一个csv文件A中,作为数据源。对于 用户输入的任意单词M,需要快速的在A中匹配M单词是否存在。(A文件约3G大小左右,总行数三亿)

拿到这个需求,你的第一想法怎么做呢?

正常思路可能是:

  1. 将csv文件A导入某关系型数据库。
  2. sql查询按M匹配。

上面的方式有个明显的缺点是:慢!

3亿多行的数据,即便是建好索引进行检索,匹配到也得话不少时间(笔者没亲自试过,感兴趣的朋友可以自行测试测试,理论上快不起来的)。

目前能 在时间复杂度和空间复杂度上达到最佳的方案,恐怕就是Bloom Filter了, 维基地址:Bloom Filter

此处给不太了解Bloom Filter的读者看,熟悉的朋友直接看下一节。

本文场景Bloom Filter 使用思路解释:
假设申请了一段bit位大数组(即数组中的元素只能是一个bit位,1或0,默认元素值都为0)
将csv文件A中的每个单词,经过多个hash函数进行hash运算之后得到在大数组中对应的多个下标位置
将步骤2中得到的多个下标位置的bit位都置为1.
对于用户输入的任意单词M,按照2的步骤得到多个下标位置,其对应大数组中的值全部为1则存在,否则不存在。

方案选型

实现Bloom Filter的方法很多,有各种语言版本的,这里为了真切感受一下算法的魅力,笔者这里决定用java 代码徒手撸了!

另一方面,考虑到分布式应用的需要,显然在单机内存上构建Bloom Filter存储是不太合适的。 这里选择redis

redis有以下为操作,可以用于实现bloomfilter:

redis> SETBIT bit 10086 1 (integer) 0 redis> GETBIT bit 10086 (integer) 1 redis> GETBIT bit 100   # bit 默认被初始化为 0 (integer) 0 

实现细节

实现bloom filter的关键是hash函数,一般为了降低误报率、减少hash碰撞的影响,会选择多个hash函数。

那么,怎么写一个hash函数呢?

不要方,我们要的hash是 input: String –> output: int , jdk里面的String类不是恰好也有一个hashCode 方法吗? 翻出来看一看!

欢迎大家加入粉丝群:963944895,群内免费分享Spring框架、Mybatis框架SpringBoot框架、SpringMVC框架、SpringCloud微服务、Dubbo框架、Redis缓存、RabbitMq消息、JVM调优、Tomcat容器、MySQL数据库教学视频及架构学习思维导图

/**      * Returns a hash code for this string. The hash code for a      * {@code String} object is computed as      * <blockquote><pre>      * s[0]*31^(n-1) + s[1]*31^(n-2) + ... + s[n-1]      * </pre></blockquote>      * using {@code int} arithmetic, where {@code s[i]} is the      * <i>i</i>th character of the string, {@code n} is the length of      * the string, and {@code ^} indicates exponentiation.      * (The hash value of the empty string is zero.)      *      * @return  a hash code value for this object.      */     public int hashCode() {         int h = hash;         if (h == 0 && value.length > 0) {             char val[] = value;              for (int i = 0; i < value.length; i++) {                 h = 31 * h + val[i];             }             hash = h;         }         return h;     } 

看到这一行h = 31 * h + val[i];,貌似原理其实也很简单,每个字符对应的ascii码,经过一个公式计算依次加起来。这里有个系数31, 稍微变一下, 不就可以有多个hash函数了吗。

以下是稍加修改后的hash函数:

    //总的bitmap大小  64M     private static final int cap = 1 << 29;     /*      * 不同哈希函数的种子,一般取质数      * seeds数组共有8个值,则代表采用8种不同的哈希函数      */     private int[] seeds = new int[]{3, 5, 7, 11, 13, 31, 37, 61};     private int hash(String value, int seed) {         int result = 0;         int length = value.length();         for (int i = 0; i < length; i++) {             result = seed * result + value.charAt(i);         }         return (cap - 1) & result;     } 

剩下的事情便很简单了,对每个词典A中的单词,依次调seeds 中对应的hash函数(这里一共是8个),用redis的setbit操作,将下标值置为1.

redis代码 (这里用pipeline 包装了下。)

@Service public class RedisService {     @Autowired     private StringRedisTemplate template;     public void multiSetBit(String name, boolean value, long... offsets) {         template.executePipelined((RedisCallback<Object>) connection -> {             for (long offset : offsets) {                 connection.setBit(name.getBytes(), offset, value);             }             return null;         });     }     public List<Boolean> multiGetBit(String name, long... offsets) {         List<Object> results = template.executePipelined((RedisCallback<Object>) connection -> {             for (long offset : offsets) {                 connection.getBit(name.getBytes(), offset);             }             return null;         });         List<Boolean> list = new ArrayList<>();         results.forEach(obj -> {             list.add((Boolean) obj);         });         return list;     } } 

最后,代码串起来大概长这个样子:

        FileInputStream inputStream = new FileInputStream("/XXXX.csv");         BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(inputStream));         HashSet<Long> totalSet=new HashSet<>();         String word=null;         while((word = bufferedReader.readLine()) != null){             for (int seed : seeds) {                 int hash = hash(word, seed);                 totalSet.add((long) hash);             }             long[] offsets = new long[totalSet.size()];             int i=0;             for(Long l:totalSet){                 offsets[i++]=l;             }             redisService.multiSetBit("BLOOM_FILTER_WORDS_DICTIONARY", true, offsets);         } 

查的时候也类似:

        String word = "XXXX"; //实际输入         long[] offsets = new long[seeds.length];         for (int i = 0; i < seeds.length; i++) {             int hash = hash(mobile, seeds[i]);             offsets[i] = hash;         }         List<Boolean> results = redisService.multiGetBit("BLOOM_FILTER_WORDS_DICTIONARY", offsets);         //判断是否都为true (则存在)         boolean isExisted=true;         for(Boolean result:results){             if(!result){                 isExisted=false;                 break;             }         } 

欢迎大家加入粉丝群:963944895,群内免费分享Spring框架、Mybatis框架SpringBoot框架、SpringMVC框架、SpringCloud微服务、Dubbo框架、Redis缓存、RabbitMq消息、JVM调优、Tomcat容器、MySQL数据库教学视频及架构学习思维导图

注意事项

setbit的offset是用大小限制的,在0到 232(最大使用512M内存)之间,即0~4294967296之前,超过这个数会自动将offset转化为0,因此使用的时候一定要注意。

##写在最后:
秃顶程序员的不易,看到这里,点了关注吧!
点关注,不迷路,持续更新!!!

内容如有侵犯你的权益,请联系删除

发表评论

电子邮件地址不会被公开。 必填项已用*标注

Go