什么是Bloom Filter
先来看这样一个爬虫相关问题:文件A中有10亿条URL,每条URL占用64字节,机器的内存限制是4G,现有一个URL,请判断它是否存在于文件A中(爬过的URL无需再爬)。如果有很多个URL需要判断呢?
分析之后我们可以发现,这就是快速query问题,通常查操作居多,写操作较少。要快速判断一个URL是否在文件A中,由于
而60G是放不进内存的,所以逐个读入内存判断的话,时间复杂度起码是O(10亿),这显然不能满足要求。如何节约内存又可以节省时间才是关键!Bloom Filter就是解决这种问题的数据结构,主要是能很好地节省内存。
原理简析
Bloom Filter (下简称BF)在海量数据方面的处理表现不错,它的内部需要的结构有:
- hash函数k个,
hashfun[k]
; - 位图
bitset[m]
,且m>k;
一个URL依次经过k个hash函数后得到k个数字,设为({X_i}),置bitset[({X_i})] = 1。先将A文件中的URL都这样处理,那么得到的bitset
就是记录了与文件A相关的信息。将60GB的文件信息压缩成m个bit,如果能很好利用这m个bit,那内存将大大减少。
如何利用bitset[m]
?
对于每个询问的URL,经过这k个hash函数之后同样能得到k个数字,设为({Y_j}),如果有
说明此URL可能存在于A中,但是目前不能确定是否存在;如果有
那就可以确定此URL不在A中。对于此URL是否一定存在于文件A中,Bloom Filter无法给出肯定的答复。设n为数据量(即10亿),m为bitset大小(即槽个数),k为hash函数个数,则它的错误率公式是
从上式中知道,
- 当
n=0
时,F(n,m,k)=0
; - 当
n=+∞
时,F(n,m,k)=1
,即百分百错误;
看回最上面的问题,文件A在4GB内存中能达到的最低错误率是多少?
其实有3个因素决定了错误率,n
、m
、k
,其中n
与数据量挂钩,m
与空间挂钩,k
与时间挂钩,既然n
已固定为10亿,m
已固定约为32Gb
,那么k
的大小将决定错误率的大小。分析一下,预处理时需要先将n个数据都进行hash成k个数,所以时间复杂度为O(n*k),而预处理完后每个查询仅需时间复杂度O(k)。
关于证明,如果有兴趣可以去维基上看。
Bloom Filter特点
- 算法简单,实现方便(百行以内)。
- 时空复杂度灵活,时间与空间上的控制相对比较容易。
- 无法实现确定性判断,但可以配合其他算法再次降低错误率。
- 操作的集合不能删除,即信息添加到bitset中后就无法取出。