新疆都市报 > 科技 > 互联网 >

用Redis快速实现BloomFilter!

发布时间:2019-04-16 10:04来源: 未知
 
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:

将csv文件A导入某关系型数据库。

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!

/**

* Returns a hash code for this string. The hash code for a

* {@code String} object is computed as

*

* s[0]*31^(n-1) + s[1]*31^(n-2) + ... + s[n-1]

*

* using {@code int} arithmetic, where {@code s[i]} is the

*

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

) connection -> {

for (long offset : offsets) {

connection.setBit(name.getBytes(), offset, value);

}

return null;

});

}

public List

multiGetBit(String name, long... offsets) {

List

results = template.executePipelined((RedisCallback

) connection -> {

for (long offset : offsets) {

connection.getBit(name.getBytes(), offset);

}

return null;

});

List

list = new ArrayList

{

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

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

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;

}

}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。