在上一篇 Java 多線程爬蟲(chóng)及分布式爬蟲(chóng)架構(gòu)探索 中，我們使用了 JDK 自帶的 Set 集合來(lái)進(jìn)行 URL 去重，看上去效果不錯(cuò)，但是這種做法有一個(gè)致命了缺陷，就是隨著采集的 URL 增多，你需要的內(nèi)存越來(lái)越大，最終會(huì)導(dǎo)致你的內(nèi)存崩潰。那我們?cè)诓皇褂脭?shù)據(jù)庫(kù)的情況下有沒(méi)有解決辦法呢?還記得我們?cè)谏弦黄恼轮刑岬降牟悸∵^(guò)濾器嗎?它就可以完美解決這個(gè)問(wèn)題，布隆過(guò)濾器有什么特殊的地方呢?接下來(lái)就一起來(lái)學(xué)習(xí)一下布隆過(guò)濾器。
什么是布隆過(guò)濾器
布隆過(guò)濾器是一種數(shù)據(jù)結(jié)構(gòu)，比較巧妙的概率型數(shù)據(jù)結(jié)構(gòu)，它是在 1970 年由一個(gè)名叫布隆提出的，它實(shí)際上是由一個(gè)很長(zhǎng)的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)組成，這點(diǎn)跟哈希表有些相同，但是相對(duì)哈希表來(lái)說(shuō)布隆過(guò)濾器它更高效、占用空間更少，布隆過(guò)濾器有一個(gè)缺點(diǎn)那就是有一定的誤識(shí)別率和刪除困難。布隆過(guò)濾器只能告訴你某個(gè)元素一定不存在或者可能存在在集合中， 所以布隆過(guò)濾器經(jīng)常用來(lái)處理可以忍受判斷失誤的業(yè)務(wù)，比如爬蟲(chóng) URL 去重。
布隆過(guò)濾器原理
在說(shuō)布隆過(guò)濾器原理之前，我們先來(lái)復(fù)習(xí)一下哈希表，在上一篇文章中，我們利用的是 Set 來(lái)進(jìn)行 URL 去重，我們來(lái)看看 Set 的存儲(chǔ)模型
Set url 去重
URL 經(jīng)過(guò)一個(gè)哈希函數(shù)后，將 URL 存入了數(shù)組里，這樣查詢時(shí)也是非常高效的，但是由于數(shù)組里存入的是 URL，隨著 URL 的增多，需要的數(shù)組越來(lái)越大，意味著你需要更多的內(nèi)存，比如我們采集了幾億的 URL，那么可能就需要上百G 的內(nèi)存，這是條件不允許的，因?yàn)閮?nèi)存特別的昂貴，所以這個(gè)在 url 去重中是不可取的，占內(nèi)存更小的布隆過(guò)濾器就是一種不錯(cuò)的選擇。
布隆過(guò)濾器實(shí)質(zhì)上由長(zhǎng)度為 m 的位向量或位列表(僅包含 0 或 1 位值的列表)組成，最初所有值均設(shè)置為 0，如下所示。
布隆過(guò)濾器
因?yàn)榈讓邮?bit 數(shù)組，所以意味著數(shù)組只有 0、1 兩個(gè)值，跟哈希表一樣，我們將 URL 通過(guò) K 個(gè)函數(shù)映射 bit 數(shù)組里，并且將指向的 Bit 數(shù)組對(duì)應(yīng)的值改成 1 。我們以 /nba/2492297.html 為例，如下圖所示。
布隆過(guò)濾器
/nba/2492297.html經(jīng)過(guò)三個(gè)哈希函數(shù)分別映射到了 1、4、9 的位置，這三個(gè) bit 數(shù)組的值就變成了 1，我們?cè)俅嫒胍粋€(gè) /nba/2492298.html，此時(shí) bit 數(shù)組就變成下面這樣：
布隆過(guò)濾器
/nba/2492298.html被映射到了 0、4、11 的位置，所以此時(shí) bit 數(shù)組上有 5 個(gè)位置的值為 1，本應(yīng)該是有 6 個(gè)值為 1 的，但是因?yàn)樵?4 這個(gè)位置重復(fù)了，所以會(huì)覆蓋。
布隆過(guò)濾器是如何判斷某個(gè)值一定不存在或者可能存在呢?通過(guò)判斷哈希函數(shù)映射到對(duì)應(yīng)數(shù)組的值，如果都為 1，說(shuō)明可能存在，如果有一個(gè)不為 1，說(shuō)明一定不存在。對(duì)于一定不存在好理解，但是都為 1 時(shí)，為什么說(shuō)可能存在呢?這跟哈希表一樣，哈希函數(shù)會(huì)產(chǎn)生哈希沖突，也就是說(shuō)兩個(gè)不同的值經(jīng)過(guò)哈希函數(shù)都會(huì)得到同一個(gè)數(shù)組下標(biāo)，布隆過(guò)濾器也是一樣的。我們以判斷 /nba/2492299.html 是否已經(jīng)采集過(guò)為例，經(jīng)過(guò)哈希函數(shù)映射的 bit 數(shù)組上的位置如下圖所示：
布隆過(guò)濾器
/nba/2492299.html 被哈希函數(shù)映射到了 4、9、11 的位置，而這幾個(gè)位置的值都為 1 ，所以布隆過(guò)濾器就認(rèn)為 /nba/2492299.html 被采集過(guò)了，實(shí)際上是沒(méi)有采集過(guò)的，這就說(shuō)明了布隆過(guò)濾器存在誤判，這也是我們業(yè)務(wù)允許的。布隆過(guò)濾器的誤判率跟 bit 數(shù)組的大小和哈希函數(shù)的個(gè)數(shù)有關(guān)系，如果 bit 數(shù)組過(guò)小，哈希函數(shù)過(guò)多，那么 bit 數(shù)組的值很快都會(huì)變成 1，這樣誤判率就會(huì)越來(lái)越高，bit 數(shù)組過(guò)大，就會(huì)浪費(fèi)更多的內(nèi)存，所以就要平衡好 bit 數(shù)組的大小和哈希函數(shù)的個(gè)數(shù)，關(guān)于如何平衡這兩個(gè)的關(guān)系，不是我們這篇文章的重點(diǎn)。
布隆過(guò)濾器的原理我們已經(jīng)了解了，為了加深對(duì)布隆過(guò)濾器的理解，我們用 Java 來(lái)實(shí)現(xiàn)一個(gè)簡(jiǎn)易版的布隆過(guò)濾器，代碼如下：
把上面這段代碼理解好對(duì)我們理解布隆過(guò)濾器非常有幫助，實(shí)際上在工作中并不需要我們自己實(shí)現(xiàn)布隆過(guò)濾器，谷歌已經(jīng)幫我們實(shí)現(xiàn)了布隆過(guò)濾器，在 Guava 包中提供了 BloomFilter，這個(gè)布隆過(guò)濾器實(shí)現(xiàn)的非常棒，下面就看看谷歌辦的布隆過(guò)濾器。
布隆過(guò)濾器 Guava 版
要使用 Guava 包下提供的 BloomFilter ，就需要引入 Guava 包，我們?cè)?pom.xml 中引入下面依賴：
Guava 中的布隆過(guò)濾器實(shí)現(xiàn)的非常復(fù)雜，關(guān)于細(xì)節(jié)我們就不去探究了，我們就來(lái)看看 Guava 中布隆過(guò)濾器的構(gòu)造函數(shù)吧，Guava 中并沒(méi)有提供構(gòu)造函數(shù)，而且提供了 create 方法來(lái)構(gòu)造布隆過(guò)濾器：
funnel：你要過(guò)濾數(shù)據(jù)的類型
expectedInsertions：你要存放的數(shù)據(jù)量
fpp：誤判率
你只需要傳入這三個(gè)參數(shù)你就可以使用 Guava 包中的布隆過(guò)濾器了，下面這我寫(xiě)的一段 Guava 布隆過(guò)濾器測(cè)試程序，可以改動(dòng) fpp 多運(yùn)行幾次，體驗(yàn) Guava 的布隆過(guò)濾器。
布隆過(guò)濾器的應(yīng)用
緩存擊穿
緩存擊穿是查詢數(shù)據(jù)庫(kù)中不存在的數(shù)據(jù)，如果有用戶惡意模擬請(qǐng)求很多緩存中不存在的數(shù)據(jù)，由于緩存中都沒(méi)有，導(dǎo)致這些請(qǐng)求短時(shí)間內(nèi)直接落在了DB上，對(duì)DB產(chǎn)生壓力，導(dǎo)致數(shù)據(jù)庫(kù)異常。
最常見(jiàn)的解決辦法就是采用布隆過(guò)濾器，將所有可能存在的數(shù)據(jù)哈希到一個(gè)足夠大的bitmap中，一個(gè)一定不存在的數(shù)據(jù)會(huì)被這個(gè)bitmap攔截掉，從而避免了對(duì)底層存儲(chǔ)系統(tǒng)的查詢壓力。下面是一段偽代碼：
爬蟲(chóng) URL 去重
爬蟲(chóng)是對(duì) url 的去重，防止 url 重復(fù)采集，這也是我們這篇文章重點(diǎn)講解的內(nèi)容
垃圾郵件識(shí)別
從數(shù)十億個(gè)垃圾郵件列表中判斷某郵箱是否垃圾郵箱，將垃圾郵箱添加到布隆過(guò)濾器中，然后判斷某個(gè)郵件是否是存在在布隆過(guò)濾器中，存在說(shuō)明就是垃圾郵箱。
【責(zé)任編輯：華軒 TEL：（010）68476606】