布隆过滤器的使用场景

在架构设计中，通常会涉及这样的场景：

词典服务中，查询某个单词是否合法（即是否存在于保存有海量单词的词典文件中）爬虫服务中，检查某个网页是否已经收录（即是否存在于海量的已爬取网页库中）文章/商品推荐服务中，检查某篇文章/某个商品是否已经被推荐过（已推荐过的文章或商品不重复推荐）；查询某个元素是否在缓存中存在（假设缓存中的元素非常多）

以上的场景，本质上都是从海量数据中判断某一个元素是否存在。这种场景通常有两种解决方式：

假设空间无限且无需考察元素查找的时间复杂度，那么就将海量元素按连续内存或链表结构进行存储，之后以此查询，此种方式的优势在于简单，劣势也非常明显，那就是无论是空间复杂度还是时间复杂度都非常差，空间/时间复杂度均为O(N)，假设数据量非常大时，无论是存储空间的占用还是时间的开销都无法满足业务要求；采用空间换时间的方式，比如采用HashSet的存储方式，将元素通过某种hash算法获取hashcode，存储到指定的分桶中。这种方式的优势在于时间复杂度有效地得到了提升，即O(1)；但缺点依然很明显，其空间存储要求为O(N)。因此，随着元素个数N的增大，分桶数急剧增多，假设数据量很大时，则无法满足（因为如果分桶数不增多，会频繁发生hash碰撞，导致在某些分桶或绝大多数分桶上退化成链表，虽说在JDK8上采用了红黑树的方式提升查找效率，但依然只是一种权衡，因为不过将时间复杂度从O(N)变成了O(logN)。）

尽管上述的方法2可以采用多级HashSet的方式（先采用某种方法，如取模，将数据切分到多台机器的内存中，有效地减少每一个分片的数据量之后，再重复方法2的方式--典型的分库分表的思路）进行水平扩展，但这其实只是一种打补丁的方法，因为数据量会不断扩大，需要提前预估存储水位，之后提前做迁移，存在一定的繁琐性。那么究竟有没有办法可以解决这个问题呢？

答案是肯定的，采用布隆过滤器可以有效地解决以上的问题。

布隆过滤器的原理

其实布隆过滤器的思路是十分直接的，既然一种hash算法可能会出现碰撞，那么采用多个hash算法之后，再次发生碰撞的概率就会急剧减小。详情如下图所示：

假设我们采用长度为12的数组来做布隆过滤器，注意其长度与存储的元素数无关，因此空间占用为O(1)。

如图所示，我们共采用4种Hash算法，对于Object1而言，其表示为010000010011；同样的，对Object2而言，其表示为001001010010。当我们从布隆过滤器中check Object1是否存在时，仅需要再次进行4次hash运算（这几次Hash计算互相独立，可并行运行），然后检查定位到的数组中的元素是否都为1，如果是，则说明大概率已存在（后边会说为何会出现假真的情况）；如果不是，则说明肯定不存在。

刚才提到，可能会出现假真的情况，其产生的根源在于hash碰撞。假设另一个Object3，对于这四种hash算法的结果都与Object1 hash碰撞了，则会出现假真的情况。

布隆过滤器的优点：

节省存储空间，其对空间的占用是O(1)的，与存储元素数量无关，正因为如此，它是可以存储全部元素的。

布隆过滤器的缺点：

有误判率，当两个元素按照K种hash算法都碰撞的时候，就出现了误判，即本不存在的数据当成了存在；原生的布隆过滤器是不能删除的，但是可以采用改进版在一定程度上解决这个问题，即数组中的元素不是简单的0与1，而是引用计数。

布隆过滤器的使用场景

布隆过滤器的使用场景很多，最为常用的场景就是海量元素集合下，一次写入多次读取的场景下的元素是否存在的判定。

例如：

评论中的敏感词识别：评论分词后，以此通过布隆过滤器检查是否命中敏感词，命中的话进行业务处理（打星号或其他操作）；已推荐文章去重：通过布隆过滤器检查待推荐的文章是否在已推荐文章集合中存在。

布隆过滤器中元素变更或失效的解决方式

原生的布隆过滤器是适用于一次写入/多次读取的场景的，对于元素变更与失效，并没有提供太好的解决办法。但其实元素变更或失效确实在实际的设计中存在着。例如敏感词表中敏感词的解禁，其本质上是将布隆过滤器中的某个元素（敏感词）删除。

常用的解决方式其实刚才已经提到过，使用引用计数，但实际上对于这样的业务场景，可以考虑在空间与业务复杂度之间取一定的折中。比如，将数组中存储的元素变更为Object，Object带有isDeleted属性，如果需要删除的话，将该属性置1。这样的做法相对于引用计数的方式，会增大存储开销，但是对于易读性/可维护性/可扩展性（后续再加过期时间等）提供了有力的抓手。