海量数据去重方案-set/map/布隆过滤器(bitmap)_布隆过滤器去重方案

背景

1. 在使⽤word⽂档时， word如何判断某个单词是否拼写正确？
2. ⽹络爬⾍程序，怎么让它不去爬相同的url⻚⾯？允许有误差
3. 垃圾邮件（短信）过滤算法如何设计？允许有误差
4. 公安办案时，如何判断某嫌疑⼈是否在⽹逃名单中？控制误差 假阳率
5. （重点）缓存穿透问题如何解决？允许有误差

需求

• 从海量的数据中查询某个字符串是否存在

Set/Map

• C++标准库（STL）中的set和map结构都是采⽤红⿊树实现的，它增删改查的时间复杂度是 O(log2n)
• 对于严格平衡⼆叉搜索树(AVL)， 100w条数据组成的红⿊树，只需要⽐较20次就能找到该值；对于10亿条数据只需要⽐较30次就能找到该数据；也就是查找次数跟树的⾼度是⼀致的；
• 对于红⿊树来说平衡的是⿊节点⾼度，所以研究⽐较次数需要考虑树的⾼度差，最好情况某条树链
  路全是⿊节点，假设此时⾼度为h1，最差情况某条树链路全是⿊红节点间隔，那么此时树⾼度为2*h1;
• 另外set和map的关键区别是set不存储val字段；
  优点：存储效率⾼，访问速度⾼效；
  缺点：对于数据量⼤且查询字符串⽐较⻓且查询字符串相似时将会是噩梦；

unordered_map

• C++标准库（STL）中的unordered_map<string, bool>是采⽤hashtable实现的；
• 构成：数组+hash函数；它是将字符串通过hash函数⽣成⼀个整数再映射到数组当中；它增删改查的时间复杂度是o(1);
• hash函数的作⽤： 避免插⼊的时候字符串的⽐较； hash函数计算出来的值通过对数组⻓度的取模能随机分布在数组当中；
• hash函数⼀般返回的是64位整数，将多个⼤数映射到⼀个⼩数组中，必然会产⽣冲突；
• 如何选取hash函数？
  1. 选取计算速度快；
  2. 哈希相似字符串能保持强随机分布性（防碰撞）；
  murmurhash1， murmurhash2， murmurhash3， siphash（redis6.0当中使⽤， rust等⼤数
  语⾔选⽤的hash算法来实现hashmap, cityhash都具备强随机分布性；测试地址如下：
  https://github.com/aappleby/smhasher
• 负载因⼦：数组存储元素的个数/数组⻓度；负载因⼦越⼩，冲突越⼩；负载因⼦越⼤，冲突越⼤；
• 同样的hashtable中节点存储了key和val， hashtable并没有要求key的⼤⼩顺序，我们同样可以修
• 改代码让插⼊存在的数据变成修改操作；
• 优点：访问速度更快； 不需要进⾏字符串⽐较；
• 缺点：需要引⼊策略避免冲突，存储效率不⾼；空间换时间；

hash冲突解决⽅案： 

• 链表法

引⼊链表来处理哈希冲突；也就是将冲突元素⽤链表链接起来；这也是常⽤的处理冲突的⽅
式；但是可能出现⼀种极端情况，冲突元素⽐较多，该冲突链表过⻓，这个时候可以将这个链
表转换为红⿊树；由原来链表时间复杂度 o(n) 转换为红⿊树时间复杂度 ；那么判
断该链表过⻓的依据是多少？可以采⽤超过256（经验值）个节点的时候将链表结构转换为红
⿊树结构；

• 开放寻址法

将所有的元素都存放在哈希表的数组中， 不使⽤额外的数据结构；⼀般使⽤线性探查的思路解
决；
1. 当插⼊新元素的时，使⽤哈希函数在哈希表中定位元素位置；
2. 检查数组中该槽位索引是否存在元素。如果该槽位为空，则插⼊，否则3；
3. 在 2 检测的槽位索引上加⼀定步⻓接着检查2；加⼀定步⻓分为以下⼏种：
1. i+1,i+2,i+3,i+4 ... i+n
2. i- ,i+ ,i- ,1+ ...
这两种都会导致同类hash聚集；也就是近似值它的hash值也近似，那么它的数组槽位也靠
近，形成hash聚集；第⼀种同类聚集冲突在前，第⼆种只是将聚集冲突延后；

• 另外还可以使⽤双重哈希来解决上⾯出现hash聚集现象：

在.net HashTable类的hash函数Hk定义如下：
Hk(key) = [GetHash(key) + k * (1 + (((GetHash(key) >> 5) + 1) %
(hashsize – 1)))] % hashsize
在此 (1 + (((GetHash(key) >> 5) + 1) % (hashsize – 1))) 与 hashsize
互为素数（两数互为素数表示两者没有共同的质因⼦）；
执⾏了 hashsize 次探查后，哈希表中的每⼀个位置都有且只有⼀次被访问到，也就是
说，对于给定的 key，对哈希表中的同⼀位置不会同时使⽤ Hi 和 Hj；

总结

红⿊树和hashtable都不能解决海量数据问题，它们都需要存储具体字符串，如果数据量⼤，提供
不了⼏百G的内存；所以需要尝试探寻不存储key的⽅案，并且拥有hashtable的优点（不需要⽐较
字符串）；

 布隆过滤器

• 定义：布隆过滤器是⼀种概率型数据结构，它的特点是⾼效的插⼊和查询，能明确告知某个字符串⼀定不存在或者可能存在；
• 布隆过滤器相⽐传统的查询结构（例如： hash， set， map等数据结构） 更加⾼效，占⽤空间更⼩；但是其缺点是它返回的结果是概率性的，也就是说结果存在误差的，虽然这个误差是可控的；同时它不⽀持删除操作；
• 组成：位图（bit数组） + n个hash函数（一般是23个）

 原理

当⼀个元素加⼊位图时，通过k个hash函数将这个元素映射到位图的k个点，并把它们置为
1；当检索时，再通过k个hash函数运算检测位图的k个点是否都为1；如果有不为1的点，那么认为
不存在；如果全部为1，则可能存在（存在误差）；
 

在位图中每个槽位只有两种状态（0或者1），⼀个槽位被设置为1状态，但不明确它被设置了多少
次；也就是不知道被多少个str1哈希映射以及是被哪个hash函数映射过来的；所以不⽀持删除操
作；

 在实际应⽤过程中，布隆过滤器该如何使⽤？要选择多少个hash函数，要分配多少空间的位图，存储多少元素？另外如何控制假阳率（布隆过滤器能明确⼀定不存在，不能明确⼀定存在，那么存在的判断是有误差的，假阳率就是错误判断存在的概率）？

n -- 布隆过滤器中元素的个数，如上图 只有str1和str2 两个元素 那么 n=2
p -- 假阳率，在0-1之间 0.000000
m -- 位图所占空间
k -- hash函数的个数
公式如下：
n = ceil(m / (-k / log(1 - exp(log(p) / k))))
p = pow(1 - exp(-k / (m / n)), k)
m = ceil((n * log(p)) / log(1 / pow(2, log(2))));
k = round((m / n) * log(2));

在实际应⽤中，我们确定n和p，通过上⾯的计算算出m和k；也可以在⽹站上选取合适的值：
Bloom filter calculator

源码下载：https://download.csdn.net/download/u012173846/75159777https://download.csdn.net/download/u012173846/75159777