python中的布隆過濾器用法及原理詳解
1、布隆過濾器的介紹
布隆過濾器（Bloom Filter），是1970年，由一個(gè)叫布隆的小伙子提出的。 它實(shí)際上是一個(gè)很長(zhǎng)的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)，二進(jìn)制大家應(yīng)該都清楚，存儲(chǔ)的數(shù)據(jù)不是0就是1，默認(rèn)是0。
主要用于判斷一個(gè)元素是否在一個(gè)集合中，0代表不存在某個(gè)數(shù)據(jù)，1代表存在某個(gè)數(shù)據(jù)。
布隆過濾器是一種概率空間高效的數(shù)據(jù)結(jié)構(gòu)，特點(diǎn)是高效地插入和查詢，用來告訴你 “某樣?xùn)|西一定不存在或者可能存在”。
相比于傳統(tǒng)的 List、Set、Map 等數(shù)據(jù)結(jié)構(gòu)，它更高效、占用空間更少，但是缺點(diǎn)是其返回的結(jié)果是概率性的，而不是確切的。
2、布隆過濾器的用途
- 解決Redis緩存穿透。
- 在爬蟲時(shí)，對(duì)爬蟲網(wǎng)址進(jìn)行過濾，已經(jīng)存在布隆中的網(wǎng)址，不在爬取。
- 垃圾郵件過濾，對(duì)每一個(gè)發(fā)送郵件的地址進(jìn)行判斷是否在布隆的黑名單中，如果在就判斷為垃圾郵件。
- 大量數(shù)據(jù)時(shí)，判斷給定的數(shù)據(jù)是否在其中。
- 黑名單過濾
3、布隆過濾器的原理
3.1 存入過程
就是將數(shù)據(jù)以某種方式以二進(jìn)制形式存入結(jié)合中。
過程如下：
- 通過K個(gè)哈希函數(shù)計(jì)算該數(shù)據(jù)，返回K個(gè)計(jì)算出的hash值
- 這些K個(gè)hash值映射到對(duì)應(yīng)的K個(gè)二進(jìn)制的數(shù)組下標(biāo)
- 將K個(gè)下標(biāo)對(duì)應(yīng)的二進(jìn)制數(shù)據(jù)改成1。
例如，第一個(gè)哈希函數(shù)返回x，第二個(gè)第三個(gè)哈希函數(shù)返回y與z，那么： X、Y、Z對(duì)應(yīng)的二進(jìn)制改成1。
3.2 查詢過程
布隆過濾器主要作用就是：查詢一個(gè)數(shù)據(jù)在不在這個(gè)二進(jìn)制的集合中。
查詢過程如下：
- 通過K個(gè)哈希函數(shù)計(jì)算該數(shù)據(jù)，對(duì)應(yīng)計(jì)算出的K個(gè)hash值
- 通過hash值找到對(duì)應(yīng)的二進(jìn)制的數(shù)組下標(biāo)
- 判斷：如果存在一處位置的二進(jìn)制數(shù)據(jù)是0，那么該數(shù)據(jù)不存在。如果都是1，該數(shù)據(jù)存在集合中。（這種判斷存在一定的誤判率）
3.3 刪除過程
一般是不能刪除布隆過濾器的，這也是其一個(gè)缺點(diǎn)。
4、布隆過濾器的優(yōu)缺點(diǎn)
4.1 優(yōu)點(diǎn)
- 由于存儲(chǔ)的是二進(jìn)制數(shù)據(jù)，所以占用的空間很小
- 它的插入和查詢速度是非?？斓?，時(shí)間復(fù)雜度是O（K），可以聯(lián)想一下HashMap的過程
- 保密性很好，因?yàn)楸旧聿淮鎯?chǔ)任何原始數(shù)據(jù)，只有二進(jìn)制數(shù)據(jù)
4.2 缺點(diǎn)
添加數(shù)據(jù)是通過計(jì)算數(shù)據(jù)的hash值，那么很有可能存在這種情況：兩個(gè)不同的數(shù)據(jù)計(jì)算得到相同的hash值。
例如圖中的“你好”和“hello”，假如最終算出hash值相同，那么他們會(huì)將同一個(gè)下標(biāo)的二進(jìn)制數(shù)據(jù)改為1。 這個(gè)時(shí)候，你就不知道下標(biāo)為2的二進(jìn)制，到底是代表“你好”還是“hello”。
1.存在誤判率
假如上面的圖沒有存"hello"，只存了"你好"，那么用"hello"來查詢的時(shí)候，會(huì)判斷"hello"存在集合中。 因?yàn)?ldquo;你好”和“hello”的hash值是相同的，通過相同的hash值，找到的二進(jìn)制數(shù)據(jù)也是一樣的，都是1。
2.刪除困難
還是用上面的舉例，因?yàn)?ldquo;你好”和“hello”的hash值相同，對(duì)應(yīng)的數(shù)組下標(biāo)也是一樣的。 這時(shí)候想去刪除“你好”，將下標(biāo)為2里的二進(jìn)制數(shù)據(jù)，由1改成了0。 那么我們是不是連“hello”都一起刪了呀。（0代表有這個(gè)數(shù)據(jù)，1代表沒有這個(gè)數(shù)據(jù)）
總結(jié)：
- 隨著數(shù)據(jù)的增加，誤判率隨之增加；
- 無法做到刪除數(shù)據(jù)；只能判斷數(shù)據(jù)是否一定不存在，而無法判斷數(shù)據(jù)是否一定存在。
- 無法返回元素本身
- 無法刪除某個(gè)元素
5、python中使用布隆過濾器
使用pybloom_live進(jìn)行操作。
安裝：
pip install pybloom_live
示例代碼：
from pybloom_live import ScalableBloomFilter, BloomFilter # 可自動(dòng)擴(kuò)容的布隆過濾器 bloom = ScalableBloomFilter(initial_capacity=100, error_rate=0.001) url1 = 'http://www.baidu.com' url2 = 'http://www.zhihu.com' bloom.add(url1) print(url1 in bloom) print(url2 in bloom) # BloomFilter 是定長(zhǎng)的 bf = BloomFilter(capacity=1000) bf.add(url1) print(url1 in bf) print(url2 in bf)
運(yùn)行結(jié)果：
6、redis中使用布隆過濾器
詳細(xì)的文檔可以參考官方文檔：Quick start | Redis
這個(gè)模塊不僅僅實(shí)現(xiàn)了布隆過濾器，還實(shí)現(xiàn)了 CuckooFilter（布谷鳥過濾器），以及 TopK功能。CuckooFilter是在 BloomFilter的基礎(chǔ)上主要解決了BloomFilter不能刪除的缺點(diǎn)。
傳統(tǒng)的redis服務(wù)器安裝 RedisBloom 插件
也可以使用docker進(jìn)行安裝：
- docker pull redislabs/rebloom:latest
- docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest
- docker exec -it redis-redisbloom /bin/bash
使用pybloom_live進(jìn)行操作。
安裝：
pip install redisbloom
示例代碼： 【注意：代碼執(zhí)行之前要確保服務(wù)器安裝了redis插件：bloom-filter】
from redisbloom.client import Client
rb = Client(host='192.168.124.27', port='6379')
rb.bfAdd('urls', 'baidu')
rb.bfAdd('urls', 'google')
print(rb.bfExists('urls', 'baidu'))
print(rb.bfExists('urls', 'tencent'))
rb.bfMAdd('urls', 'a', 'b')
print(rb.bfMExists('urls', 'google', 'a', 'd'))運(yùn)行結(jié)果：
示例代碼：
import math
import redis
import time
import mmh3
class BloomFilter(object):
# 內(nèi)置100個(gè)隨機(jī)種子
SEEDS = [543, 460, 171, 876, 796, 607, 650, 81, 837, 545, 591, 946, 846, 521, 913, 636, 878, 735, 414, 372,
344, 324, 223, 180, 327, 891, 798, 933, 493, 293, 836, 10, 6, 544, 924, 849, 438, 41, 862, 648, 338,
465, 562, 693, 979, 52, 763, 103, 387, 374, 349, 94, 384, 680, 574, 480, 307, 580, 71, 535, 300, 53,
481, 519, 644, 219, 686, 236, 424, 326, 244, 212, 909, 202, 951, 56, 812, 901, 926, 250, 507, 739, 371,
63, 584, 154, 7, 284, 617, 332, 472, 140, 605, 262, 355, 526, 647, 923, 199, 518]
def __init__(self, capacity=1000000000, error_rate=0.00000001, conn=None, key='BloomFilter'):
"""
初始化布隆過濾器
:param capacity: 預(yù)先估計(jì)要去重的數(shù)量
:param error_rate: 表示錯(cuò)誤率
:param conn: 表示redis的連接客戶端
:param key: 表示在redis中的鍵的名字前綴
"""
# 需要的總bit位數(shù)
self.m = math.ceil(capacity*math.log2(math.e)*math.log2(1/error_rate))
# 需要最少的hash次數(shù)
self.k = math.ceil(math.log1p(2)*self.m/capacity)
# 需要的多少M(fèi)內(nèi)存
self.mem = math.ceil(self.m/8/1024/1024)
# 需要多少個(gè)512M的內(nèi)存塊,value的第一個(gè)字符必須是ascii碼，所有最多有256個(gè)內(nèi)存塊
self.blocknum = math.ceil(self.mem/512)
self.seeds = self.SEEDS[0: self.k]
self.key = key
self.N = 2 ** 31 - 1
self.redis = conn
print(self.m)
print(self.k)
print(self.mem)
def add(self, value):
name = self.key + '_' + str(ord(value[0]) % self.blocknum)
hashs = self.get_hash(value)
for hash in hashs:
self.redis.setbit(name, hash, 1)
def get_hash(self, value):
hashs = list()
for seed in self.seeds:
hash = mmh3.hash(value, seed)
if hash >= 0:
hashs.append(hash)
else:
hashs.append(self.N - hash)
return hashs
def is_exist(self, value):
name = self.key + '_' + str(ord(value[0]) % self.blocknum)
hashs = self.get_hash(value)
exist = True
for hash in hashs:
exist = exist & self.redis.getbit(name, hash)
return exist
pool = redis.ConnectionPool(host='192.168.124.27', port='6379', db=0)
conn = redis.Redis(connection_pool=pool)
start = time.time()
bf = BloomFilter(conn=conn)
url1 = 'www.baidu.com'
url2 = 'www.zhihu.com'
url3 = 'www.study.com'
bf.add(url1)
bf.add(url2)
print(bf.is_exist(url2))
print(bf.is_exist(url3))運(yùn)行結(jié)果：
到此這篇關(guān)于python中的布隆過濾器用法及原理詳解的文章就介紹到這了,更多相關(guān)python的布隆過濾器內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了Python如何獲取對(duì)象大小和文件大小問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-01-01
這篇文章主要介紹了Python入門教程(三十二)Python的命令行輸入,Python是一門非常強(qiáng)大好用的語言,也有著易上手的特性,本文為入門教程,需要的朋友可以參考下2023-05-05
9行Python3代碼實(shí)現(xiàn)批量提取PDF文件的指定內(nèi)容
這篇文章主要為大家詳細(xì)介紹了如何通過9行Python3代碼實(shí)現(xiàn)批量提取PDF文件的指定內(nèi)容，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以嘗試一下2022-12-12
python 在右鍵菜單中加入復(fù)制目標(biāo)文件的有效存放路徑(單斜杠或者雙反斜杠)
這篇文章主要介紹了python 在右鍵菜單中加入復(fù)制目標(biāo)文件的有效存放路徑（單斜杠或者雙反斜杠），本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-04-04
Python PyCharm如何進(jìn)行斷點(diǎn)調(diào)試
這篇文章主要介紹了Python PyCharm如何進(jìn)行斷點(diǎn)調(diào)試,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
在本篇文章里小編給大家分享的是一篇關(guān)于python中寫類的方法和技巧，需要的朋友們可以學(xué)習(xí)下。2020-06-06![pytorch中[..., 0]的用法說明](http://img.jbzj.com/images/xgimg/bcimg6.png)
這篇文章主要介紹了pytorch中[..., 0]的用法說明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-05-05
Python的iOS自動(dòng)化打包實(shí)例代碼
這篇文章主要給大家介紹了關(guān)于Python的iOS自動(dòng)化打包的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2018-11-11
使用python和go遞歸刪除.DS_Store文件，.DS_Store (英文全稱 Desktop Services Store)是一種由蘋果公司的Mac OS X操作系統(tǒng)所創(chuàng)造的隱藏文件，目的在于存貯文件夾的自定義屬性2014-01-01
Pytorch?Mac?GPU?訓(xùn)練與測(cè)評(píng)實(shí)例
這篇文章主要為大家介紹了Pytorch?Mac?GPU?訓(xùn)練與測(cè)評(píng)實(shí)例詳解,有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-01-01