对Redis布隆过滤器的实现

目录

 实现思路

首先最重要的自定义hash()

然后就是将key放入bitSet

然后就是判断布隆过滤器bitSet数组中是否含有对应的key

代码

 实现思路

(39条消息) Redis布隆过滤器_Fairy要carry的博客-CSDN博客

首先最重要的自定义hash()

1.首先判断key是否为null，否则返回0——>2.然后数组长度-1-i（目的使散列均匀，因为我们定义一个数组，全是辅助多次hash，所以需要-i保留特点），然后就是（size-1-i）&（(h=key.hashcode())^h>>>16）——>3.非常关键在这里，计算key的hash值后，然后^key的hash>>>16,目的是保留key的特点，保证散列均匀，因为size-1-i（像hashMap默认size为16，那么15对应的二进制为1111，那么就只能与hash的低位四个进行运算，那么保留特点就很少），所以>>>16保留了key hash低位16的特点，然后再^key.hashCode()->保证了高位16的特点（这样就保证了key的特点）

private int hash(Object key, int i) {
        int h;
        //BloomFilter_Size-i归根结底是为了保证散列均匀，保证每一次hash后key的特点——>之前push也是对key进行多次hash
        int index = key == null ? 0 : (BloomFilter_Size - 1 - i) & ((h = key.hashCode()) ^ (h >>> 16));
        return index > 0 ? index : -index;
    }

然后就是将key放入bitSet

思路：1.计算key的hash（利用辅助hash数组对key进行多次hash），得到位置index后放入数组

/**
     * 2.存放key
     * 思路：1.遍历布隆过滤器的hash数组，对key进行多次hash并且保存在BitSet数组中
     *
     * @param key
     */
    public void push(Object key) {
        Arrays.stream(HelperBloom).forEach(i -> bitSet.set(hash(key, i)));
        currentBaseBean++;
    }

然后就是判断布隆过滤器bitSet数组中是否含有对应的key

思路：1.一样的，这里巧妙的是利用了&&，因为我们对key进行了多次hash，所以我们遍历辅助hash数组进行多次hash，根据对应index位置从bitSet取出看是否能取出，若为false，那么后面全为false——>2.直接利用&&，result默认为true，&&有一个为false那么结果就是false

 /**
     * 3.计算key的hash值并且去bitSet寻找看是否有位置，如果有返回true
     * 思路：利用&&，从bitSet取出对应key的hash的index，如果没有返回false，因为&&所以结果false
     *
     * @param key
     * @return
     */
    public boolean isContain(Object key) {
        boolean result=true;
        for (int i : HelperBloom) {
            result = result && bitSet.get(hash(key, i));
        }
        return result;
    }

代码

import java.util.Arrays;
import java.util.BitSet;
 
/**
 * @author diao 2022/9/7
 */
public class BloomFilter {
    //后面hash函数会用到，用来生成不同的hash值，可以随便给，但别给奇数
    private final int[] ints = {6, 8, 16, 38, 58, 68};
    private Integer currentBeanCount = 0;
    //你的布隆过滤器容量
    private int DEFAULT_SIZE = Integer.MAX_VALUE;
    //bit数组，用来存放结果
    private final BitSet bitSet = new BitSet(DEFAULT_SIZE);
 
    public BloomFilter() {
    }
 
    public BloomFilter(int size) {
        if (size <= (2 << 8)) {
            throw new RuntimeException("size is too small");
        }
        DEFAULT_SIZE = size;
    }
 
    //获取当前过滤器的对象数量
    public Integer getCurrentBeanCount() {
        return currentBeanCount;
    }
 
    //计算出key的hash值，并将对应下标置为true
    public void push(Object key) {
        for (int i : ints) {
            bitSet.set(hash(key, i));
        }
        currentBeanCount++;
    }
 
    //判断key是否存在，true不一定说明key存在，但是false一定说明不存在
    public boolean contain(Object key) {
        boolean result = true;
        for (int i : ints) {
            result = result && bitSet.get(hash(key, i));
        }
        return result;
    }
 
    //hash算法，借鉴了hashmap的算法
    private int hash(Object key, int i) {
        int h;
        int index = key == null ? 0 : (DEFAULT_SIZE - 1 - i) & ((h = key.hashCode()) ^ (h >>> 16));
        return index > 0 ? index : -index;
    }
 
    public static void main(String[] args) {
        BloomFilter bf = new BloomFilter ();
        bf.push("张学友");
        bf.push("郭德纲");
        bf.push("特雷杨");
        bf.push(666);
        System.out.println(bf.contain("张学友"));//true
        System.out.println(bf.contain("张学友 "));//false
        System.out.println(bf.contain("张学友1"));//false
        System.out.println(bf.contain("郭德纲"));//true
        System.out.println(bf.contain("老鹰特雷杨8"));//false
        System.out.println(bf.contain(666));//true
        System.out.println(bf.contain(888));//false
    }
}