回顾
上一节我们简单介绍了 BloomFilter 的原理，并且介绍了 guava BloomFilter 的使用。
今天让我们更上一层楼，实现一个属于自己的 BoolFilter。
实现原理
原理回顾
布隆过滤器在本质上是二进制向量。
在高层级上，布隆过滤器以下面的方式工作：
添加元素到过滤器。
对元素进行几次哈希运算，当索引匹配哈希的结果时，将该位设置为 1 的。
如果要检测元素是否属于集合，使用相同的哈希运算步骤，检查相应位的值是1还是0。这就是布隆过滤器明确元素不存在的过程。如果位未被设置，则元素绝不可能存在于集合中。
当然，一个肯定的答案意味着，要不就是元素存在于集合中，要不就是遇见了哈希冲突。
实现思路
我们再加入一个元素时，通过多种不同的 hash 算法，然后设置到 bit 数组中。
判断是否存在的时候，也对元素采用多种不同的 hash 算法，如果都为 true，则说明可能存在。如果有不为 true 的，说明一定不不存在。
自己实现简单版本
hash 算法
可以参考 hash 算法介绍
- IHash.java
public interface IHash { /** * 根据 key 获取对应的hash值 * @param key 字符串 * @return hash 值 */ int hashIndex(final String key);}三个简单的实现：
- HashOne
public class HashOne implements IHash { @Override public int hashIndex(String key) { int hash = 0; for(int i = 0; i- HashTwo
public class HashTwo implements IHash { @Override public int hashIndex(String key) { final int p = 16777619; int hash = (int) 2166136261L; for(int i = 0 ; i > 7; hash += hash <> 17; hash += hash <- HashThree
public class HashThree implements IHash { @Override public int hashIndex(String key) { int hash, i; for (hash = 0, i = 0; i > 6); } hash += (hash <> 11); hash += (hash <Bloom Fliter 实现
- IBloomFilter.java
public interface IBloomFilter { /** * 添加一个元素 * @param key 元素 */ void add(final String key); /** * 可能包含元素 * @param key 元素 * @return 可能包含 */ boolean mightContains(final String key);}- SimpleBloomFilter.java
import com.github.houbb.guava.learn.bloom.hash.HashOne;import com.github.houbb.guava.learn.bloom.hash.HashThree;import com.github.houbb.guava.learn.bloom.hash.HashTwo;public class SimpleBloomFilter implements IBloomFilter { private final int size; private boolean[] array; public SimpleBloomFilter(int size) { this.size = size; this.array = new boolean[size]; } @Override public void add(String key) { // 做三次 hash int hashOne = new HashOne().hashIndex(key); int hashTwo = new HashTwo().hashIndex(key); int hashThree = new HashThree().hashIndex(key); this.array[hashOne%array.length] = true; this.array[hashTwo%array.length] = true; this.array[hashThree%array.length] = true; } @Override public boolean mightContains(String key) { // 做三次 hash int hashOne = new HashOne().hashIndex(key); int hashTwo = new HashTwo().hashIndex(key); int hashThree = new HashThree().hashIndex(key); if(!array[hashOne]) { return false; } if(!array[hashTwo]) { return false; } if(!array[hashThree]) { return false; } return true; }}测试验证
maven 引入
com.github.houbb bloom-filter 0.0.1例子
String text1 = "hello";String text2 = "world";BloomFilterBs bloomFilterBs = BloomFilterBs .newInstance() .add(text1) .add(text2);Assert.assertTrue(bloomFilterBs.mightContains(text1));Assert.assertFalse(bloomFilterBs.mightContains("other"));性能问题
当然我们实现版本的性能可能相对一般，可以参考下 guava 的实现。
后续我们有时间可以阅读下 guava BoolmFilter 的源码。
小结
本节回顾了 Bloom Filter 的实现思路，并且通过 java 实现了属于我们自己的布隆过滤器。
工作中就算不使用自己造的轮子，知其然知其所以然，有问题自己也知道大概的排查方向。
目前的版本非常的简陋，还有很多可以改进的地方，我们后续可以阅读下 guava 的源码，并化为己用。
布隆过滤器使用也不存在需要注意的点，下一节我们来讲一讲使用的最佳实践。
觉得本文对你有帮助的话，欢迎点赞评论收藏关注一波。你的鼓励，是我最大的动力~
不知道你有哪些收获呢？
或者有其他更多的想法，欢迎留言区和我一起讨论，期待与你的思考相遇。
