布隆过滤器(BloomFilter)原理 | 亿级数据过滤解决方案_处理百亿数据 过滤器

1970 年，布隆先生提出了一种很优秀的过滤器算法，用来判断一个元素是否在集合中

「布隆过滤器算法」

故事开始→_→

先看本故事结构

就当前互联网环境来说，头部的互联网生态越来越往高并发、分布式的形态发展。举例来说，各大网页的黑名单系统，爬虫的重复率判断。这些场景越来越多。

举例来说，实时状态下可能会对超过百亿级别的 URL 需要进行判断是否符合规范或者存在于系统中，能否正常使用。

通常情况下，每个 URL 的大小为 64B（字节），那么就按照100亿的 URL 数量来看，大概需要640GB的内存容量【$64\times 100\text{亿}/1024^3$】，对于当前线上服务器来说，… 这个值依然还是很大的！但如果利用布隆过滤器的优势，在没有失误率的情况下只需要100亿个比特，即：1.2GB，即使为了降低失误率，也不会超过几十GB的空间【失误率后面会谈到】

那么在这种情况下，利用布隆过滤器来解决的确是很优秀，优秀到维基百科这样说「它的优点是空间效率和查询时间都远远超过一般的算法」，空间复杂度和时间复杂度都远超一般的算法，布隆过滤器存储空间和插入/查询时间都是常数O(1)！注意：远超！！

看着来自各方面这么牛B 的吹嘘，咱们把布隆过滤器安排到方方面面，来具体看看它的原理是怎么样的…

维基百科的概念：布隆过滤器实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。基于这个解释，下面从

等方面系统性的说道说道…

【1】

主要作用：判断一个元素是否在集合中

这样的场景会有很多。会去判断，要查询的元素是否存在于集合当中。【该网站是否允许该用户登录、该网站共是否接受这样的 url 请求】

通常在查询的时候，一般会先从 cache 中进行查询，如果没有的话会直接到磁盘或者数据库查询，这样的方式看起来很合理，但是如果在中间再加一层布隆顾虑器，这样就会更加合理了！为什么？

假设要查询的一个元素，而该元素不存在

a. 如果没有 BloomFilter，从cache中查询完就会直接到数据库做查询了，这样带来的现象是“慢”，毕竟从库中查耗时是比较长的，很大程度上对服务的性能产生影响。

b. 中间存在 BloomFilter，从cache中查询完就会首先查询 BloomFilter，就会发现该元素不存在，就可以不往后面进行查询了，而 BloomFilter 的性能是极其优越的。这样，对于机器或者说服务性能避免了很大不