0. 科普
1. 为什么需要Bloom Filter
2. 基本原理
3. 如何设计Bloom Filter
4. 实例操作
5. 扩展
0. 科普
Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在一些需要快速判断某个元素是否属于集合，但是并不严格要求100%正确的场合。
1. 为什么需要Bloom Filter
举例说明：假设有2000万个url，现在判断一个新的url是否在这2000万个之中。可以有的思路：
- 将访问过的URL保存到数据库。
- 用HashSet将访问过的URL保存起来。那只需接近O(1)的代价就可以查到一个URL是否被访问过了。
- URL经过MD5等单向哈希后再保存到HashSet或数据库。
- Bit-Map方法。建立一个BitSet，将每个URL经过一个哈希函数映射到某一位。
分析
思路1：当数据量很大时，查询数据库变得效率底下
思路2：太消耗内存，还得把字符串全部储存起来
思路3：字符串经过MD5处理后有128个bit,比思路2省了很多空间
思路4：一个字符串仅用一位来表示，比思路3还节省空间
当然前提是会出现误判（哈希后表示相同），为了继承这么好的思路，同时减少误判的情况，可以来个折衷：一个哈希函数生成一个位，用多个哈希函数生成多个位来存储一个字符串。这样比Bit-Map多用了些空间，但是减少了误判率。
2. 基本原理
这样把大量的字符串存起来。查找时，用同样的哈希处理待查串，如果对应的各位上都为1，说明该字符串可能在这些字符串中，否则一定不在其中。
3. 如何设计Bloom Filter
如何降低误判率是关键，这需要
- 选取区分度高的哈希函数
- 根据存储数组、哈希函数个数、误判率之间的关系，分配空间、个数
直接利用前人的结论：
其中f'是自己期望的误判率，m是总共开辟的存储空间位数，n是待存储字符串的个数，k是哈希函数的个数，f是真正的误判率。
4. 实例操作
需求：2000万个已知url，100个待查url
设计：
1. 设定误判率为0.1， n=2000万，计算
m = n * 1.44 * math.log(1/f)/math.log(2)=287014588 k = 0.693 * m / n= 10 f = (1 - math.exp(-1 * k * n / m)) ** k = 0.00101298781512
哈希函数的选取看这里
参考代码(c++)
makefile
View Code
main.cc
View Code
bloomfilter.h
View Code
bloomfilter.cc
View Code
hash.h
View Code
hash.cc
View Code
数据下载：http://pan.baidu.com/s/1hqBTks0
Github 地址：https://github.com/jihite/Bloom-Filter
5. 扩展
如何删除存储数组中的元素？
思路：把存储数组的每一个元素扩展一下（原来是1b）用来存储该位置被置1的次数。存储是，计数次数加一；删除的时候，计数次数减一。
本文转自jihite博客园博客，原文链接：http://www.cnblogs.com/kaituorensheng/p/3669140.html，如需转载请自行联系原作者
