布隆过滤器（bloom filiter）集成到redis中

布隆过滤器（bloom filiter）集成到redis中

布隆过滤器(Bloom Filter)详解

基本概念

如果想判断一个元素是不是在一个集合里，一般想到的是将所有元素保存起来，然后通过比较确定。链表，树等等数据结构都是这种思路. 但是随着集合中元素的增加，我们需要的存储空间越来越大，检索速度也越来越慢。不过世界上还有一种叫作散列表（又叫哈希表，Hash table）的数据结构。它可以通过一个Hash函数将一个元素映射成一个位阵列（Bit Array）中的一个点。这样一来，我们只要看看这个点是不是 1 就知道可以集合中有没有它了。这就是布隆过滤器的基本思想。

Hash面临的问题就是冲突。假设 Hash 函数是良好的，如果我们的位阵列长度为 m 个点，那么如果我们想将冲突率降低到例如 1%, 这个散列表就只能容纳 m/100 个元素。显然这就不叫空间有效了（Space-efficient）。解决方法也简单，就是使用多个 Hash，如果它们有一个说元素不在集合中，那肯定就不在。如果它们都说在，虽然也有一定可能性它们在说谎，不过直觉上判断这种事情的概率是比较低的。

优点

相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数。另外, Hash 函数相互之间没有关系，方便由硬件并行实现。布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势。

布隆过滤器可以表示全集，其它任何数据结构都不能；

k 和 m 相同，使用同一组 Hash 函数的两个布隆过滤器的交并差运算可以使用位操作进行。

缺点

但是布隆过滤器的缺点和优点一样明显。误算率（False Positive）是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足矣。

另外，一般情况下不能从布隆过滤器中删除元素. 我们很容易想到把位列阵变成整数数组，每插入一个元素相应的计数器加1, 这样删除元素时将计数器减掉就可以了。然而要保证安全的删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。

python 基于redis实现的bloomfilter(布隆过滤器)，BloomFilter_imooc

BloomFilter_imooc下载

下载地址：

依赖关系：　

　　python 基于redis实现的bloomfilter

　　依赖mmh3

　　安装依赖包：

　　pip install mmh3

bloom-filiter.py（源码）

import mmh3
import redis
import math
import timeclass PyBloomFilter():#内置100个随机种子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]#capacity是预先估计要去重的数量#error_rate表示错误率#conn表示redis的连接客户端#key表示在redis中的键的名字前缀def __init__(self, capacity=1000000000, error_rate=0.00000001, conn=None, key='BloomFilter'):self.m = il(capacity*math.log2(math.e)*math.log2(1/error_rate))      #需要的总bit位数self.k = il(math.log1p(2)*self.m/capacity)                           #需要最少的hash次数 = il(self.m/8/1024/1024)                                    #需要的多少M内存self.blocknum = /512)                                     #需要多少个512M的内存块,value的第一个字符必须是ascii码，所有最多有256个内存块self.seeds = self.SEEDS[0:self.k]self.key = keyself.N = 2**dis = connprint("需要内存："+)+"M")print("需要hash次数："+str(self.k)+"次")def add(self, value):name = self.key + "_" + str(ord(value[0])%self.blocknum)hashs = _hashs(value)for hash in dis.setbit(name, hash, 1)def is_exist(self, value):name = self.key + "_" + str(ord(value[0])%self.blocknum)hashs = _hashs(value)exist = Truefor hash in hashs:exist = exist & bit(name, hash)return existdef get_hashs(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 hashspool = redis.ConnectionPool(host='127.0.0.1', port=6379, db=0)
conn = redis.StrictRedis(connection_pool=pool)if __name__ == "__main__":start = time.time()bf = PyBloomFilter(conn=conn)bf.add('www.jobbole')bf.add('www.zhihu')print(bf.is_exist('www.zhihu'))print(bf.is_exist('www.lagou'))

集成到Dupefilter中，需要修改__init__方法与request_seen方法：

    def __init__(self, server, key, debug=False):"""Initialize the duplicates filter.Parameters----------server : redis.StrictRedisThe redis server instance.key : strRedis key Where to store fingerprints.debug : bool, optionalWhether to log filtered requests."""self.server = serverself.key = keyself.debug = debugself.logdupes = Trueself.bf = PyBloomFilter(conn=conn,key=key)

def request_seen(self, request):"""Returns True if request was already seen.Parameters----------request : scrapy.http.RequestReturns-------bool"""fp = quest_fingerprint(request)if self.bf.is_exist(fp):return  Trueelse:self.bf.add(fp)return False# This returns the number of values added, zero if already exists.# added = self.server.sadd(self.key, fp)# return added == 0