布隆过滤器+CBF scala实现+代码详解

2023-11-09 17:20

本文主要是介绍布隆过滤器+CBF scala实现+代码详解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 简介
    • BloomFilter
    • BloomFilter的简单优化
    • 改进BloomFilter
    • spark 的布隆过滤器
    • scala实现BF、CBF

简介

布隆过滤器可以说是在大数据的处理算法方面经常使用的基础算法。
在这方面我看了很多的博客,确实看到了很多很详细的解释和总结,但是都是零散的,没有很全面的在原理和实现,以及实现代码的解析等方面做的很全面的。所以我将我自己整理的东西很完整的和大家分享。

其中在实际的使用和实现方面,我会增加spark的实现,以及scala的BF和CBF的两个简单的demo。

BloomFilter

使用范围:可以用来实现数据字典,进行数据的判重,或者集合求交

原理:位数组+k个独立hash函数。将hash函数对应的值的位数组置1,查找时如果发现所有hash函数对应位都是1说明存在,很明显这个过程并不保证查找的结果是100%正确的。

缺点:首先就是会存在错误率,但是为什么有错误率还是仍然被大量使用呢?这个也很简单理解,毕竟在真正的业务场景中那可以处理上十亿条数据,那么假如说有0.001的错误率那看在时间高效的优点下,还是会选择BF的。同时也不支持删除一个已经插入的关键字,因为修改关键字对应的位会牵动到其他的关键字。

上面的缺点我们提到了就是存在错误率,那么好消息是这个错误率其实是可以被开发人员根据应用场景的要求来调整的。

在这里插入图片描述
那么上面我们解释一下参数的意思:
p代表错误率,一般设置的参数0.01或者更小。
n是输入的元素的个数。
m代表bit数组长度。
然后k代表hash函数的个数。

举个例子我们假设错误率为0.01,则此时m应大概是n的13倍。这样k大概是8个。

通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。

可见我们能得到一个规律:
那就是你想要的错误率越低,m就需要的位数越大。
然后m越大就需要的hash函数的个数越多。
仔细一想 没毛病。当然时间也会越长,但是和其他的遍历相等的方法也快了不止一点半点。

BloomFilter的简单优化

我们知道只要你使用了BloomFilter就会存在一点点的错误率,那么既然你使用布隆过滤器来加速查找和判断是否存在,那么性能很低的哈希函数不是个好选择,推荐 MurmurHash这类的高性能hash函数。

在后面的代码部分我会实现一个scala的使用MurmurHash的BloomFilter。

改进BloomFilter

Bloom filter将集合中的元素映射到位数组中,用k(k为哈希函数个数)个映射位是否全1表示元素在不在这个集合中。Counting bloom filter(CBF)将位数组中的每一位扩展为一个counter,从而支持了元素的删除操作。Spectral Bloom Filter(SBF)将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。

spark 的布隆过滤器

其实spark框架下有很好的封装,所以即使你不知道原理,也可以使用。

bloomFilter(colName:String,expectedNumItems:Long,fpp:Double)
//param(使用的数据列,数据量期望,损失精度)
//损失精度越低生成的布隆数组长度越长,占用的空间越多,计算过程越长。

然后我用scala实现了一个spark中的BF

import day0215.schema_info
import org.apache.spark.sql.SparkSession/*** @Author: Braylon* @Date: 2020/2/18 17:02* @Description: BF in Spark*/
object BloomFilter {def main(args: Array[String]): Unit = {val spark = SparkSession.builder().master("local").appName("spark sql2").getOrCreate()val data = spark.sparkContext.textFile("D:\\idea\\projects\\scalaDemo\\src\\resources\\node.txt").map(_.split(" "))val df_ = data.map(s => schema_info(s(0).toInt, s(1).trim(), s(2).toInt))import spark.sqlContext.implicits._var df = df_.toDFdf.show()val df1 = spark.sparkContext.parallelize(Seq(Worker("Braylon",30000), Worker("Tim",1000), Worker("Jackson",20000))).toDFdf1.show(false)val rdd = spark.sparkContext.parallelize(Seq("Braylon","J.C","Neo"))// 生成bloomFilterval bf = df1.stat.bloomFilter("name",20L,0.01)val res = rdd.map(x=>(x,bf.mightContainString(x)))res.foreach(println)}
}
case class Worker(name:String,Sal:Int)

scala实现BF、CBF

package BigDataAlgorithmimport java.util.BitSetimport scala.util.hashing.MurmurHash3/*** @Author: Braylon* @Date: 2020/2/19 10:44* @Description: scala BF*/
object BloomFilter {//定义映射位数组长度val BitArr = 1 << 16//定义Bit数组val bitSet = new BitSet(BitArr)/*** 一个名为seed的值代表盐。向其提供任何随机但私有的(对您的应用而言)数据,因此哈希函数将为相同数据提供不同的结果。* 例如,使用此功能提取您的数据摘要,以检测第三人对原始数据的修改。在知道您使用的盐之前,他们几乎无法复制有效的哈希值。* final def stringHash(str: String, seed: Int): Int* Compute the hash of a string*/val seed = 2def hash(str:String):Unit = {//null是用来判断有没有这个容器,而isEmpty是有这个容器,来判断这个容器中的内容有没有东西是不是空的if (str != null && !str.isEmpty) {for (seed_tmp <- 1 to seed) bitSet.set(Math.abs(MurmurHash3.stringHash(str, seed_tmp)) % BitArr, true)}elseprintln("error input")}/*** 判断存在*/def checkIfExisted(str:String):Boolean = {def existsRecur(str: String,seed_tmp:Int):Boolean = {if (str == null && str.isEmpty) falseelse if (seed_tmp > seed) trueelse if (!bitSet.get(Math.abs(MurmurHash3.stringHash(str, seed_tmp)) % BitArr)) false/*** boolean get(int index)* 返回指定索引处的位值。*/else existsRecur(str, seed + 1)}if (str == null || str.isEmpty)falseelseexistsRecur(str, 1)}def main(args: Array[String]): Unit = {val str1 = "timeStamp"val str2 = "what are you up to"val str3 = "back to WHU as soon as possible"val str4 = "i love WHU"BloomFilter.hash(str1)BloomFilter.hash(str2)BloomFilter.hash(str3)BloomFilter.hash(str4)println(BloomFilter.checkIfExisted(str1))println(BloomFilter.checkIfExisted(str3))println(BloomFilter.checkIfExisted("neo"))println(BloomFilter.checkIfExisted("ksjdfhwiebxdkjfskf"))}
}

CBF

package BigDataAlgorithmimport scala.util.hashing.MurmurHash3/*** @Author: Braylon* @Date: 2020/2/19 12:08* @Description: scala CBF*/
object CountingBloomFilter {val totalNum = 1 << 16val CBFArr = new Array[Int](totalNum)//我们仍然使用MurmurHash,定义seedNumval seedNum = 2def hash(str:String):Unit = {if (str != null && !str.isEmpty){for (seed_tmp <- 1 to seedNum) CBFArr(Math.abs(MurmurHash3.stringHash(str, seed_tmp)) % totalNum) += 1}elseprintln("error input")}def checkIfExisted(str:String):Boolean = {def existed(str:String, seed_tmp:Int):Boolean = {if (str == null && str.isEmpty) falseelse if (seed_tmp > seedNum) trueelse if (CBFArr(Math.abs(MurmurHash3.stringHash(str, seed_tmp)) % totalNum) < 0 )  false/*** boolean get(int index)* 返回指定索引处的位值。*/else existed(str, seed_tmp + 1)}if (str==null || str.isEmpty) falseelse existed(str, 1)}def main(args: Array[String]): Unit = {val str1 = "www.baidu.com"val str2 = "Tom and Jerry"val str3 = "Tim is a good girl"val str4 = "Braylon is a good student"BloomFilter.hash(str1)BloomFilter.hash(str2)BloomFilter.hash(str3)BloomFilter.hash(str4)println(BloomFilter.checkIfExisted(str1))println(BloomFilter.checkIfExisted(str3))println(BloomFilter.checkIfExisted("neo"))println(BloomFilter.checkIfExisted("ksjdfhwiebxdkjfskf"))}
}

大家共勉~~
有不好的地方欢迎指正

这篇关于布隆过滤器+CBF scala实现+代码详解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:https://blog.csdn.net/qq_40742298/article/details/104392564
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/377513

相关文章

java使用protobuf-maven-plugin的插件编译proto文件详解

《java使用protobuf-maven-plugin的插件编译proto文件详解》:本文主要介绍java使用protobuf-maven-plugin的插件编译proto文件,具有很好的参考价... 目录protobuf文件作为数据传输和存储的协议主要介绍在Java使用maven编译proto文件的插件

Android ClassLoader加载机制详解

《AndroidClassLoader加载机制详解》Android的ClassLoader负责加载.dex文件,基于双亲委派模型,支持热修复和插件化,需注意类冲突、内存泄漏和兼容性问题,本文给大家介... 目录一、ClassLoader概述1.1 类加载的基本概念1.2 android与Java Class

c++ 类成员变量默认初始值的实现

《c++类成员变量默认初始值的实现》本文主要介绍了c++类成员变量默认初始值,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录C++类成员变量初始化c++类的变量的初始化在C++中,如果使用类成员变量时未给定其初始值,那么它将被

Java中的数组与集合基本用法详解

《Java中的数组与集合基本用法详解》本文介绍了Java数组和集合框架的基础知识,数组部分涵盖了一维、二维及多维数组的声明、初始化、访问与遍历方法,以及Arrays类的常用操作,对Java数组与集合相... 目录一、Java数组基础1.1 数组结构概述1.2 一维数组1.2.1 声明与初始化1.2.2 访问

SpringBoot线程池配置使用示例详解

《SpringBoot线程池配置使用示例详解》SpringBoot集成@Async注解,支持线程池参数配置(核心数、队列容量、拒绝策略等)及生命周期管理,结合监控与任务装饰器,提升异步处理效率与系统... 目录一、核心特性二、添加依赖三、参数详解四、配置线程池五、应用实践代码说明拒绝策略(Rejected

Qt使用QSqlDatabase连接MySQL实现增删改查功能

《Qt使用QSqlDatabase连接MySQL实现增删改查功能》这篇文章主要为大家详细介绍了Qt如何使用QSqlDatabase连接MySQL实现增删改查功能,文中的示例代码讲解详细,感兴趣的小伙伴... 目录一、创建数据表二、连接mysql数据库三、封装成一个完整的轻量级 ORM 风格类3.1 表结构

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

一文详解SpringBoot中控制器的动态注册与卸载

《一文详解SpringBoot中控制器的动态注册与卸载》在项目开发中,通过动态注册和卸载控制器功能,可以根据业务场景和项目需要实现功能的动态增加、删除,提高系统的灵活性和可扩展性,下面我们就来看看Sp... 目录项目结构1. 创建 Spring Boot 启动类2. 创建一个测试控制器3. 创建动态控制器注

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

C#读写文本文件的多种方式详解

《C#读写文本文件的多种方式详解》这篇文章主要为大家详细介绍了C#中各种常用的文件读写方式,包括文本文件,二进制文件、CSV文件、JSON文件等,有需要的小伙伴可以参考一下... 目录一、文本文件读写1. 使用 File 类的静态方法2. 使用 StreamReader 和 StreamWriter二、二进