哪些公司经常做网站/提高百度搜索排名工具

哪些公司经常做网站,提高百度搜索排名工具,怎样做专业网站,wordpress 显示分类目录布隆过滤器引入概念工作原理模拟实现布隆过滤器哈希函数集布隆过滤器基本框架 add函数（添加到布隆过滤器中） contains函数（判断是否存在该值） 完整代码布隆过滤器的删除布隆过滤器的误判率布隆过滤器的…

布隆过滤器

引入

概念

工作原理

模拟实现布隆过滤器

哈希函数集

布隆过滤器基本框架

add函数（添加到布隆过滤器中）

contains函数（判断是否存在该值）

完整代码

布隆过滤器的删除

布隆过滤器的误判率

布隆过滤器的优点

布隆过滤器的缺点

布隆过滤器的应用场景

布隆过滤器

引入

我们如何判断一个元素是否在一个集合中？

我们可能会想到将集合中所有的元素加载到内存中，并存储到哈希表中，这样就能很容易判断出一个元素是否在一个集合中，但是这只能处理集合元素数量并不大的场景，对于集合中有海量的元素时，是行不通的，那么该如何解决呢？

我们知道，使用哈希表来存储，优点是能够快速查找，缺点是浪费空间；使用位图来存储，优点是能够快速查找，也不浪费空间，但是缺点是一般只能处理整形，对于较复杂的内容就无法处理了。

将哈希表和位图相结合，得到了一种新的结构，即“布隆过滤器”，它能够解决掉上面的问题。

概念

布隆过滤器（Bloom Filter）是一种空间效率极高的概率型数据结构，由Burton Howard Bloom在1970年提出。它主要用于判断一个元素是否可能属于某个集合，而不支持直接获取集合中的所有元素。布隆过滤器的基本结构是一个固定长度的位数组/位图（Bit Array）和一组哈希函数（Hash Functions）。它是用多个哈希函数，将一个数据映射到位图结构中。此种方式不仅可以提升查询效率，也可以节省大量的内存空间。

概念图：

工作原理

（1）初始时，位图中所有位置的值设置为0.

（2）当有值通过哈希函数映射到该位置时，值才置为1。

（3）通过判断某个值哈希映射得到的每个位置的值是否不为0，就能知道该值“一定不存在”或者“可能存在”。

模拟实现布隆过滤器

哈希函数集

class SimpleHash {public int cap;//当前容量public int seed;//随机public SimpleHash(int cap,int seed) {this.cap = cap;this.seed = seed;}//根据seed不同 创建不能的哈希函数int hash(String key) {int h;//(n - 1) & hashreturn (key == null) ? 0 : (seed * (cap-1)) & ((h = key.hashCode()) ^ (h >>> 16));}}

上面的哈希函数参照了HashMap的原码：

布隆过滤器基本框架

public class MyBloomFilter {public static final int DEFAULT_SIZE = 1 << 20;//位图public BitSet bitSet;public static final int[] seeds = {5,7,11,13,27,33};public SimpleHash[] simpleHashes;public MyBloomFilter() {bitSet = new BitSet(DEFAULT_SIZE);simpleHashes = new SimpleHash[seeds.length];for (int i = 0; i < simpleHashes.length; i++) {simpleHashes[i] = new SimpleHash(DEFAULT_SIZE,seeds[i]);}}
}

add函数（添加到布隆过滤器中）

将要添加的值使用若干哈希函数进行映射，并将映射位置的值置为1.

public void add(String val) {//让若干个哈希函数  分别处理当前的数据for (SimpleHash simpleHash : simpleHashes) {int index = simpleHash.hash(val);//把他们 都存储在位图当中即可bitSet.set(index);}
}

contains函数（判断是否存在该值）

将要添加的值使用若干哈希函数进行映射，并以此判断这些位置的值是否为0，若存在为0的情况，则该值一定不存在，否则，是可能存在，因为可能存在其他值映射到这些位置的情况。

public boolean contains(String val) {for (SimpleHash simpleHash : simpleHashes) {int index = simpleHash.hash(val);//只要有1个为 0     那么一定不存在boolean flg = bitSet.get(index);if(!flg) {return false;}}return true;
}

完整代码

import java.util.BitSet;class SimpleHash {public int cap;//当前容量public int seed;//随机public SimpleHash(int cap,int seed) {this.cap = cap;this.seed = seed;}//根据seed不同 创建不能的哈希函数int hash(String key) {int h;//(n - 1) & hashreturn (key == null) ? 0 : (seed * (cap-1)) & ((h = key.hashCode()) ^ (h >>> 16));}}
public class MyBloomFilter {public static final int DEFAULT_SIZE = 1 << 20;//位图public BitSet bitSet;public static final int[] seeds = {5,7,11,13,27,33};public SimpleHash[] simpleHashes;public MyBloomFilter() {bitSet = new BitSet(DEFAULT_SIZE);simpleHashes = new SimpleHash[seeds.length];for (int i = 0; i < simpleHashes.length; i++) {simpleHashes[i] = new SimpleHash(DEFAULT_SIZE,seeds[i]);}}public void add(String val) {//让若干个哈希函数  分别处理当前的数据for (SimpleHash simpleHash : simpleHashes) {int index = simpleHash.hash(val);//把他们 都存储在位图当中即可bitSet.set(index);}}public boolean contains(String val) {for (SimpleHash simpleHash : simpleHashes) {int index = simpleHash.hash(val);//只要有1个为 0     那么一定不存在boolean flg = bitSet.get(index);if(!flg) {return false;}}return true;}public static void main(String[] args) {MyBloomFilter myBloomFilter = new MyBloomFilter();myBloomFilter.add("hello");myBloomFilter.add("hello2");System.out.println(myBloomFilter.contains("hello"));System.out.println(myBloomFilter.contains("hello3"));}
}

运行结果：

布隆过滤器的删除

布隆过滤器不支持直接删除，因为在删除一个元素时，可能会影响其它元素。

例如，通过上图可以看到，baidu和tencent有相同的映射位置，因此如果直接删除某个元素，可能会影响到其它元素。

那么有没有办法使得布隆过滤器支持删除操作呢？

有，比如给每个比特位附带一个计数器，当有元素映射到该位置时，该位置的计数器进行++，当删除元素时，只需要将对应位置的计数器进行- -。

缺陷：

1.无法确认元素是否真的在布隆过滤器中，即可能会判断失误。

2.存在计数回绕，即溢出。

布隆过滤器的误判率

n：布隆过滤器最大处理的元素的个数
P：希望的误差率
m：布隆过滤器的bit位数目
k：哈希函数的个数

布隆过滤器的优点

1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数，一般比较小)，与数据量大小无关
2. 哈希函数相互之间没有关系，方便硬件并行运算
3. 布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势
4. 在能够承受一定的误判时，布隆过滤器比其他数据结构有这很大的空间优势
5. 数据量很大时，布隆过滤器可以表示全集，其他数据结构不能
6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算

布隆过滤器的缺点

1. 有误判率，即存在假阳性(False Position)，即不能准确判断元素是否在集合中(补救方法：再建立一个白名单，存储可能会误判的数据)
2. 不能获取元素本身
3. 一般情况下不能从布隆过滤器中删除元素
4. 如果采用计数方式删除，可能会存在计数回绕问题

布隆过滤器的应用场景

1.缓存穿透防护：在分布式缓存系统如Redis或Memcached中，用于避免缓存穿透问题。当一个请求试图访问数据库中的某个不存在的键时，如果直接去数据库查询会增加数据库压力。通过在前端部署一个布隆过滤器，可以预先判断该键很可能不存在于数据库中，从而避免对数据库发起无效请求。
2.URL去重：在爬虫抓取网页或者日志分析中，用于URL去重，确保不会重复抓取相同的页面或记录。
3.大数据处理：在Hadoop等框架中，用来过滤掉重复的数据块或者记录，减少计算和存储负担。
4.垃圾邮件过滤：在电子邮件系统中，用于快速判断收到的邮件是否可能来自已知的垃圾邮件发送者。
5.异常事件检测：当大量事件流经系统时，可以用于快速识别并过滤出已知异常事件，降低报警系统误报率。
6.个性化推荐：在个性化推荐系统中，用于快速排除用户已经浏览过或者不感兴趣的内容。
数据库辅助索引：对于大型数据库，可以利用布隆过滤器作为辅助索引结构，提前过滤掉大部分肯定不在结果集中的查询条件，减轻主索引的压力。
7.内容检测：在社交网络中，用于快速检测用户上传的内容是否存在违规信息，或是检查用户ID、账号是否存在黑名单中。