当前位置：首页 > news >正文

Hutool - BloomFilter：便捷的布隆过滤器实现

news 来源：原创 2025/5/15 0:55:47

1. 布隆过滤器简介

布隆过滤器（Bloom Filter）是一种空间效率极高的概率型数据结构，用于判断一个元素是否存在于一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，但缺点是有一定的误判率，即判断元素存在时，元素可能实际上并不存在，但判断元素不存在时，元素一定不存在。布隆过滤器在很多场景下都有广泛的应用，比如缓存穿透的防止、URL 去重等。

2. Hutool - BloomFilter 概述

Hutool - BloomFilter 是 Hutool 工具包中的一个模块，它提供了一些基于不同 Hash 算法的布隆过滤器实现，让我们可以方便地在 Java 项目中使用布隆过滤器。

3. 引入依赖

如果你使用 Maven 管理项目，在 pom.xml 中添加以下依赖：

<dependency>
    <groupId>cn.hutool</groupId>
    <artifactId>hutool-all</artifactId>
    <version>5.8.16</version>
</dependency>

4. 基本使用示例

下面通过一个简单的示例来展示如何使用 Hutool - BloomFilter。

import cn.hutool.bloomfilter.BloomFilterUtil;
import cn.hutool.bloomfilter.bitMap.DefaultBitMap;
import cn.hutool.bloomfilter.filter.MurmurFilter;

public class BloomFilterExample {
    public static void main(String[] args) {
        // 初始化布隆过滤器，指定预期元素数量和误判率
        int expectedInsertions = 1000;
        double fpp = 0.01;
        MurmurFilter bloomFilter = (MurmurFilter) BloomFilterUtil.create(
                new DefaultBitMap(), expectedInsertions, fpp);

        // 向布隆过滤器中添加元素
        String element1 = "apple";
        String element2 = "banana";
        bloomFilter.add(element1);
        bloomFilter.add(element2);

        // 判断元素是否存在于布隆过滤器中
        boolean contains1 = bloomFilter.contains(element1);
        boolean contains2 = bloomFilter.contains("cherry");

        System.out.println("布隆过滤器中是否包含 " + element1 + ": " + contains1);
        System.out.println("布隆过滤器中是否包含 cherry: " + contains2);
    }
}

5. 代码解释

初始化布隆过滤器：
- expectedInsertions 表示预期要插入布隆过滤器的元素数量。
- fpp 表示允许的误判率，这里设置为 0.01，即 1% 的误判可能性。
- BloomFilterUtil.create 方法用于创建布隆过滤器，DefaultBitMap 是 Hutool 提供的一种位图实现，用于存储布隆过滤器的状态。
添加元素：使用 add 方法向布隆过滤器中添加元素。
判断元素是否存在：使用 contains 方法判断元素是否存在于布隆过滤器中。

6. 不同 Hash 算法的布隆过滤器

Hutool - BloomFilter 提供了多种基于不同 Hash 算法的布隆过滤器实现，除了上面示例中使用的 MurmurFilter，还有 FnvFilter 等。你可以根据实际需求选择合适的布隆过滤器。

import cn.hutool.bloomfilter.BloomFilterUtil;
import cn.hutool.bloomfilter.bitMap.DefaultBitMap;
import cn.hutool.bloomfilter.filter.FnvFilter;

public class DifferentHashBloomFilterExample {
    public static void main(String[] args) {
        int expectedInsertions = 1000;
        double fpp = 0.01;
        FnvFilter bloomFilter = (FnvFilter) BloomFilterUtil.create(
                new DefaultBitMap(), expectedInsertions, fpp);

        // 添加元素和判断元素是否存在的操作与上面示例类似
    }
}