北京网站建设优化seo优化上海牛巨微

一：引入

1.常见的基础数据存储容器有哪些？基础数据结构：数组+链表+map+set（树）

2.假设给你一个10亿的黑名单email，如何来进行黑名单过滤？垃圾邮件：HashMap 或者 Hash算法 白名单

3.缓存相信大家都知道，但是缓存并不是百分百命中的，通常我们会根据一个id（字符串uuid）判断缓存里面有没有数据，如果没有再去数据库查询，那你有没有想过突然来了一个超级并发去查询一个缓存不存在的id怎么办？缓存击穿： 分布式锁： bitMap：

二：set数据结构

        Set是一种数据结构，它的特点是里面所存的元素是不能重复的。C++ 在Java中主要有两种实现方式： hashMap key-value Set：key

        HashSet：其内部是一个Hash表（HashMap）实现，不能保证元素的顺序。但是如过是Integer类型的其实在jdk1.8是有序的，大家可以去看看源码，Integher.HashCode返回就知道为啥了.

        TreeSet：使用元素的自然顺序进行排序，当然你也可以自己指定排序的规则。其底层是通过二叉树实现的，也就是红黑树。

三：各种容器对比

        我们到目前为止主要的容器存储结构有：

        List： 可以重复存储对象 插入的顺序和遍历的顺序是一致的 常用的实现方式：链表+数组（ArrayList,LinkedList,Vector）

        Set： 不允许重复对象 无法保证每个元素的插入和输出顺序，无序容器。 TreeSet是有序的 常用的实现方式：HashSet，TreeSet，LinkedHashSet（强行保证输出顺序和插入顺序一致，双向链表，耗费空间）

        Map：Map是键值对的形式存储，会有key+value： Map不允许出现相同的key，出现就会倍覆盖 Map主要实现方式：HashMap，HashTable，TreeMap（也是一个有序的，默认按照自然顺序，其底层结构同样是红黑树）

四：布隆过滤器

        布隆过滤器是一个非常巧妙的数据结构，在很多高并发大数据项目中都有应用，它的特点就是高效的查找和插入，他的核心一句话就是： 我告诉你不存在的那就肯定不存在，但是我告诉你存在，其实有可能存在的。嘿嘿~~ 布隆过滤器结构：它的结构和我们上节课讲的bitMap非常类似。它是由一个很长的bit数组以及k个hash函数组成。

实现的思想：

        插入：将一个插入的元素使用K个hash函数进行k次计算，将得到的Hash值所对应的bit数组下标置为1。

        查找：跟插入一样的道理，将查找的元素使用k个函数进行k次计算，将得到的值找出对应的bit数组下标，判断是否为1，如果都为1则说明这个值可能在序列中，反之肯定不在序列中。 为什么是可能在序列中呢？

        删除：非常明确的告诉你，这玩意是不支持删除的。

package tree.set布隆过滤器;import java.util.BitSet;public class BloomFilter {int size;BitSet bits; // bit数组,bitMap: long /64 %34// 00000000000000000000000000000000000000000000000000000000000000000000000011111111111111111111111public BloomFilter(int size) {this.size = size;bits = new BitSet(size);}public void add(String key) {	//O(1)int hash1 = hash_1(key);int hash2 = hash_2(key);int hash3 = hash_3(key);bits.set(hash1, true);bits.set(hash2, true);bits.set(hash3, true);}public boolean find(String key) {int hash1 = hash_1(key);if (!bits.get(hash1))return false;int hash2 = hash_2(key);if (!bits.get(hash2))return false;int hash3 = hash_3(key);if (!bits.get(hash3))return false;return true;}public int hash_1(String key) {int hash = 0;int i;for (i = 0; i < key.length(); ++i) {hash = 33 * hash + key.charAt(i);}return Math.abs(hash) % size;}public int hash_2(String key) {final int p = 16777619;int hash = (int) 2166136261L;for (int i = 0; i < key.length(); i++) {hash = (hash ^ key.charAt(i)) * p;}hash += hash << 13;hash ^= hash >> 7;hash += hash << 3;hash ^= hash >> 17;hash += hash << 5;return Math.abs(hash) % size;}public int hash_3(String key) {int hash, i;for (hash = 0, i = 0; i < key.length(); ++i) {hash += key.charAt(i);hash += (hash << 10);hash ^= (hash >> 6);}hash += (hash << 3);hash ^= (hash >> 11);hash += (hash << 15);return Math.abs(hash) % size;}public static void main(String[] args) {// O(1000000000)//8bit= 1byteBloomFilter bloomFilter = new BloomFilter(Integer.MAX_VALUE);	//21亿System.out.println(bloomFilter.hash_1("1"));System.out.println(bloomFilter.hash_2("1"));System.out.println(bloomFilter.hash_3("1"));bloomFilter.add("1111");bloomFilter.add("1123");bloomFilter.add("11323");System.out.println(bloomFilter.find("1"));System.out.println(bloomFilter.find("1123"));}
}