0.背景

在某些时候,可能会涉及在海量数据中的查找,如果依然采用上述过程的方法,则很难达到一定的效果。在实际工程实践中,海量数据的查找性能很可能会成为整个系统的性能瓶颈。在海量数据中的查找包括基于布隆过滤器的方式,以及基于倒排索引的数据结构。

1.基于布隆过滤器查找


布隆过滤器(Bloom Filter)是1970年由布隆提出的。它实际上是一个很长的二进制矢量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法,缺点是有一定的误识别率和删除困难。1.概念如果要判断一个元素是不是在一个集合里,通常的方法是将集合中所有元素保存起来,然后通过比较确定。链表、树、散列表(又称哈希表,Hash table)等数据结构都使用这种思路。但是随着集合中元素的增加,需要的存储空间越来越大,同时,检索速度也越来越慢,上述三种结构的检索时间复杂度分别为O(n),O(lgn),O(n/k).
布隆过滤器的原理是,当一个元素被加入集合时,通过K个散列函数将这个元素映射为一个位数组中的K个点,把它们置为1.检索时,只要查看这些点是不是都是1就(大约)知道集合中有没有它了:如果这些点有任何一个是0,则被检元素一定不在集合中;如果都是1,则被检元素很可能在。这就是布隆过滤器的基本思想。
相比于其他的数据结构,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(O(k)).另外,散列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。此外,布隆过滤器可以表示全集,其他任何数据结构都没有此功能。
但是,布隆过滤器的缺点和优点一样明显,误算率就是其中之一。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,则使用散列表即可。
另外,一般情况下不能从布隆过滤器中删除元素。例如,把位数组变成整数数组,每插入一个元素则计数器相应地加1,这样,删除元素时将计数器减掉就可以了。然而要保证安全地删除元素并非如此简单。首先必须保证删除的元素的确在布隆过滤器里面,而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。
在降低误算率方面,也有不少工作,因此出现了很多布隆过滤器的变种。

2.应用:搜索引擎中的URL过滤

假设要编写一个网络爬虫程序(web crawler).由于网络间的链接错综复杂,爬虫在网络间爬行很可能会形成“环”。为了避免形成“环”,就需要知道爬虫程序已经访问过哪些URL.给一个URL,怎样知道爬虫程序是否已经访问过呢?有如下几种方法。
(1)将访问过的URL保存到数据库。
(2)用HashSet将访问过的URL保存起来,只需接近0(1)的代价就可以查到一个URL
是否被访问过了。
(3)URL经过MD5或SHA-1等单向哈希后再保存到HashSet或数据库。
(4)Bit-Map方法。建立一个BitSet,将每个URL经过一个哈希函数映射到某一位。方法(1)~(3)都是将访问过的URL完整保存,方法(4)则只标记URL的一个映射位。以上方法在数据量较小的情况下都能完美解决问题,但是当数据量变得非常庞大时问题就来了。


方法(1)的缺点:数据量变得非常庞大后,关系型数据库查询的效率会变得很低。而且每来一个URL就启动一次数据库查询是不是太小题大做了。
方法(2)的缺点:太消耗内存。随着URL的增多,占用的内存会越来越多。就算只有1亿个URL,每个URL仅为50bit,就需要5GB内存。
方法(3):由于字符串经过MD5处理后的信息摘要长度只有128bit,SHA-1处理后也只有160bit,因此方法(3)比方法(2)节省了好几倍的内存。
方法(4)消耗内存是相对较小的,但缺点是单一哈希函数发生冲突的概率太高。还记得数据结构课上学过的Hash表冲突的各种解决方法吗?若要降低冲突发生的概率到1%,就要将BitSet的长度设置为URL个数的100倍。
除了URL去重外,在海量文本中查找某个词语的出现也会采用布隆过滤器。由于单词数量的巨大,需要在超过一亿的数量级上判断某个单词是否存在,因此需要一种极其高效的方式去实现。传统的方法是,将所有数据存放在一个集合里面,或许是链表,或许是树,或许是散列表,然后分别通过时间复杂度O(n),O(lg n),O(n/k)找到。虽然散列表的性能已经很好,但是依然觉得在亿级以上数据查找不是很理想。布隆过滤器是由一个很长的二进制向量及多个随机函数组成的。
当添加一个元素到大集合中时,需要利用N个哈希方法将此元素映射为N个点,这N个点组成一个位阵列形式,且它们的值设定为1.当判断是否存在时,只需判断新产生的位阵列是否均为1即可,可按照“&”运算进行。如果“&”运算的最终结果为0,则需要判断的元素一定不存在。反之,结果为1,则说明该元素存在。可利用布隆过滤器的基本思想来为语料库中词组是否存在进行判断。