内存崩溃了？其实你只需要换一种方式

在上一篇 Java 多线程爬虫及分布式爬虫架构探索 中，我们使用了 JDK 自带的 Set 集合来进行 URL 去重，看上去效果不错，但是这种做法有一个致命了缺陷，就是随着采集的 URL 增多，你需要的内存越来越大，最终会导致你的内存崩溃。那我们在不使用数据库的情况下有没有解决办法呢?还记得我们在上一篇文章中提到的布隆过滤器吗?它就可以完美解决这个问题，布隆过滤器有什么特殊的地方呢?接下来就一起来学习一下布隆过滤器。

什么是布隆过滤器

布隆过滤器是一种数据结构，比较巧妙的概率型数据结构，它是在 1970 年由一个名叫布隆提出的，它实际上是由一个很长的二进制向量和一系列随机映射函数组成，这点跟哈希表有些相同，但是相对哈希表来说布隆过滤器它更高效、占用空间更少，布隆过滤器有一个缺点那就是有一定的误识别率和删除困难。布隆过滤器只能告诉你某个元素一定不存在或者可能存在在集合中， 所以布隆过滤器经常用来处理可以忍受判断失误的业务，比如爬虫 URL 去重。

布隆过滤器原理

在说布隆过滤器原理之前，我们先来复习一下哈希表，在上一篇文章中，我们利用的是 Set 来进行 URL 去重，我们来看看 Set 的存储模型

Set url 去重

URL 经过一个哈希函数后，将 URL 存入了数组里，这样查询时也是非常高效的，但是由于数组里存入的是 URL，随着 URL 的增多，需要的数组越来越大，意味着你需要更多的内存，比如我们采集了几亿的 URL，那么可能就需要上百G 的内存，这是条件不允许的，因为内存特别的昂贵，所以这个在 url 去重中是不可取的，占内存更小的布隆过滤器就是一种不错的选择。

布隆过滤器实质上由长度为 m 的位向量或位列表(仅包含 0 或 1 位值的列表)组成，最初所有值均设置为 0，如下所示。

布隆过滤器

因为底层是 bit 数组，所以意味着数组只有 0、1 两个值，跟哈希表一样，我们将 URL 通过 K 个函数映射 bit 数组里，并且将指向的 Bit 数组对应的值改成 1 。我们以 /nba/2492297.html 为例，如下图所示。

布隆过滤器

/nba/2492297.html经过三个哈希函数分别映射到了 1、4、9 的位置，这三个 bit 数组的值就变成了 1，我们再存入一个 /nba/2492298.html，此时 bit 数组就变成下面这样：

布隆过滤器

/nba/2492298.html被映射到了 0、4、11 的位置，所以此时 bit 数组上有 5 个位置的值为 1，本应该是有 6 个值为 1 的，但是因为在 4 这个位置重复了，所以会覆盖。

布隆过滤器是如何判断某个值一定不存在或者可能存在呢?通过判断哈希函数映射到对应数组的值，如果都为 1，说明可能存在，如果有一个不为 1，说明一定不存在。对于一定不存在好理解，但是都为 1 时，为什么说可能存在呢?这跟哈希表一样，哈希函数会产生哈希冲突，也就是说两个不同的值经过哈希函数都会得到同一个数组下标，布隆过滤器也是一样的。我们以判断 /nba/2492299.html 是否已经采集过为例，经过哈希函数映射的 bit 数组上的位置如下图所示：

布隆过滤器

/nba/2492299.html 被哈希函数映射到了 4、9、11 的位置，而这几个位置的值都为 1 ，所以布隆过滤器就认为 /nba/2492299.html 被采集过了，实际上是没有采集过的，这就说明了布隆过滤器存在误判，这也是我们业务允许的。布隆过滤器的误判率跟 bit 数组的大小和哈希函数的个数有关系，如果 bit 数组过小，哈希函数过多，那么 bit 数组的值很快都会变成 1，这样误判率就会越来越高，bit 数组过大，就会浪费更多的内存，所以就要平衡好 bit 数组的大小和哈希函数的个数，关于如何平衡这两个的关系，不是我们这篇文章的重点。

布隆过滤器的原理我们已经了解了，为了加深对布隆过滤器的理解，我们用 Java 来实现一个简易版的布隆过滤器，代码如下：

public class SimpleBloomFilterTest { 
    // bit 数组的大小 
    private static final int DEFAULT_SIZE = 1000; 
    // 用来生产三个不同的哈希函数的 
    private static final int[] seeds = new int[]{7, 31, 61,}; 
    // bit 数组 
    private BitSet bits = new BitSet(DEFAULT_SIZE); 
    // 存放哈希函数的数组 
    private SimpleHash[] func = new SimpleHash[seeds.length]; 
    public static void main(String[] args) { 
        SimpleBloomFilterTest filter = new SimpleBloomFilterTest(); 
        filter.add("https://voice.hupu.com/nba/2492440.html"); 
        filter.add("https://voice.hupu.com/nba/2492437.html"); 
        filter.add("https://voice.hupu.com/nba/2492439.html"); 
        System.out.println(filter.contains("https://voice.hupu.com/nba/2492440.html")); 
        System.out.println(filter.contains("https://voice.hupu.com/nba/249244.html")); 
    } 
    public SimpleBloomFilterTest() { 
        for (int i = 0; i < seeds.length; i++) { 
            func[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]); 
        } 
    } 
    /** 
     * 向布隆过滤器添加元素 
     * @param value 
     */ 
    public void add(String value) { 
        for (SimpleHash f : func) { 
            bits.set(f.hash(value), true); 
        } 
    } 
    /** 
     * 判断某元素是否存在布隆过滤器 
     * @param value 
     * @return 
     */ 
    public boolean contains(String value) { 
        if (value == null) { 
            return false; 
        } 
        boolean ret = true; 
        for (SimpleHash f : func) { 
            ret = ret && bits.get(f.hash(value)); 
        } 
        return ret; 
    } 
 
    /** 
     * 哈希函数 
     */ 
    public static class SimpleHash { 
        private int cap; 
        private int seed; 
        public SimpleHash(int cap, int seed) { 
            this.cap = cap; 
            this.seed = seed; 
        } 
        public int hash(String value) { 
            int result = 0; 
            int len = value.length(); 
            for (int i = 0; i < len; i++) { 
                result = seed * result + value.charAt(i); 
            } 
            return (cap - 1) & result; 
        } 
    } 
} 

（编辑：ASP站长网）