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，内存我们使用了 JDK 自带的崩溃 Set 集合来进行 URL 去重，看上去效果不错，其实但是只需这种做法有一个致命了缺陷，就是换种随着采集的 URL 增多，你需要的内存内存越来越大，最终会导致你的崩溃内存崩溃。那我们在不使用数据库的其实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只需地方呢?接下来就一起来学习一下布隆过滤器。

什么是换种布隆过滤器

布隆过滤器是一种数据结构，比较巧妙的内存概率型数据结构，它是崩溃在 1970 年由一个名叫布隆提出的，它实际上是其实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，只需但是换种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高防服务器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，这是站群服务器条件不允许的，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 1，亿华云计算我们再存入一个 /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;         }     } } 

把上面这段代码理解好对我们理解布隆过滤器非常有帮助，实际上在工作中并不需要我们自己实现布隆过滤器，谷歌已经帮我们实现了布隆过滤器，在 Guava 包中提供了 BloomFilter，这个布隆过滤器实现的非常棒，下面就看看谷歌办的布隆过滤器。

布隆过滤器 Guava 版

要使用 Guava 包下提供的 BloomFilter ，就需要引入 Guava 包，我们在 pom.xml 中引入下面依赖：

<dependency>     <groupId>com.google.guava</groupId>     <artifactId>guava</artifactId>     <version>28.1-jre</version> </dependency> 

Guava 中的布隆过滤器实现的非常复杂，关于细节我们就不去探究了，我们就来看看 Guava 中布隆过滤器的构造函数吧，Guava 中并没有提供构造函数，而且提供了 create 方法来构造布隆过滤器：

public static <T> BloomFilter<T> create(     Funnel<? super T> funnel, int expectedInsertions, double fpp) {    return create(funnel, (long) expectedInsertions, fpp); } 

funnel：你要过滤数据的类型

expectedInsertions：你要存放的数据量

fpp：误判率

你只需要传入这三个参数你就可以使用 Guava 包中的布隆过滤器了，下面这我写的一段 Guava 布隆过滤器测试程序，可以改动 fpp 多运行几次，体验 Guava 的布隆过滤器。

public class GuavaBloomFilterTest {      // bit 数组大小     private static int size = 10000;     // 布隆过滤器     private static BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), size, 0.03);     public static void main(String[] args) {          // 先向布隆过滤器中添加 10000 个url         for (int i = 0; i < size; i++) {              String url = "https://voice.hupu.com/nba/" + i;             bloomFilter.put(url);         }         // 前10000个url不会出现误判         for (int i = 0; i < size; i++) {              String url = "https://voice.hupu.com/nba/" + i;             if (!bloomFilter.mightContain(url)) {                  System.out.println("该 url 被采集过了");             }         }         List<String> list = new ArrayList<String>(1000);         // 再向布隆过滤器中添加 2000 个 url ，在这2000 个中就会出现误判了         // 误判的个数为 2000 * fpp         for (int i = size; i < size + 2000; i++) {              String url = "https://voice.hupu.com/nba/" + i;             if (bloomFilter.mightContain(url)) {                  list.add(url);             }         }         System.out.println("误判数量：" + list.size());     } } 

布隆过滤器的应用

缓存击穿

缓存击穿是查询数据库中不存在的数据，如果有用户恶意模拟请求很多缓存中不存在的数据，由于缓存中都没有，导致这些请求短时间内直接落在了DB上，对DB产生压力，导致数据库异常。

最常见的解决办法就是采用布隆过滤器，将所有可能存在的数据哈希到一个足够大的bitmap中，一个一定不存在的数据会被这个bitmap拦截掉，从而避免了对底层存储系统的查询压力。下面是一段伪代码：

public String getByKey(String key) {      // 通过key获取value     String value = redis.get(key);     if (StringUtil.isEmpty(value)) {          if (bloomFilter.mightContain(key)) {              value = xxxService.get(key);             redis.set(key, value);             return value;         } else {              return null;         }     }     return value; } 

爬虫 URL 去重

爬虫是对 url 的去重，防止 url 重复采集，这也是我们这篇文章重点讲解的内容

垃圾邮件识别

从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱，将垃圾邮箱添加到布隆过滤器中，然后判断某个邮件是否是存在在布隆过滤器中，存在说明就是垃圾邮箱。