今天分享一下Redis布隆过滤器的原理和应用场景，解决缓存穿透，实现快速入门，丰富个人简历，提高面试level，给自己增加一点谈资，秒变面试小达人，BAT不是梦。
一、布隆过滤器BloomFilter是什么
布隆过滤器BloomFilter是一种专门用来解决去重问题的高级数据结果。
实质就是一个大型位数组和几个不同的无偏hash函数，无偏表示分布均匀。由一个初值为零的bit数组和多个哈希函数组成，用来判断某个数据是否存在，它和HyperLogLog一样，不是那么的精准，存在一定的误判概率。
二、布隆过滤器BloomFilter能干嘛？
高效地插入和查询，占用空间少，返回的结果是不确定的，一个元素如果判断结果为存在，它不一定存在；不存在时，一定不存在。
因为不同的字符串的hashcode可能相同，布隆过滤器BloomFilter是根据hashcode判断的，如果某个hashcode存在，它对应的字符串不一定是你想要的那个字符串；但是，hashcode不存在时，你所要的字符串，肯定不存在，细品~
布隆过滤器BloomFilter只能添加元素，不能删除元素。
这和上面提到的hashcode判定原理是一样的，相同hashcode的字符串会存储在一个index，删除时，是将某个index移除，此时，就可能移除拥有相同hashcode的不同字符串，细品~
三、布隆过滤器使用场景
1、解决缓存穿透问题
一般情况下，先查询Redis缓存，如果Redis中没有，再查询MySQL。当数据库中也不存在这条数据时，每次查询都要访问数据库，这就是缓存穿透。
在Redis前面添加一层布隆过滤器，请求先在布隆过滤器中判断，如果布隆过滤器不存在时，直接返回，不再反问Redis和MySQL。
如果布隆过滤器中存在时，再访问Redis，再访问数据库。
完美解决缓存穿透问题。
2、黑名单
如果黑名单非常大，上千万了，存放起来很耗费空间，在布隆过滤器中实现黑名单功能，是一个很好的选择。
3、网页爬虫对URL的去重，避免爬取相同的URL地址
四、操作布隆过滤器BloomFilter
1、使用布隆过滤器
（1）初始化bitmap
布隆过滤器 本质上 是由长度为 m 的位向量或位列表（仅包含 0 或 1 位值的列表）组成，最初所有的值均设置为 0。
（2）添加key
使用多个hash函数对key进行hash运算，得到一个整数索引值，对位数组长度进行取模运算得到一个位置，每个hash函数都会得到一个不同的位置，将这几个位置的值置为1就表示添加成功。
例如，我们添加一个字符串“哪吒编程”，对字符串进行多次hash(key) → 取模运行→ 得到坑位。
2、删除key
只要有其中一位是零就表示这个key不存在，但如果都是1，则不一定存在对应的key。
3、判断是否存在
向布隆过滤器查询某个key是否存在时，先把这个 key 通过相同的多个 hash 函数进行运算，查看对应的位置是否都为 1，
只要有一个位为零，那么说明布隆过滤器中这个 key 不存在；
如果这几个位置全都是 1，那么说明极有可能存在；
因为这些位置的 1 可能是因为其他的 key 存在导致的，也就是前面说过的hash冲突
五、代码实例
1、使用Redis做缓存
public class StudentSerivce {
public static final String CACHE_KEY = "student:";
@Resource
private StudentMapper studentMapper;
@Resource
private RedisTemplate redisTemplate;
public void addstudent(Student student){
int i = studentMapper.insertStudent(student);
if(i > 0)
{
//到数据库里面，重新捞出新数据出来，做缓存
student=studentMapper.selectByKey(student.getId());
//缓存key
String key=CACHE_KEY+student.getId();
//往mysql里面插入成功随后再从mysql查询出来，再插入redis
redisTemplate.opsForValue().set(key,student);
}
}
public Student findstudentById(Integer studentId){
Student student = null;
String key=CACHE_KEY+studentId;
// 查询redis
student = (Student) redisTemplate.opsForValue().get(key);
// redis没有，查询mysql
if(student==null){
// 从mysql查出来student
student=studentMapper.selectByPrimaryKey(studentId);
// mysql有，redis没有
if (student != null) {
// mysql的数据写入redis
redisTemplate.opsForValue().set(key,student);
}
}
return student;
}
}2、布隆过滤器
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;
/**
* 布隆过滤器 -> redis -> mysql
* @autor 哪吒编程
* @date 2023-04-17
*/
@Service
public class StudentServiceImpl implements StudentService {
public static final String CACHE_KEY = "student:";
@Autowired
private StudentMapper studentMapper;
@Autowired
private RedisTemplate redisTemplate;
public void addstudent(student student){
int i = studentMapper.insertSelective(student);
if(i > 0) {
//到数据库里面，重新捞出新数据出来，做缓存
student=studentMapper.selectByPrimaryKey(student.getId());
//缓存key
String key=CACHE_KEY+student.getId();
//往mysql里面插入成功随后再从mysql查询出来，再插入redis
redisTemplate.opsForValue().set(key,student);
}
}
public student findstudentById(Integer studentId){
student student = null;
//缓存key的名称
String key=CACHE_KEY+studentId;
// 查询redis
student = (student) redisTemplate.opsForValue().get(key);
//redis没有，查询mysql
if(student==null) {
student=studentMapper.selectByPrimaryKey(studentId);
// mysql有，redis没有
if (student != null) {
// 把mysql捞到的数据写入redis
redisTemplate.opsForValue().set(key,student);
}
}
return student;
}
/**
* BloomFilter -> redis -> mysql
* 白名单：whites
*/
public student findStudentByIdWithBloomFilter (Integer studentId) {
student student = null;
String key = CACHE_KEY + studentId;
//布隆过滤器校验，无是绝对无，有是可能有
if(!checkWithBloomFilter("whites",key)) {
log.info("白名单无此顾客信息:{}",key);
return null;
}
//查询redis
student = (Student) redisTemplate.opsForValue().get(key);
//redis没有，查询mysql
if (student == null) {
student = studentMapper.selectByPrimaryKey(studentId);
// mysql有，redis没有
if (student != null) {
// 把mysql捞到的数据写入redis
redisTemplate.opsForValue().set(key, student);
}
}
return student;
}
/**
* 查询布隆过滤器中是否存在
*/
public boolean checkWithBloomFilter(String checkItem,String key) {
int hashValue = Math.abs(key.hashCode());
long index = (long) (hashValue % Math.pow(2, 32));
return redisTemplate.opsForValue().getBit(checkItem, index);
}
}六、总结
- 有，是可能有；无，是肯定无。
- 使用时z，初始化值尽可能满足实际元素长度，避免扩容。
- 当实际元素数量超过初始长度时，应该对布隆过滤器进行重建，再将所有的历史元素批量添加进去。
本文转载自微信公众号「哪吒编程」，可以通过以下二维码关注。转载本文请联系哪吒编程公众号。
