找回密码
 立即注册
  • QQ空间
  • 回复
  • 收藏

漫画算法:什么是布隆算法?

admin 2019-11-7 16:58 81人围观 C++相关



漫画算法教程持续更新中

跟程序员小灰学算法之Day21

作者 | 程序员小灰

来源 | 公众号「程序员小灰」









两周之前——







爬虫的原理就不细说了,无非是通过种子URL来顺藤摸瓜,爬取出网站关联的所有的子网页,存入自己的网页库当中。



但是,这其中涉及到一个小小的问题......





URL去重方案第一版:HashSet

创建一个HashSet集合,把每一个URL字符串作为HashSet的key插入到集合当中,利用HashSet的Key唯一性来对URL做去重。



这个方案看似没毛病,但是经过几轮压测之后......



每一个URL按照20字节来算,一亿个URL就是20亿字节,也就是大约占了1.8G以上的空间。这么大的HashSet集合显然是不可取的。

于是小灰又思考了一番......



URL去重方案第二版:Bitmap

Bitmap是一种节省空间的数据结构,不太了解的朋友可以看看往期的相关文章:

漫画:Bitmap算法 整合版

具体怎么做呢?获取每一个URL的HashCode,根据HashCode的值来插入到Bitmap的对应位置。如果要插入位置的值已经是1,说明该URL已重复。



使用Bitmap以后,每一个Url只占了1个Bit,一亿个Url占约12MB。假设整个Bitmap的空隙比较多,额外空间占90%,总空间也不过是120MB,相比HashSet来说大大节省了内存空间。

这个方案貌似好了很多,可是......



String的Hashcode方法虽然尽可能做到均匀分布,但仍然免不了会有冲突的情况。HashCode的冲突意味着什么呢?意味着两个原本并不相同的Url被误判为重复Url。



———————————————

























听起来有点绕,我们来详细描述一下:

1.把第一个URL按照三种Hash算法,分别生成三个不同的Hash值。



2.把第二个URL也按照三种Hash算法,分别生成三个不同的Hash值。



3.依次比较每一个Hash结果,只有当全部结果都相等时,才判定两个URL相同。







具体怎样映射呢?流程如下:

1.创建一个空的Bitmap集合。



2.把第一个URL按照三种Hash算法,分别生成三个不同的Hash值。



3.分别判断5,17, 9 在Bitmap的对应位置是否为1,只要不同时为1,就认为该Url没有重复,于是把5,17,9的对应位置设置为1。



4.把第二个URL按照三种Hash算法,分别生成三个不同的Hash值。



5.分别判断10,12, 9 在Bitmap的对应位置是否为1,只要不同时为1,就认为该Url没有重复,于是把10,12, 9 的对应位置设置为1。



6.把第三个URL按照三种Hash算法,分别生成三个不同的Hash值。



7.分别判断4,16, 11 在Bitmap的对应位置是否为1,只要不同时为1,就认为该Url没有重复,于是把4,16, 11 的对应位置设置为1。



8.把第四个URL按照三种Hash算法,分别生成三个不同的Hash值。



9.分别判断5,17, 9 在Bitmap的对应位置是否为1。判断的结果是 5,17, 9 在Bitmap对应位置的值都是1,所以判定该Url是一个重复的Url。







1.URL按照三个Hash算法得到三个结果。



2.分别判断10,12, 17 在Bitmap的对应位置是否为1。判断的结果是 10,12, 17 在Bitmap对应位置的值都是1,所以判定该Url是一个重复的Url。

















—————END—————

世界总是奖励那些悄悄努力的人



给萌萌小灰点在看❤️

----------------------------------------------------------------------------------------------------------------------
我们尊重原创,也注重分享,文章来源于微信公众号:程序媛不是程序猿,建议关注公众号查看原文。如若侵权请联系qter@qter.org。
----------------------------------------------------------------------------------------------------------------------

鲜花

握手

雷人

路过

鸡蛋

yafeilinux和他的朋友们微信公众号二维码

微信公众号

专注于Qt嵌入式Linux开发等。扫一扫立即关注。

Qt开源社区官方QQ群二维码

QQ交流群

欢迎加入QQ群大家庭,一起讨论学习!

我有话说......