我正在寻找Python中的生产质量Bloom过滤器实现,以处理相当多的项目(例如100M到1B的项目,其误报率为0.01%)。
Pybloom是一个选项,但是它似乎正在显示它的年龄,因为它会定期在Python 2.5上引发DeprecationWarning错误。乔·格雷戈里奥(Joe Gregorio)也有an implementation。
要求是快速查找性能和稳定性。我也愿意为特别好的c / c ++实现创建Python接口,如果有很好的Java实现,甚至可以对Jython开放。
缺少这一点,关于可以处理约16E9位的位阵列/位向量表示形式的任何建议吗?
我最近也走这条路;虽然听起来我的应用程序略有不同。我对近似大量字符串的set操作很感兴趣。
您确实观察到需要fast位向量。根据您要在Bloom过滤器中放置的内容,您可能还需要考虑使用的哈希算法的速度。您可能会发现此library有用。您可能还想修改下面使用的随机数技术,该技术只会对密钥进行一次哈希处理。
就非Java位数组实现而言:
我使用BitVector构建了我的Bloom过滤器。我花了一些时间来分析和优化库,然后将补丁发布回Avi。转到该BitVector链接,然后向下滚动到v1.5中的确认以查看详细信息。最后,我意识到性能不是该项目的目标,因此决定不使用它。
这里有一些我所躺在的代码。我可能会把它放在python-bloom的Google代码上。欢迎提出建议。
from BitVector import BitVector
from random import Random
# get hashes from http://www.partow.net/programming/hashfunctions/index.html
from hashes import RSHash, JSHash, PJWHash, ELFHash, DJBHash
#
# [email protected] / www.asciiarmor.com
#
# copyright (c) 2008, ryan cox
# all rights reserved
# BSD license: http://www.opensource.org/licenses/bsd-license.php
#
class BloomFilter(object):
def __init__(self, n=None, m=None, k=None, p=None, bits=None ):
self.m = m
if k > 4 or k < 1:
raise Exception('Must specify value of k between 1 and 4')
self.k = k
if bits:
self.bits = bits
else:
self.bits = BitVector( size=m )
self.rand = Random()
self.hashes = []
self.hashes.append(RSHash)
self.hashes.append(JSHash)
self.hashes.append(PJWHash)
self.hashes.append(DJBHash)
# switch between hashing techniques
self._indexes = self._rand_indexes
#self._indexes = self._hash_indexes
def __contains__(self, key):
for i in self._indexes(key):
if not self.bits[i]:
return False
return True
def add(self, key):
dupe = True
bits = []
for i in self._indexes(key):
if dupe and not self.bits[i]:
dupe = False
self.bits[i] = 1
bits.append(i)
return dupe
def __and__(self, filter):
if (self.k != filter.k) or (self.m != filter.m):
raise Exception('Must use bloom filters created with equal k / m paramters for bitwise AND')
return BloomFilter(m=self.m,k=self.k,bits=(self.bits & filter.bits))
def __or__(self, filter):
if (self.k != filter.k) or (self.m != filter.m):
raise Exception('Must use bloom filters created with equal k / m paramters for bitwise OR')
return BloomFilter(m=self.m,k=self.k,bits=(self.bits | filter.bits))
def _hash_indexes(self,key):
ret = []
for i in range(self.k):
ret.append(self.hashes[i](key) % self.m)
return ret
def _rand_indexes(self,key):
self.rand.seed(hash(key))
ret = []
for i in range(self.k):
ret.append(self.rand.randint(0,self.m-1))
return ret
if __name__ == '__main__':
e = BloomFilter(m=100, k=4)
e.add('one')
e.add('two')
e.add('three')
e.add('four')
e.add('five')
f = BloomFilter(m=100, k=4)
f.add('three')
f.add('four')
f.add('five')
f.add('six')
f.add('seven')
f.add('eight')
f.add('nine')
f.add("ten")
# test check for dupe on add
assert not f.add('eleven')
assert f.add('eleven')
# test membership operations
assert 'ten' in f
assert 'one' in e
assert 'ten' not in e
assert 'one' not in f
# test set based operations
union = f | e
intersection = f & e
assert 'ten' in union
assert 'one' in union
assert 'three' in intersection
assert 'ten' not in intersection
assert 'one' not in intersection
而且,对于我来说,我发现为BitVector提供更快的count_bits函数很有用。将此代码放到BitVector 1.5中,它将为您提供性能更高的位计数方法:
def fast_count_bits( self, v ):
bits = (
0, 1, 1, 2, 1, 2, 2, 3, 1, 2, 2, 3, 2, 3, 3, 4,
1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,
1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,
2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,
1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,
2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,
2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,
3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,
1, 2, 2, 3, 2, 3, 3, 4, 2, 3, 3, 4, 3, 4, 4, 5,
2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,
2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,
3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,
2, 3, 3, 4, 3, 4, 4, 5, 3, 4, 4, 5, 4, 5, 5, 6,
3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,
3, 4, 4, 5, 4, 5, 5, 6, 4, 5, 5, 6, 5, 6, 6, 7,
4, 5, 5, 6, 5, 6, 6, 7, 5, 6, 6, 7, 6, 7, 7, 8 )
return bits[v & 0xff] + bits[(v >> 8) & 0xff] + bits[(v >> 16) & 0xff] + bits[v >> 24]
对Parand的回应是,“通常的做法似乎是使用SHA1之类的东西,然后将这些位分解成多个散列”,尽管从某种意义上说这是正确的做法(PyBloom也使用它)并不意味着这样做是正确的;-)
对于Bloom过滤器,哈希函数的唯一要求是,在给定预期输入的情况下,其输出空间必须均匀分布。尽管加密散列确实可以满足此要求,但也有点像用火箭筒射击苍蝇。
而不是尝试FNV Hash,它仅对每个输入字节使用一个XOR和一个乘法,我估计它比SHA1快几百倍:)
FNV哈希不是加密安全的,但是您不需要这样做。它稍有imperfect avalanche behaviour,但您也没有将其用于完整性检查。
关于一致性,请注意,第二个链接仅对32位FNV哈希执行卡方检验。最好使用更多的位和FNV-1变体,该变体交换XOR和MUL步骤以获得更好的位分散。对于布隆过滤器,还有更多的陷阱,例如将输出均匀地映射到位阵列的索引范围。如果可能的话,我想将位数组的大小四舍五入到最接近的2的幂并相应地调整k。这样,您可以获得更好的准确性,并且可以使用简单的XOR折叠来映射范围。
此外,这里有参考资料,解释了当您需要a general purpose hash时为什么不希望使用SHA1(或任何加密哈希)。
最终我找到了pybloomfiltermap。我没有用过,但是看起来很合适。
查看array模块。
class Bit( object ):
def __init__( self, size ):
self.bits= array.array('B',[0 for i in range((size+7)//8)] )
def set( self, bit ):
b= self.bits[bit//8]
self.bits[bit//8] = b | 1 << (bit % 8)
def get( self, bit ):
b= self.bits[bit//8]
return (b >> (bit % 8)) & 1
FWIW,所有//8
和% 8
操作都可以用>>3
和&0x07
代替。这[[may可能会导致速度稍有提高,但有可能会造成混淆。
'B'
和8
更改为'L'
和32
应该更快。 [在某些硬件上,更改为'H'
和16可能会更快,但这值得怀疑。]它在纯python中,具有良好的哈希函数,良好的自动化测试,可选的后端(磁盘,数组,mmap等),以及__init__
方法的更直观的参数,因此您可以指定理想数量的元素并所需的最大错误率,而不是有些空洞的,特定于数据结构的可调参数。
看起来像2019年底最受欢迎的
maintained Bloom过滤器包,现在是这个:https://github.com/joseph-fox/python-bloomfilter,可以在PyPi上以pybloom_live的形式获得:https://pypi.org/project/pybloom_live/
尽管我的兴趣与语言无关,但我想分享我写的关于Bloom过滤器变体以及Bloom过滤器应用的文章。
http://appolo85.wordpress.com/2010/08/03/bloom-filter/
我很想了解更多有关Bloom过滤器变体的用例,其设计/实现以及其他语言的库的信息。
您是否认为大多数出版物以及Bloom过滤器变体上的(代码?)仅用于增加博士学位毕业生的已发表论文数量?还是大多数人不希望使用“可以正常工作”的可用于生产的标准布隆过滤器实现,:D