import hashlib
from bitarray import bitarray
class BloomFilter:
def __init__(self, size, hash_count):
self.size = size
self.hash_count = hash_count
self.bit_array = bitarray(size)
self.bit_array.setall(0)
def add(self, item):
for i in range(self.hash_count):
digest = hashlib.md5((str(item) + str(i)).encode()).hexdigest()
index = int(digest, 16) % self.size
self.bit_array[index] = 1
def contains(self, item):
for i in range(self.hash_count):
digest = hashlib.md5((str(item) + str(i)).encode()).hexdigest()
index = int(digest, 16) % self.size
if not self.bit_array[index]:
return False
return True
def deduplicate_large_file(input_file, output_file):
# 布隆过滤器参数:10亿位,7个哈希函数(误判率约0.008%)
bloom = BloomFilter(size=1000000000, hash_count=7)
with open(input_file, 'r', encoding='utf-8') as f_in, \
open(output_file, 'w', encoding='utf-8') as f_out:
for line in f_in:
url = line.strip()
if not bloom.contains(url):
bloom.add(url)
f_out.write(line)
# 使用
deduplicate_large_file('urls.txt', 'deduplicated_urls.txt')
一个简单的内存布隆过滤器
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。
相关阅读更多精彩内容
- 在之前的一篇文章中,我们已经深入理解了布隆过滤器的基本原理,并且了解到它在缓存系统中有较多的应用。Redis提供的...
- 开场白:认识这位「内存魔法师」 想象一下,你是一个图书管理员,面对一个超级大图书馆,每天有成千上万的读者来问你:「...
- 布隆过滤器是一种数据结构,可以用于在大规模系统中进行高效的查找和过滤操作。它通过牺牲一定的准确性来换取内存的节省和...
- 布隆过滤器是一种数据结构,可以用于在大规模系统中进行高效的查找和过滤操作。它通过牺牲一定的准确性来换取内存的节省和...
- 布隆过滤器是一种数据结构,可以用于在大规模系统中进行高效的查找和过滤操作。它通过牺牲一定的准确性来换取内存的节省和...