Update bloom-filter.md

Author: azl397985856

thinkings/bloom-filter.md

@@ -1,43 +1,53 @@
 ## 场景
+
 假设你现在要处理这样一个问题，你有一个网站并且拥有`很多`访客，每当有用户访问时，你想知道这个ip是不是第一次访问你的网站。
 
 ### hashtable 可以么
-一个显而易见的答案是将所有的 IP 用hashtable存起来，每次访问都去 hashtable 中取，然后判断即可。但是题目说了网站有`很多`访客，
-假如有10亿个用户访问过，假设 IP 是 IPV4， 那么每个 IP 的长度是 4 byte，那么你一共需要4 * 1000000000 = 4000000000Bytes = 4G , 如果是判断URL黑名单，由于每个 UR L会更长，那么需要的空间可能会远远大于你的期望。
+
+一个显而易见的答案是将所有的 IP 用 hashtable 存起来，每次访问都去 hashtable 中取，然后判断即可。但是题目说了网站有`很多`访客，
+假如有10亿个用户访问过，假设 IP 是 IPV4， 那么每个 IP 的长度是 4 byte，那么你一共需要4 * 1000000000 = 4000000000Bytes = 4G 。
+
+如果是判断 URL 黑名单，由于每个 URL 会更长（可能远大于上面 IPV4 地址的 4 byte），那么需要的空间可能会远远大于你的期望。
 
 ### bit
-另一个稍微难想到的解法是bit， 我们知道bit有0和1两种状态，那么用来表示存在，不存在再合适不过了。
 
-加入有10亿个ip，我们就可以用10亿个bit来存储，那么你一共需要 1 * 1000000000 = (4000000000 / 8) Bytes = 128M, 变为原来的1/32,
-如果是存储URL这种更长的字符串，效率会更高。 
+另一个稍微难想到的解法是bit， 我们知道bit有 0 和 1 两种状态，那么用来表示**存在**与**不存在**再合适不过了。
+
+假如有 10 亿个 IP，就可以用 10 亿个 bit 来存储，那么你一共需要 1 * 1000000000 = (4000000000 / 8) Bytes = 128M, 变为原来的1/32, 如果是存储URL这种更长的字符串，效率会更高。 问题是，我们怎么把 IPV4 和 bit 的位置关联上呢？
 
-基于这种想法，我们只需要两个操作，set(ip) 和 has(ip)
+比如`192.168.1.1` 应该是用第几位表示，`10.18.1.1` 应该是用第几位表示呢？ 答案是使用哈希函数。
+
+基于这种想法，我们只需要两个操作，set(ip) 和 has(ip)，以及一个内置函数 hash(ip) 用于将 IP 映射到 bit 表。
 
 这样做有两个非常致命的缺点：
 
 1. 当样本分布极度不均匀的时候，会造成很大空间上的浪费
 
-> 我们可以通过散列函数来解决
+> 我们可以通过优化散列函数来解决
 
 2. 当元素不是整型（比如URL）的时候，BitSet就不适用了
 
 > 我们还是可以使用散列函数来解决， 甚至可以多hash几次
 
 ### 布隆过滤器
 
-布隆过滤器其实就是`bit + 多个散列函数`,  如果经过多次散列的值再bit上都为1，那么可能存在(可能有冲突)。 如果
-有一个不为1，那么一定不存在（一个值经过散列函数得到的值一定是唯一的），这也是布隆过滤器的一个重要特点。
+布隆过滤器其实就是`bit + 多个散列函数`。多次 hash(ip) 会生成多个索引。 如果经过多次散列的值在 bit 上都为 1，那么认为其**可能存在**(因为有冲突的可能)。 如果有一个不为1，那么**一定不存在**（一个值经过散列函数得到的值一定是唯一的），这也是布隆过滤器的一个重要特点。
 
 ![bloom-filter-url](../assets/thinkings/bloom-filter-url.png)
 
+也就是说布隆过滤器回答了：**可能存在** 和 **一定不存在** 的问题。
+
+由于没有 hashtable 的100% 可靠性，因此这本质上是一种**可靠性换取空间的做法**。
+
 ### 布隆过滤器的应用
 
 1. 网络爬虫
+
 判断某个URL是否已经被爬取过
 
 2. K-V数据库 判断某个key是否存在
 
-比如Hbase的每个Region中都包含一个BloomFilter，用于在查询时快速判断某个key在该region中是否存在。
+比如 Hbase 的每个 Region 中都包含一个 BloomFilter，用于在查询时快速判断某个 key 在该 region 中是否存在。
 
 3. 钓鱼网站识别