使用bloomfilter

package bloom;

/**
 * 项目名：SpiderCrawler
 * 文件名：BloomFilterTest.java
 * 作者：zhouyh
 * 时间：2014-8-29 下午02:54:56
 * 描述：TODO(用一句话描述该文件做什么)
 */
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.BitSet;
import java.util.Scanner;

/**
* 描述： 布隆过滤器，传统的布隆过滤器不支持从集合中删除成员
*/
public class BloomFilterTest {
	//DEFAULT_SIZE为2的29次方，即此处的左移28位
	private static final int DEFAULT_SIZE = 2<<28;
	/*
	 * 不同哈希函数的种子，一般取质数
	 * seeds数组共有8个值，则代表采用8种不同的哈希函数
	 */
	private int[] seeds = new int[]{3, 5, 7, 11, 13, 31, 37, 61};
	/*
	 * 初始化一个给定大小的位集
	 * BitSet实际是由“二进制位”构成的一个Vector。
	 * 假如希望高效率地保存大量“开－关”信息，就应使用BitSet.
	 */
	private BitSet bitSets = new BitSet(DEFAULT_SIZE);
	//构建hash函数对象
	private SimpleHash[] hashFuns = new SimpleHash[seeds.length];
	//布隆过滤器配置文件存放路径
	private String path = "";

	public BloomFilterTest(String path){
		/**
		 *  给出所有的hash值，共计seeds.length个hash值。共8位。
		 *  通过调用SimpleHash.hash(),可以得到根据8种hash函数计算得出hash值。
		 *  传入DEFAULT_SIZE(最终字符串的长度），seeds[i](一个指定的质数)即可得到需要的那个hash值的位置。
		 */
		for(int i=0; i<seeds.length; i++){
			hashFuns[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]);
		}
		//配置文件路径地址
		this.path = path;
	}
	/**
	 * 描述：将给定的字符串标记到bitSets中，即设置字符串的8个函数值的位置为1
	 */
	public synchronized void add(String value){
		for(SimpleHash hashFun : hashFuns){
			bitSets.set(hashFun.hash(value), true);
		}
	}
	/**
	 * 描述：判断给定的字符串是否已经存在在bloofilter中，如果存在返回true，不存在返回false
	 */
	public synchronized boolean isExit(String value){
		//判断传入的值是否为null
		if(null == value){
			return false;
		}

		for(SimpleHash hashFun : hashFuns){
			if(!bitSets.get(hashFun.hash(value))){
				//如果判断8个hash函数值中有一个位置不存在即可判断为不存在Bloofilter中
				return false;
			}
		}

		return true;
	}

	/**
	 * 描述：读取配置文件
	 */
	public void init(){
		File file = new File(path);
		FileInputStream in = null;
		try {
			in = new FileInputStream(file);
			long lt = System.currentTimeMillis();
			read(in);
			System.out.println(System.currentTimeMillis()-lt);
			System.out.println(Runtime.getRuntime().totalMemory());
		}catch(Exception e){
			e.printStackTrace();
		}finally{
			try {
				if(in!=null){
					in.close();
					in = null;
				}
			} catch (IOException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			}
		}
	}

	/**
	 * 描述：根据传入的流，初始化bloomfilter
	 */
	private void read(InputStream in){
		if(null == in){	//如果in为null，则返回
			return;
		}

		int i = 0;
		InputStreamReader reader = null;

		try {
			//创建输入流
			reader = new InputStreamReader(in, "UTF-8");
			BufferedReader buffReader = new BufferedReader(reader, 512);
			String theWord = null;
			do {
				i++;
				theWord = buffReader.readLine();
				//如果theWord不为null和空，则加入Bloomfilter中
				if(theWord!=null && !theWord.trim().equals("")){
					add(theWord.split("	")[1]);
//					System.out.println(theWord.split("	")[1]);
				}
				if(i%10000 == 0){
//					System.out.println(i);
//					System.out.println(theWord.split("	")[1]);
				}
				if(i%1000000 == 0){
					System.out.println(i);
					break;
				}

			} while (theWord != null);

		} catch (IOException e){
			e.printStackTrace();
		} finally{
			//关闭流
			try {
				if(reader != null){
					reader.close();
					reader = null;
				}
				if(in != null){
					in.close();
					in = null;
				}
			} catch (IOException e) {
				// TODO: handle exception
				e.printStackTrace();
			}

		}
	}

	/**
	 * 描述：TODO(这里用一句话描述这个方法的作用)
	 */
	public static void main(String[] args) {
		// TODO Auto-generated method stub
		BloomFilterTest bloomFilterTest = new BloomFilterTest("D:\\学习\\实验室项目\\ImageNet图片爬取\\fall11_urls.txt");
		bloomFilterTest.init();

		Scanner sc = new Scanner(System.in);   

		while(true){
			System.out.println("输入网址：");
			String s = sc.nextLine();
			System.out.println(bloomFilterTest.isExit(s));
		}
//		test();
//		System.out.println(Integer.toBinaryString(DEFAULT_SIZE-1));
	}
	public static void test(){
		int tt1 = 2<<28;
		int tt2 = 2<<29;
		int tt3 = 2<<30;
		int tt4 = 2<<1;
		System.out.println(Integer.toBinaryString(tt1)+" "+Integer.toBinaryString(tt1).length());
		System.out.println(Integer.toBinaryString(tt2)+" "+Integer.toBinaryString(tt2).length());
		System.out.println(Integer.toBinaryString(tt3-1)+" "+Integer.toBinaryString(tt3).length());
		System.out.println(Integer.toBinaryString(tt4)+" "+Integer.toBinaryString(tt4).length());
		BitSet b = new BitSet(tt3);
	}
	public static class SimpleHash {
		/*
		 * cap为DEFAULT_SIZE，即用于结果的最大字符串的值
		 * seed为计算hash值的一个key值，具体对应上文中的seeds数组
		 */
		private int cap;
		private int seed;
		/**
		 * 构造函数
		 */
		public SimpleHash(int cap, int seed){
			this.cap = cap;
			this.seed = seed;
		}
		/**
		 * 描述：计算hash的函数，用户可以选择其他更好的hash函数
		 */
		public int hash(String value){
			int result = 0;
			int length = value.length();
			for(int i=0; i<length; i++){
				result = seed*result + value.charAt(i);
			}
			//011..11共32位，故&运算以后可以取后31位
			return (cap-1) & result;
		}
	}

}

此处应该注意Bitset最多只有32位

根据别人的数据适当选择大小