深入浅出Redis（十一）：Redis四种高级数据结构：Geosptial、Hypeloglog、Bitmap、Bloom Filter布隆过滤器

最新推荐文章于 2024-12-05 19:33:37 发布
原创 最新推荐文章于 2024-12-05 19:33:37 发布 · 781 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Java #后端 #面试

引言

Redis提供丰富的数据结构来解决各种场景下的问题，前段时间的一篇文章深入浅出Redis（一）：对象与数据结构已经深入浅出的说明Redis中的常用基础对象与数据结构

本篇文章将作为那篇文章的补充，深入浅出的解析另外四种数据结构：Geospatial、Hyperloglog、Bitmap以及Bloom Filter布隆过滤器

Geospatial

Geospatial 是一种能够解决地理空间相关场景下的数据结构，它提供的命令能够容易实现两地距离、附近的人等功能

Geospatial 使用GeoHash算法，底层实现使用zset对象 因此也可以使用Zset命令

geoadd 添加

geoadd key 经度 纬度 名称

将指定的地理空间位置（纬度、经度、名称）添加到指定的key中（可添加多个）

有效的经度从-180度到180度

有效的纬度从-85.05112878度到85.05112878度

超出上述经纬度会报错

 127.0.0.1:6379> geoadd china:city 116.23 40.22 beijing 
 (integer) 1
 127.0.0.1:6379> geoadd china:city 121.48 31.40 shanghai 113.88 22.55 shenzhen 104.10 30.65 chendu
 (integer) 3

geopos 获取

geopos key 成员名...

从key里返回所有给定位置元素的位置（经度和纬度）

 127.0.0.1:6379> geopos china:city beijing shenzhen
 1) 1) "116.23000055551528931"
    2) "40.2200010338739844"
 2) 1) "113.87999922037124634"
    2) "22.5500010475923105"

geodist 位置间的距离

geodist key member1 member2 [unit]

返回两个给定位置之间的距离

单位：（默认米）：m 表示单位为米，km表示单位为千米，mi 表示单位为英里，ft 表示单位为英尺

 127.0.0.1:6379> geodist china:city beijing shenzhen
 "1977782.5112"
 127.0.0.1:6379> geodist china:city beijing shenzhen km
 "1977.7825"

georadius 以某点为中心，查找周围x半径之内的member（附近的人）

georadius key longitude latitude radius m|km|ft|mi [withcoord] [withdist] [count]

以给定的经纬度为中心， 返回键包含的位置元素当中， 与中心的距离不超过给定最大距离的所有位置元素

withcoord：获得经纬度坐标

withdist：找到的元素距离中心点的距离

count：限制查到的个数

 #以经纬度 110，30为中心，半径1500km的范围内的成员
 127.0.0.1:6379> georadius china:city 110 30 1500 km 
 1) "chendu"
 2) "shenzhen"
 3) "shanghai"
 4) "beijing"
 #以经纬度 110，30为中心，半径1500km的范围内的成员 列出成员坐标经纬度
 127.0.0.1:6379> georadius china:city 110 30 1500 km withcoord
 1) 1) "chendu"
    2) 1) "104.09999996423721313"
       2) "30.6499990746355806"
 2) 1) "shenzhen"
    2) 1) "113.87999922037124634"
       2) "22.5500010475923105"
 3) 1) "shanghai"
    2) 1) "121.48000091314315796"
       2) "31.40000025319353938"
 4) 1) "beijing"
    2) 1) "116.23000055551528931"
       2) "40.2200010338739844"
  #以经纬度 110，30为中心，半径1500km的范围内的成员 列出成员坐标经纬度和成员到中心直线距离
 127.0.0.1:6379> georadius china:city 110 30 1500 km withcoord withdist
 1) 1) "chendu"
    2) "570.9717"
    3) 1) "104.09999996423721313"
       2) "30.6499990746355806"
 2) 1) "shenzhen"
    2) "914.3335"
    3) 1) "113.87999922037124634"
       2) "22.5500010475923105"
 3) 1) "shanghai"
    2) "1108.3830"
    3) 1) "121.48000091314315796"
       2) "31.40000025319353938"
 4) 1) "beijing"
    2) "1269.3568"
    3) 1) "116.23000055551528931"
       2) "40.2200010338739844"
 #以经纬度 110，30为中心，半径1500km的范围内的成员 列出成员坐标经纬度 限制只查询一个（直线距离最近的）      
 127.0.0.1:6379> georadius china:city 110 30 1500 km withcoord count 1
 1) 1) "chendu"
    2) 1) "104.09999996423721313"
       2) "30.6499990746355806"
  #以经纬度 110，30为中心，半径1500km的范围内的成员 列出成员坐标经纬度 限制只查询俩个（直线距离最近的）  
 127.0.0.1:6379> georadius china:city 110 30 1500 km withcoord count 2
 1) 1) "chendu"
    2) 1) "104.09999996423721313"
       2) "30.6499990746355806"
 2) 1) "shenzhen"
    2) 1) "113.87999922037124634"
       2) "22.5500010475923105"

georadiusbymember （与georadius类似，它是以member为中心的）

georadiusbymember key member radius m|km|ft|mi [withcoord] [withdist] [count]

这个命令和 georadius命令一样， 都可以找出位于指定范围内的元素， 但是 georadiusbymember 的中心点是由给定的位置元素决定的

 #以beijing为中心 1500km为半径 查找的成员（会查到自己）
 127.0.0.1:6379> georadiusbymember china:city beijing 1500 km
 1) "shanghai"
 2) "beijing"

geohash

geohash key member...

该命令将返回11个字符的Geohash字符串

 # 深圳与成都
 127.0.0.1:6379> geohash china:city shenzhen chendu
 1) "ws0br3hgk20"
 2) "wm6n2gem1v0"
 ​
 # 东莞与深圳
 127.0.0.1:6379> geohash china:city dongguan shenzhen
 1) "ws0fuqwjpn0"
 2) "ws0br3hgk20"

将二维经纬度转化为一维字符串，如果俩个成员距离越近，字符串就会越相似

通过Zset指令来操作geo（因为geo底层实现原理就是Zset）

 127.0.0.1:6379> zrange china:city 0 -1
 1) "chendu"
 2) "shenzhen"
 3) "dongguan"
 4) "shanghai"
 5) "beijing"
 127.0.0.1:6379> zrem china:city dongguan
 (integer) 1
 127.0.0.1:6379> zrange china:city 0 -1
 1) "chendu"
 2) "shenzhen"
 3) "shanghai"
 4) "beijing"

Hyperloglog

在数据量特别大的情况下，想要统计数量可以选择用哈希表实现的set存储（能够去重），但是哈希表是空间换时间的数据结构，这种情况下会浪费大量空间

hyperloglog使用基数统计算法，用固定且少量的空间，能够实现统计计数，但缺点是有0.81%的错误率

A={1,2,4,5,6,1}

B={1,2,4,5,6}

基数=5（不重复的元素）

命令

  • 存: pfadd key element...将指定元素添加到hyperloglog
  • 读: pfcount key...统计hyperloglog中的基数数量（一个hyperloglog时）或并集数量（多个hyperloglog时）
  • 合并:pfmerge destkey sourcekey...将多个hyperloglog合并成一个hyperloglog并返回并集数量
 127.0.0.1:6379> pfadd mykey a b c d e f g 
 (integer) 1
 127.0.0.1:6379> pfcount mykey
 (integer) 7
 127.0.0.1:6379> pfadd mykey2 a b c d e f g h i j
 (integer) 1
 127.0.0.1:6379> pfcount mykey mykey2
 (integer) 10
 127.0.0.1:6379> pfmerge newkey mykey2  mykey
 OK
 127.0.0.1:6379> pfcount newkey
 (integer) 10

Bitmap

Bitmap使用位数组中的二进制来进行 状态统计 （只有 0 1）

Bitmap能够有效的大数据量下进行只有俩个状态的统计

比如：统计只有俩个状态的用户信息（活跃，不活跃。登录，未登录。打卡，未打卡）

使用

  • setbit key offset value设置key在offset处的bit值（0/1）

  • getbit key offset 获得key在offset处的bit值（0/1）

  • bitcount key 统计key中有多少位1

  • 模拟电影是否被点播情况 key->日期 offset->（电影ID）value->(0为未点播，1为点播)

    • 统计每天某部电影是否被点播 getbit 日期 电影ID
    • 统计每天有多少部电影被点播 bitcount 日期
    • 统计每周/月/年有多少部电影被点播 bitop or 每周日期 记录值后可统计每月，每年 或
    • 统计年度哪部电影没被点播 （为0时没被点播）
     127.0.0.1:6379> setbit 1130 1 1 #11月30日 1号电影 被点播
 (integer) 0
 127.0.0.1:6379> setbit 1130 2 1 #11月30日 2号电影 被点播
 (integer) 0
 127.0.0.1:6379> setbit 1130 3 1 #11月30日 3号电影 被点播
 (integer) 0
 127.0.0.1:6379> setbit 1201 4 1 #12月1日 4号电影 被点播
 (integer) 0
 127.0.0.1:6379> setbit 1201 5 1 #12月1日 5号电影 被点播
 (integer) 0
 127.0.0.1:6379> setbit 1201 1 1 #12月1日 1号电影 被点播
 (integer) 0
 ​
 127.0.0.1:6379> bitcount 1130 #11月30日 3部电影被点播
 (integer) 3
 127.0.0.1:6379> bitcount 1201 #12月1日 3部电影被点播
 (integer) 3
 127.0.0.1:6379> bitop and 1130-1201 1130 1200 #统计11月30日 与 12月1日 都点播了的电影
 (integer) 1
 127.0.0.1:6379> getbit 1130-1201 1 #2日都被点播的电影是1号电影
 (integer) 1
 127.0.0.1:6379> bitcount 1130-1201
 (integer) 1

原理

位数组使用sds来实现，sds是二进制安全的，sds存储时逆序存储位数组，逆序存储在扩容时不用修改老数据

（不了解sds的同学可以先看这篇文章深入浅出Redis（一）：对象与数据结构）

setbit ：先计算len是否需要扩容，再计算偏移量在哪个字节上，接着计算偏移量在哪个位上，修改那个位的值并返回旧的值

getbit ：计算偏移量在哪个字节上，接着计算偏移量在哪个位上，再获取

bittop ：and、or、xor都是新建sds 每个字节做位操作结果放入新建sds中 ；not 则是直接取反

bitcount : 数据量小于128位时使用查表，大于128位时使用每次循环4次 swar，每次swar可以计算32位；swar是将32位分成2bit一组与01 （计算低位）再右移一位继续与运算（计算高位），再依次分为4位、8位、16位一组依次操作（jdk的integer.bitcount也是swar算法）

Bloom Filter

布隆过滤器能够使用少量的空间来判断某个元素是否存在于集合中，但存在一定的误判率（不在集合中保存元素）

布隆过滤器适合在大数据场景下，允许一定误判的快速判断元素是否存在集合中

Bloom Filter用于判断元素是否重复在集合中，不保存元素数据，节省空间，有一定误差

原理

Bloom Filter由位数组和多个hash函数组成

image-20221209214507196.png

添加：将Key经过多个hash函数得到的索引，在位数组对应索引上设置为1

判断是否在集合中：将Key经过多个hash函数得到的索引，查看位数组对应索引上值是否为1，为1则可能存在（该索引上设置为1还有可能是添加其他Key设置的），如果值为0，那么该Key一定不存在集合中

布隆过滤器的误判率与空间大小有关，空间越小就越容易导致误判

使用

安装布隆过滤器插件

 #下载
 wget https://github.com/RedisLabsModules/rebloom/archive/v1.1.1.tar.gz
 #解压
 tar -zxvf v1.1.1.tar.gz
 cd rebloom-1.1.1
 #编译
 make

使用 bf.add添加 bf.exists判断是否存在集合中

 127.0.0.1:6379> bf.add bloomfilter cl
 (integer) 1
 127.0.0.1:6379> bf.add bloomfilter tcl
 (integer) 1
 127.0.0.1:6379> bf.exists bloomfilter cl
 (integer) 1
 127.0.0.1:6379> bf.exists bloomfilter cl1
 (integer) 0
 127.0.0.1:6379> bf.exists bloomfilter tcl
 (integer) 1

总结

本篇文章深入浅出的解析Redis中四种高级数据结构的使用、适用场景以及原理

Geospatial 使用Geohash算法以及zset对象实现，适用于计算地理空间的场景

Hypeloglog 使用少量固定空间以及基数统计算法，适用于大数据情况下能接收微小出错的统计场景

Bitmap 使用sds实现的位数组，sds逆序存储位数组扩容时不用修改旧数据，适用于大数据情况下只有两个状态的统计场景

Bloom Filter 使用位数组与多个哈希函数实现，适用于在大数据情况下且能接收微小出错的判断元素是否存在集合的场景

最后（一键三连求求拉~）

本篇文章笔记以及案例被收入 gitee-StudyJava、 github-StudyJava 感兴趣的同学可以stat下持续关注喔~

有什么问题可以在评论区交流，如果觉得菜菜写的不错，可以点赞、关注、收藏支持一下~

关注菜菜，分享更多干货，公众号：菜菜的后端私房菜

本文由博客一文多发平台 OpenWrite 发布！

数据去重：结合redis设计布隆过滤器的3种方式（附完整python封装代码）
数据知道的博客
11-26 380
本文介绍了一个基于Redis和RedisBloom模块的布隆过滤器Python封装类。该封装类提供了完整的布隆过滤器功能实现，包括：初始化过滤器、创建指定容量的过滤器、添加/检查单个元素、批量操作元素、删除过滤器以及获取过滤器状态信息等功能。文章详细说明了每个方法的设计思路和实现原理，并提供了完整的代码示例和使用演示。该封装类通过redis-py客户端与Redis交互，利用RedisBloom模块的BF命令实现布隆过滤器核心功能，具有误判率可控、操作高效等特点，适用于大规模数据去重、缓存穿透防护等场景。
基于Redis位图BitMap的布隆过滤器(附源码)
程序员小强的博客
12-05 2444
Redis的 bitmap 支持2^32大小，内存最大512MB，误判率万分之一 ，差不多可以放下2亿左右的数据，性能高，空间占用率极小，省去了大量无效的数据库连接。可用于实现用户签到、用户日活、在线状态、布隆过滤器等。 本文主要讲解基于Redis的 Bitmap (位图) 实现布隆过滤器，可用于防止缓存穿透等场景。 1.主要涉及知识点 jedis连接池 pipeline redis管道技术，也叫流水线 位图bitMap 2.布隆过滤器代码实现 注：这里仅列出了部分核心代码实现，详见文末源码链接 /**
4、Redis高级数据结构（Bitmaps、HyperLogLog、GEO）
＊King＊的博客
09-21 487
一、Bitmaps 1、Bitmaps Bitmaps 本身不是一种数据结构，实际上它就是字符串，但是它可以对字符 串的位进行操作。 Bitmaps 单独提供了一套命令，所以在 Redis中使用 Bitmaps和使用字符串的 方法不太相同。可以把 Bitmaps 想象成一个以位为单位的数组，数组的每个单元只能存储 0 和 1，数组的下标在 Bitmaps 中叫做偏移量。 （1）setbit设置值 设置键的第offset个位的值（从0算起） setbit key offset value 假设现在有20个用
BitMapBloomFilter
冷刀出鞘
02-08 616
BitMapBloomFilter filter = new BitMapBloomFilter(10); filter.add("123"); filter.add("abc"); filter.add("ddd"); System.out.println(filter.contains("abc"));//-true System.out.println(filter.contains("ab"));//-falae
大数据过滤及判断算法 -- Bitmap / Bloomfilter
曦轩 技术茶话小屋
09-24 1万+
今天，有个同学向我咨询大数据的一些面试题，其中一类比较有代表性比如判断是否在集合内，比如10个url，判断一个url是否在集合内，还比如有个1~100万个连续无序数字，随机取出里面的N个，求这N个数字等等。这类问题都需要一个大的数据集合，而且每个数据单元都很小，比如一个int 。很大程度上，这类问题可以用Bitmap或者Bloomfilter来做，基本思想就是开辟一块大内存，然后利用一个byte里
大量数据去重：Bitmap和布隆过滤器(Bloom Filter)
热门推荐
zdxiq000的专栏
02-27 6万+
5TB的硬盘上放满了数据，请写一个算法将这些数据进行排重。如果这些数据是一些32bit大小的数据该如何解决？如果是64bit的呢？ 在面试时遇到的问题，问题的解决方案十分典型，但对于海量数据处理接触少的同学可能一时也想不到什么好方案。介绍两个算法，对于空间的利用到达了一种极致，那就是Bitmap和布隆过滤器(Bloom Filter)。
Redis7高级之简单实现布隆过滤器BloomFilter + bitmap（七）
m0_55993923的博客
04-02 1924
简单实现布隆过滤器BloomFilter + bitmap，对于布隆过滤器和 bitmap的讲解并且两者结合实现springboot + redis + mybatis的整合
Redis-布隆过滤器（Bloom Filter）详解
养歌的博客
12-09 4万+
什么是布隆过滤器 布隆过滤器（Bloom Filter）是 1970 年由布隆提出的，是一种非常节省空间的概率数据结构，运行速度快，占用内存小，但是有一定的误判率且无法删除元素。它实际上是一个很长的二进制向量和一系列随机映射函数组成，主要用于判断一个元素是否在一个集合中。 通常我们都会遇到判断一个元素是否在某个集合中的业务场景，这个时候我们可能都是采用 HashMap的Put方法或者其他集合将数据保存起来，然后进行比较确定，但是如果元素很多的情况下，采用这种方式就会非常浪费空间，最终达到瓶颈，检索速度也会越
Redis系列--布隆过滤器（Bloom Filter）
weixin_42972832的博客
06-16 7866
无论使用谷歌版本的布隆过滤器还是自己编写的，都会存在两个问题，1、因为不同元素经过hash函数计算后可能会出现相同的hash值（hash碰撞），就会出现一个误判率的问题2、因为有hash碰撞，导致同一个位置可能存放不同的数据，这对于删除操作是很不友好的。对于这些情况可查看另一种布隆过滤器，布谷鸟过滤器。
【流量防护】：SpringBoot +Redis/Guava 实现布隆过滤器
weixin_44991038的博客
07-07 1943
springboot 实现布隆过滤器对大流量数据处理防护
BitMap与 Bloom Filter
RichardGeek的博客
03-30 550
　一、问题引入　　 　　bitMap是位图，其实准确的来说，翻译成基于位的映射，举一个例子，有一个无序有界int数组{1,2,5,7},初步估计占用内存4*4=16字节，这倒是没什么奇怪的，但是假如有10亿个这样的数呢？10亿*4字节/(1024*1024*1024)=3.72G左右（1GB=1024MB 、1MB=1024KB 、1KB=1024B 、1B=8b）。如果这样的一个大的数据做查找...
Bitmap和BloomFilter
一个菜鸟的博客
06-20 1724
题目 5TB的硬盘上放满了数据，请写一个算法将这些数据进行排重。如果这些数据是一些32bit大小的数据该如何解决？如果是64bit的呢？ 1、Bitmap Bitmap又叫做位图，判断数组中的某位索引值下的位是否为1，来表示这个数是否存在。假如53存在，那么就将数组中的第53位置1。这样Bitmap极大地压缩了所需要的内存空间，并且还额外地完成了对原始大型数据的排序工作。使用位图可以大大节省...
BitMap和BloomFilter
T_tangcのblog
04-02 362
Mybitmap #include<iostream> #include<vector> using namespace std; class BitMap { public: BitMap(size_t range) { _bits.resize((range >> 3)+1,0);//(size,val) ...
BitMap(二)：布隆过滤器(Bloom Filter)
weixin_43837229的博客
11-09 549
用一个哈希算法(Hash函数)将一个集合元素映射到一个二进制位数组（位数组）中的某一位。如果该位已经被置为1，那么表示该元素已经存在。为了减少hash冲突问题,所以引用了多个哈希函数,如果通过其中的一个Hash值得出某元素不在集合中，那么该元素肯定不在集合中。只有在所有的Hash函数告诉我们该元素在集合中时，才能确定该元素存在于集合中。这便是Bloom-Filter的基本思想。
神奇的HyperLogLog算法
weixin_33766805的博客
08-12 591
2019独角兽企业重金招聘Python工程师标准>>> ...
位图（bitmap）和布隆过滤器（bloom_filter）
klausur31的博客
12-05 605
1.位图-Bitmap1.位图-Bitmap1.1问题引入给40亿个不重复的无符号整数，没排过序。给一个无符号整数，如何快速判断一个数是否在这40亿个数中？40亿个无符号整数大约16G的大小，用map或者set显然是无法支持海量数据的存储。那么我们能否不存储数据本身，通过映射关系存储其在（1）或者不再（0）呢？1.2概念位图，就是用二进制的bite位来存放某种状态，适用于海量数据，数据无重复。通常是判断某个数在不在的问题的解决办法。
Bitmap和Bloom Filiter(布隆过滤器)
weixin_43896829的博客
10-05 812
一、Bitmap Bitmap顾名思义，就是用bit来实现map的存储。 底层用map来实现对数据的存储，其使用一个bit位来标记某个元素的value,而key就是该元素。 举例： 以下的map就表示{1,2,4,6}这四个数 我们知道一个字节是8位，那如果要表示的数字超过了7，比如{12,13,15}该如何表示呢？ 其实只需要再开辟一个字节的map即可，如下图： 同理，我们可以用这种类似二维数组的表示法表示任意数字！！！ 并且，给定任意整数M，那么M/32就得到下标，M%32就知道它在此下标的哪个位置
数据结构——bitmap和bloom filter
ChengChengCheng的博客
02-14 271
1.https://blog.youkuaiyun.com/ying357/article/details/25340895/ 2.leetcode 338. Bit count
redis布隆过滤器和bitmap
最新发布
03-11
### Redis 中布隆过滤器与 Bitmap 的使用场景 #### 布隆过滤器的特点及其在 Redis 中的应用 布隆过滤器（Bloom Filter）是一种高效的空间节约型概率数据结构，主要用于快速判断某个元素是否属于一个集合。这种特性使得其非常适合应用于需要频繁查询大量数据集成员关系的场合[^4]。 对于 Redis 来说，虽然本身并不直接提供原生支持的布隆过滤器模块，但是可以通过第三方扩展或者利用现有的命令组合来模拟实现这一功能。例如，在某些特定版本或通过安装额外插件的方式可以启用布隆过滤器的支持；而在其他情况下，则可能依赖于像 `SETBIT` 和 `GETBIT` 这样的底层指令配合哈希函数构建自定义解决方案[^2]。 #### Bitmap 特性概述 另一方面，Bitmap 是指由一系列二进制位组成的序列，其中每一位都可以单独设置为0或1。Redis 提供了一组专门针对 bitmap 操作的功能，允许用户方便地执行按位运算以及统计操作。由于每个 bit 只占用一位存储空间，因此当面对海量布尔状态记录需求时显得尤为经济有效[^1]。 #### 实现方式对比 - **布隆过滤器** - 利用多个独立散列函数将输入映射到固定长度的比特向量上； - 对应位置设为 true (即置1)，以此表示该元素已被加入过； - 查询时只需检查对应索引处的状态即可得出结论； - 存在误报的可能性——即认为不存在但实际上存在的情况，但绝不会漏检真正存在过的项目。 - **Bitmap** - 主要是用来保存大量的布尔值信息； - 支持高效的批量更新和读取； - 不涉及复杂的算法逻辑，更侧重于简单直观的数据表达形式。 #### 使用场景分析 - **布隆过滤器适用范围** - 缓存穿透防护：防止恶意请求绕过缓存层直击数据库造成压力过大； - 黑名单管理：快速筛选出已知不良行为者而不必每次都访问持久化存储； - URL 去重：辅助网络爬虫识别并忽略重复抓取的内容资源。 - **Bitmap 应用领域** - 用户签到打卡系统：每天标记一次完成相应动作的时间戳； - 统计在线人数变化趋势：每分钟采样当前活跃连接数的变化曲线； - 大规模权限控制机制：精细化设定不同角色所能触及的操作权限列表[^3]。 综上所述，尽管两者都涉及到位级操作的概念，但在实际应用中的侧重点各有千秋。选择合适的技术方案取决于具体业务需求和技术栈现状等因素考量。 ```python import redis from hashlib import md5, sha1 def add_to_bloom_filter(r, key, item): """Add an element to the bloom filter.""" hashes = get_hashes(item) for h in hashes: r.setbit(key, h % 8 * 1024, 1) def check_in_bloom_filter(r, key, item): """Check if an element is possibly in the set represented by a bloom filter.""" hashes = get_hashes(item) return all(r.getbit(key, h % 8 * 1024) == 1 for h in hashes) def get_hashes(value): """Generate multiple hash values from one input value using different algorithms.""" algos = [md5, sha1] results = [] for algo in algos: hasher = algo() hasher.update(str.encode(value)) result = int(hasher.hexdigest(), base=16) results.append(result) return results r = redis.Redis(host='localhost', port=6379, db=0) add_to_bloom_filter(r, 'bloomfilter_key', 'example_item') print(check_in_bloom_filter(r, 'bloomfilter_key', 'example_item')) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值