Java Bloom Filter 技术文档
2024-12-24 15:34:11作者:明树来
1. 安装指南
1.1 通过 JAR 文件安装
- 从 GitHub 下载最新版本的
java-bloomfilter项目。 - 使用
ant命令编译项目:ant - 编译完成后,将生成的
dist/java-bloomfilter.jar文件添加到你的项目中。
1.2 通过源码集成
- 从 GitHub 下载
BloomFilter.java文件。 - 将
BloomFilter.java文件直接复制到你的项目中。 - 确保保留文件中的 LGPL 许可证注释,并引用
java-bloomfilter的网页。
2. 项目的使用说明
2.1 创建 Bloom Filter
要创建一个空的 Bloom Filter,可以使用以下代码:
double falsePositiveProbability = 0.1;
int expectedNumberOfElements = 100;
BloomFilter<String> bloomFilter = new BloomFilter<String>(falsePositiveProbability, expectedNumberOfElements);
构造函数会根据给定的误判概率和预期元素数量,自动选择合适的长度和哈希函数数量。
2.2 添加元素
使用 add() 方法向 Bloom Filter 中添加元素:
bloomFilter.add("foo");
2.3 检查元素
使用 contains() 方法检查元素是否存在于 Bloom Filter 中:
bloomFilter.contains("foo"); // 返回 true
注意,contains() 方法可能会返回误判结果(false positive),但不会出现漏判(false negative)。
2.4 完整示例
以下是一个完整的示例代码:
double falsePositiveProbability = 0.1;
int expectedSize = 100;
BloomFilter<String> bloomFilter = new BloomFilter<String>(falsePositiveProbability, expectedSize);
bloomFilter.add("foo");
if (bloomFilter.contains("foo")) { // 总是返回 true
System.out.println("BloomFilter contains foo!");
System.out.println("Probability of a false positive: " + bloomFilter.expectedFalsePositiveProbability());
}
if (bloomFilter.contains("bar")) { // 应该返回 false,但可能会返回 true
System.out.println("There was a false positive.");
}
3. 项目 API 使用文档
3.1 构造函数
-
BloomFilter(double falsePositiveProbability, int expectedNumberOfElements)- 根据误判概率和预期元素数量创建 Bloom Filter。
-
BloomFilter(int bitSetSize, int expectedNumberOfElements)- 根据位集大小和预期元素数量创建 Bloom Filter。
-
BloomFilter(int bitSetSize, int expectedNumberOfElements, int numberOfHashFunctions)- 根据位集大小、预期元素数量和哈希函数数量创建 Bloom Filter。
3.2 方法
-
void add(T element)- 向 Bloom Filter 中添加元素。
-
boolean contains(T element)- 检查元素是否存在于 Bloom Filter 中。
-
double expectedFalsePositiveProbability()- 返回预期的误判概率。
-
int getExpectedBitsPerElement()- 返回预期的每元素位数。
-
int getBitsPerElement()- 返回实际的每元素位数。
4. 项目安装方式
4.1 通过 JAR 文件安装
- 下载并编译项目。
- 将生成的
dist/java-bloomfilter.jar文件添加到你的项目中。
4.2 通过源码集成
- 下载
BloomFilter.java文件。 - 将文件直接复制到你的项目中,并保留 LGPL 许可证注释。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869