数据过滤在很多场景都会应用到，特别是在大数据环境下。在数据量很大的场景实现过滤或者全局去重，需要存储的数据量和计算代价是非常庞大的。很多小伙伴第一念头肯定会想到布隆过滤器，有一定的精度损失，但是存储性能和计算性能可以达到几何级别的提升。很多第三方框架也实现了相应的功能，比如hbase框架实现的布隆过滤器性能是非常的棒，redis也可以实现相应的功能。这些需要借助于第三方框架，需要维护第三方框架。如果公司没有部署相应架构，单独为使用布隆过滤器部署一套集群，代价还是非常大的。
我们在做流式计算时需要实现数据小时级别去重和天级别数据去重，初始功能版本使用的是基于redis实现的布隆过滤器。性能也非常的好，三个节点的redis集群（三主三从，主从交叉策略）性能可以达到每秒十几万的处理性能。在后期的使用中主要瓶颈就在redis的吞吐量的性能上。一直想在这块做一定的性能优化。
后来，发现spark官方封装了基于DataFrame的布隆过滤器，使用起来相当方便。性能不再受制于第三方框架的吞吐量限制，依赖于spark的并行资源。可以减少架构设计的复杂度，提高可维护性。在流式计算应用中可以将布隆过滤器做成driver级别的全局变量，在batch结束更新布隆过滤器。如果考虑容错，可以将布隆过滤器数据定期持久化到磁盘（hdfs/redis)。
直接上代码，看一下使用方法
val bf = df.stat.bloomFilter("dd",dataLen,0.01)
val rightNum = rdd.map(x=>(x.toInt,bf.mightContainString(x)))
首先，在生成布隆过滤器直接调用bloomFilter(colName:String,expectedNumItems:Long,fpp:Double)就可以了，第一个参数是使用的数据列，第二个参数是数据量期望会有多少，第三个参数是损失精度。损失精度越低生成的布隆数组长度就会越长，占用的空间就会越多，计算过程就会越漫长。
在用有些场景布隆过滤器还需要合并，官方也提供了相应的API
mergeInPlace(BloomFilter var1):BloomFilter
判定数据是否存在,官方一共提供了四个方法：
mightContain(Object var1), mightContainString(String val1), mightContainLong(long var1), mightContainBinary(byte[] var1)
不同的方法适用于不同的类型，bloomFilter（calname:String...)这个方法中使用列的数据类型一定要和以上四个方法对应，否则会出问题。
官方还很贴心的提供了序列化和反序列化工具：writeTo和readFrom，可以很方便的将布隆过滤器序列化到磁盘和从磁盘加载布隆过滤器。
原文地址：https://www.cnblogs.com/itboys/p/11109478.html