简介
布隆过滤器（Bloom Filter） 是 1970 由布隆提出，它是一种多哈希函数映射的快速查找算法 (存储结构），可以实现用很小的空间和运算代价，来实现海量数据的存在与否的记录（黑白名单判断）。特点是高效的插入和查询，可以判断出一定不存在和可能存在
布隆过滤器
布隆过滤器是一个 bit 向量或者 bit 数组
"添加"元素
如果要将一个"添加"射到布隆过滤器中，需要使用多个 hash 函数生成多个 hash 值，每个 hash 值对应位数组上的一个点，然后将位数组对应的位置标记为 1。
如下图，字符串 'hello' 就通过 3 种 hash 函数生成了哈希值 1,3,9
字符串‘word’就生成了 1,5,7
注：由于 hello 和 word 都返回了 bit 位 1，所以前面的 1 会被覆盖
查询元素
查询元素是否存在集合中的时候，同样的方法将元素通过哈希映射到位数组上的 3 个点。
如果 3 个点的其中有一个点不为 1，则可以判断该元素一定不存在集合中。
如果 3 个点都为 1，则该元素可能存在集合中。注意：此处不能判断该元素是否一定存在，可能存在一定的误判率。 因为新增的元素越来越多，被置为 1 的 bit 位也会越来越多，这样即使某个元素没有被存储过，但是万一哈希函数算出来的三个 bit 位都被其他元素置为 1 了，那么 布隆过滤器（Bloom Filter） 还是会判断这个元素存在。
比如：单词 flink 三个 hash 值为 1,3,7, 就能说明 flink 一定存在于集合中吗？
优缺点
优点
相比于传统的 List、Set、Map 等数据结构，布隆过滤器（Bloom Filter） 更高效、占用空间更少，能确切判断出元素不在集合中
缺点
- 只能判断出元素有概率在集合中,因此使用 布隆过滤器（Bloom Filter） 判断元素出元素在集合中的结果是不可靠的
- 已经加入集合中的元素被删除时， 布隆过滤器（Bloom Filter） 无法"刷新"该元素对应的hash位置的值。因为这些位置有概率也是其他元素的hash位置。因此使用 布隆过滤器（Bloom Filter） 的集合无法删除元素。
如何减少误差
-
加大布隆过滤器的长度，否则很容易就所有的 bit 位都为 1 了
-
哈希函数的个数要考虑，个数越多则布隆过滤器 bit 位 1 的消耗速度越快，且布隆过滤器的效率越低；但是如果太少的话，那我们的误差会变高(多个 bit 位都要求唯 1 和 1 个 bit 位要求为 1)。
