简介

布隆过滤器（Bloom Filter）是一种节省空间的概率数据结构，由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。例如，判断用户名是否可能存在于用户名集合中，布隆过滤器为了效率付出的代价是它的本质是概率性的，这意味着它可能会有一些误报结果，误报意味着它可能显示用户名已被占用，但实际并没有。

当一个元素加入集合时，布隆过滤器首先通过k个散列函数将该元素映射成k个点位，然后在底层位数组中将对应的点位上的bit置为1。 当查询一个元素是否存在时，布隆过滤器会用同样的方式计算出点位信息，然后看这些点位是否都为1，如果有任意点位为0，则代表该元素一定不存在，若所有点位都为1，则代表该元素很有可能存在

底层数据结构

一个空的布隆过滤器是一个m位组成的位数组，全部初始化为0

举例说明

如上图，位数组的长度是８，散列函数个数是 3，先后保持两个元素ｘ，ｙ。这两个元素都经过三次哈希函数生成三个哈希值，并映射到位数组的不同的位置，并置为1。元素 x 映射到位数组的第０位，第４位，第７位，元素ｙ映射到数组的位数组的第１位，第４位，第６位。

保存元素 x 后，位数组的第4位被设置为1之后，在处理元素 y 时第4位会被覆盖，同样也会设置为 1。

当布隆过滤器保存的元素越多，被置为 1 的 bit 位也会越来越多，元素 x 即便没有存储过，假设哈希函数映射到位数组的三个位都被其他值设置为 1 了，对于布隆过滤器的机制来讲，元素 x 这个值也是存在的，也就是说布隆过滤器存在一定的误判率。

重要属性

布隆过滤器包含如下四个属性：

• k : 哈希函数个数
• m : 位数组长度
• n : 插入的元素个数
• p : 误判率

实现方式

Guava实现

Redisson实现