问题的引入：如果我们想去判断一个元素是否存在某个集合里面，会怎么做呢？

一般的方案->先把所有的元素保存起来，然后通过循环的方式来比较确定。但是如果有几千万，甚至上亿的数据的时候，虽然可以通过不同的数据结构来优化，数据检索的时间复杂度，但是整体的效率依然很慢，而且会占用特别多的内存空间。

正确的方案->位图。 基本原理：用一个bit位来存储当前数据是否存在一个状态值，也就是把一个数据通过hash运算取模后，落在bit数组的某个位置中，通过1进行标记。

作用

判断一个数据是否存在某个集合中，可以节约大量的内存，通过一定的错误率换取空间

原理

位图+多个哈希函数 当一个元素被假如到集合中的时候，通过哈希函数把这个元素，映射到一个二进制数组中的某个下标，把这个下标设为1。在进行数据查询与检索的时候，适用同样的方式去映射，只要看到每个下标位置的值是不是1，就可以判断这个元素是否存在于集合中。如果这些点里面有任何位置是0，则表示被检查的元素一定不存在，如果都是1，则表示大概率存在。

优点

1、因为是二进制组成的数据，节约大量内存。 2、基于叔祖的特性，查询和插入的速度很快。 3、因为存储的只有0和1，保密性好。

缺点

1、不能删除

比如，假设你好和hello经过哈希运算，都存在下标为2的位置，所以这个下标为2的位置存储了两个数据。当我们去删除你好的时候，同时也把hello删除了，造成误删。 解决方案：加一个计数器，当下标的计数器引用为1的时候，才能删除。

2、误判

问题1：比如你好，与hello的哈希值是一样的，导致存储你好，结果用hello去判断的时候，出现误判，缺点不能消除，只能降低。 解决方案：增加哈希函数个数，来降低误判率

问题2：如果位图的长度比较短，虽然两个经过哈希计算后，哈希值不同，但是因为通过取模位图长度，得到的索引值相同，还是会出现误判。 解决方案：增加位图的长度，来降低误判率。

适用场景

避免缓存穿透、实现亿级海量数据存储。

延申

布隆过滤器的改造加强版：布谷鸟过滤器