接上文：RBucket对象桶 -＞ Redisson系列-1（让redis操作更优雅）_子书少卿的博客-CSDN博客       

 本质上布隆过滤器是一种数据结构，是一种比较巧妙的概率性数据结构，特点是可以高效的插入和查询，可以用来判断：“某个值一定不存在或可能存在”。

        优点：相比于传统的list、set、map等数据结构，更高效、占用空间更小（不需要存储数据本身，只需要存储数据对应hash比特位）；

        缺点：返回的结果是概率性的，而不是确切的；不支持删除元素

             

HashMap 的问题
        讲述布隆过滤器的原理之前，我们先思考一下，通常你判断某个元素是否存在用的是什么? 应该蛮多人回答 HashMap 吧，确实可以将值映射到 HashMap 的 Key，然后可以在 0(1)的时间复杂度内返回结果，效率奇高。但是 HashMap 的实现也有缺点，例如存储容量占比高，考虑到负载因子的存在，通常空间是不能被用满的，而一旦你的值很多例如上亿的时候，那 HashMap 占据的内存大小就变得很可观了。
        还比如说你的数据集存储在远程服务器上，本地服务接受输入，而数据集非常大不可能一次性读进内存构建 HashMap 的时候，也会存在问题。

布隆过滤器数据结构
布隆过滤器是一个 bit 向量或者说 bit 数组

详解布隆过滤器的原理、使用场景和注意事项
如果我们要映射一个值到布隆过滤器中，我们需要使用多个不同的哈希函数生成多个哈希值，并对每个生成的哈希值指向的 bit 位置 1，例如针对值和三个不同的哈希函数分别生成了哈"baidu"希值 14、7，则上图转变为:

 测试代码：

@Service
public class BloomService {

    private static final String BLOOM_KEY = "bloom:key:";

    @Resource
    private RedissonClient redisson;

    /**
     * 测试布隆过滤器
     * @param id
     * @return
     */
    public Integer test(Integer id){

        RBloomFilter<Integer> bloomFilter = redisson.getBloomFilter(BLOOM_KEY);
        // 初始化布隆过滤器，第一个参数:预计存放的数据量（实际存放过程中如果不够，会自动扩充，最好初始化够）；第二个参:误差
        bloomFilter.tryInit(1000000L,0.01);
        if(bloomFilter.contains(id)){
            System.out.println(id+"存在");
        }else {
            System.out.println(id+"bu存在");
            // 入布隆过滤器
            bloomFilter.add(id);
        }
        return 1;
    }

}

问题：在大数据集合场景下，如果使用该场景，怎样保证返回数据的准确性呢，如果该数据类型不能保证数据的准确定，用在哪种实际的场景下比较合适呢？

        由于可能出现哈希碰撞，不同元素计算的哈希值有可能一样，导致一个不存在的元素有可能对应的比特位为1，这就是所谓“假阳性”（false positive）。相对地，“假阴性”（false negative）在BF中是绝不会出现的。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。
 

 参考自：

https://edu.csdn.net/learn/27749/375603?spm=3001.4143        

布隆过滤器Bloom Filter简介_多啦@不懂a梦的博客-CSDN博客