目录
一、什么是布隆过滤器？
二、使用场景
三、原理
四、使用
4.1、Guava实现
4.2、Redisson实现
一、什么是布隆过滤器？
布隆过滤器（英语：Bloom Filter）是1970年由布隆提出的，是一种数据结构。它实际上是一个很长的二进制向量和一系列随机映射函数。
布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是高效的插入和查询，而且非常节省空间，缺点是hash 碰撞造成的误识别率和删除困难。
二、使用场景
一般使用较多的场景就是避免缓存穿透，具体场景就是在使用 Reids 做数据缓存的时候，很有可能会遇到一个问题：用户想要查询一个数据，发现 redis 缓存没有命中，于是向数据库查询。发现也没有，于是本次查询失败。当用户很多的时候，缓存都没有命中，于是都去请求数据库。这会给数据库造成很大的压力，这时候就相当于出现了缓存穿透。缓存穿透也是实际开发中必须要避免和提前预防的内容之一。
避免缓存穿透，有以下几种解决方案：
1、缓存空值。为了解决这个问题呢，通常我们可以向分布式缓存中写入一个过期时间较短的空值占位，但这样会占用较多的存储空间，性价比不足。
2、使用 HashMap。将需要查询的 key 提前加载到 HashMap 中，因为 HashMap 查找的时间复杂度为 O(1) ，因此通过映射可以快速查找到相应的 Key 来判定 Key 是否存在 ，如果查不出来就没必要继续查找缓存了。但是这样做的话极其消耗宝贵的内存，数据量大的情况下成本也会上升。此种做法会对内容造成不可测的负担，不推荐使用。
3、使用 Bloom Filter。原理上和使用 HashMap 一样，但更省空间。此种做法为主流做法，推荐使用布隆过滤器。
三、原理
布隆过滤器的原理：当一个元素被加入集合时，通过 K 个散列函数将这个元素映射成一个位数组中的 K 个点，把它们置为 1。检索时，我们只要看看这些点是不是都是 1 就（大约）知道集合中有没有它了：如果这些点有任何一个 0，则被检元素一定不在；如果都是 1，则被检元素很可能在。
简单来说就是准备一个长度为 m 的位数组并初始化所有元素为 0，用 k 个散列函数对元素进行 k 次散列运算跟 len (m) 取余得到 k 个位置并将 m 中对应位置设置为 1。
如上图，位数组的长度是８，散列函数个数是 3，先后存入两个元素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。
若位数组长度太小则会导致所有 bit 位很快都会被置为 1 ，那么检索任意值都会返回”可能存在“ ， 起不到过滤的效果。位数组长度越大，则误判率越小。
同时，哈希函数的个数也需要考量，哈希函数的个数越大，检索的速度会越慢，误判率也越小，反之，则误判率越高。相同位数组长度的情况下，随着哈希函数的个人的增长，误判率显著的下降。
布隆过滤器支持删除吗
布隆过滤器其实并不支持删除元素，因为多个元素可能哈希到一个布隆过滤器的同一个位置，如果直接删除该位置的元素，则会影响其他元素的判断。但我们可以通过计数布隆过滤器(不推荐)和定时重新构建布隆过滤器两种方案实现删除元素的效果。
四、使用
4.1、Guava实现
添加Maven依赖
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>22.0</version>
</dependency>package com.cjian.boomfilter;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import java.nio.charset.StandardCharsets;
/**
* @Author: cjian
* @Date: 2023/4/20 11:53
* @Des:
*/
public class Demo {
static BloomFilter<String> filter;
static {
filter = BloomFilter.create(
//Funnel 是一个接口，用于将任意类型的对象转换为字节流，
//以便用于布隆过滤器的哈希计算。
Funnels.stringFunnel(StandardCharsets.ISO_8859_1),
10000, // 插入数据条目数量
0.001 // 误判率
);
addDate();
}
public static void main(String[] args) {
System.out.println(mayContain("aaa"));
System.out.println(mayContain("bbb"));
}
private static void addDate() {
System.out.println("初始化布隆过滤器数据开始");
//插入2个元素
filter.put("aaa");
filter.put("bbb");
System.out.println("初始化布隆过滤器数据结束");
}
public static boolean mayContain(String id) {
return filter.mightContain(id);
}
}
4.2、Redisson实现
添加Maven依赖
<dependency>
<groupId>org.redisson</groupId>
<artifactId>redisson</artifactId>
<version>3.16.1</version>
</dependency>package com.cjian.boomfilter;
import org.redisson.Redisson;
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.redisson.config.Config;
/**
* @Author: cjian
* @Date: 2023/4/20 13:54
* @Des:
*/
public class RedissonDemo {
static RBloomFilter<String> bloomFilter;
static {
Config config = new Config();
config.useSingleServer().setAddress("redis://localhost:6379");
bloomFilter = Redisson.create(config).getBloomFilter("myBloomFilter");
}
public static void main(String[] args) {
init();
System.out.println(mightContain("aaaa"));
System.out.println(mightContain("bbbb"));
}
private static void init() {
//10000表示插入元素的个数，0.001表示误判率
bloomFilter.tryInit(10000, 0.001);
//插入2个元素
bloomFilter.add("aaaa");
bloomFilter.add("bbbb");
}
private static boolean mightContain(String id) {
return bloomFilter.contains(id);
}
}
