介绍
布隆过滤器（Bloom Filter，下文简称BF）由Burton Howard Bloom在1970年提出，是一种空间效率高的概率型数据结构。它专门用来检测集合中是否存在特定的元素。
设计思想
布隆过滤器是由一个长度为m比特的位数组（bit array）与k个哈希函数（hash function）组成的数据结构。位数组均初始化为0，所有哈希函数都可以分别把输入数据尽量均匀地散列。
原理
当一个元素加入布隆过滤器中的时候，会进行如下操作：
- 使用布隆过滤器中的哈希函数对元素值进行计算，得到哈希值（有几个哈希函数得到几个哈希值）。
- 根据得到的哈希值，在位数组中把对应下标的值置为 1。
当我们需要判断一个元素是否存在于布隆过滤器的时候，会进行如下操作：
- 对给定元素再次进行相同的哈希计算；
- 得到值之后判断位数组中的每个元素是否都为 1，如果值都为 1，那么说明这个值在布隆过滤器中，如果存在一个值不为 1，说明该元素不在布隆过滤器中。
使用场景
- 判断给定数据是否存在：比如判断一个数字是否在于包含大量数字的数字集中（数字集很大，5亿以上！）、 防止缓存穿透（判断请求的数据是否有效避免直接绕过缓存请求数据库）等等、邮箱的垃圾邮件过滤、黑名单功能等等。
- 去重：比如爬给定网址的时候对已经爬取过的 URL 去重。
布隆过滤器判断存在的不一定存在，但是判断不存在的一定不存在。
特点
1、由于存放的不是完整的数据，所以占用的内存很小，而且新增、查询的速度够快；
2、多个hash，增加随机性，减少hash碰撞的概率；
3、扩大数组范围，使hash值均匀分布，进一步减少hash碰撞的概率。随着数据的增加，误判率随之增加。
4、返回的结果是概率性的，不是确切性的。只能判断数据是否一定不存在，而无法判断数据是否一定存在。
5、删除很麻烦，可以维护一个记录位数组中1的个数来删除，1的个数为0时，位数组中对应的位置变为0，但是这样失去了其快速判断的意义。
其他
