布隆过滤器

类似于一个hase set 用来判断某个元素（key）是否存在于某个集合中

布隆过滤器说这个数据不存在，这个数据就一定不在

布隆过滤器说这个数据存在，这个数据也不一定就在，只是可能在

核心：使用一个数组，把关键词输入到几个哈希函数(不只是一个哈希函数，输入到一个哈希函数里面得到一个数，输入到多个哈希函数就得到一组数)里面，得到一组数，将数组上对应的位置改为1

是一个数据结构

用来判断某个元素是否在集合内

运行快速，内存占用小

但是高效插入和查询的代价就是：这是一个基于概率的数据结构，它只能告诉我们一个元素绝对不再集合内，或者可能在集合内   （也就是说，布隆过滤器判断不存在，数据库中一定不存在，布隆过滤器中判断存在，只能说明可能存在）             

布隆过滤器的基础结构就是一个wait数组，假设这个数组大小为16，每个位置默认起始为0

将Fredy这个key写入数据库

假设这个布隆过滤器有3个哈希函数，将Fredy输入到这三个哈希函数，分别得到三个值1，3，7

将这三个位置上的值置为1

 此时，我们又把Eli录入数据库，将Eli输入到这三个哈希函数，分别得到三个值10，12，15

现在查询Tom这个词在不在数据库里面：

将tom这个词输入到三个哈希函数里面，得到0，2，5，发现数组中这三个位置都是0，不是1，说明数据库中不含有tom这个词

如果查询Lily，将Lily这个词输入到三个哈希函数里面，得到7，12，15，这三个位置上都是1，但是数据库中其实并没有Lily这个词

java中使用布隆过滤器：

先引入redisson组件的依赖

        <dependency>
            <groupId>org.redisson</groupId>
            <artifactId>redisson-all</artifactId>
            <version>3.16.0</version>
        </dependency>

public class Test
{
    public static void main(String[] args)
    {
        //连接redis数据库
        Config config=new Config();
        config.useSingleServer().setAddress("redis://127.0.0.1:6379");
        RedissonClient redisson= Redisson.create(config);

        //给这个布隆过滤器起个名字
        RBloomFilter<String> bloomFilter=redisson.getBloomFilter("test");

        //初始化这个布隆过滤器，预计里面装100 0000L一百万个数据
        //误判率为1%（最大允许为1%，这个数值如果设置的太小，虽然会降低误判率，但是会产生更多次的哈希操作，降低系统性能）
        bloomFilter.tryInit(1000000L,0.01);

        //增加一个字符串进入布隆过滤器
        bloomFilter.add("ouyangshuiming");

        System.out.println(bloomFilter.contains("ouyangshuiming"));  //输出true
        System.out.println(bloomFilter.contains("zhangsan"));   //输出false
    }
}

这里误判率为1%，表示最大允许误判1%，这个数值如果设置的太小，虽然会降低误判率，但是会产生更多次的哈希操作，降低系统性能

也就是说：布隆过滤器认为这个元素不存在，一定不存在，布隆过滤器认为这个元素存在，有1%的概率错误判断