这篇文章主要介绍“Redis中的布隆过滤器怎么实现”，在日常操作中，相信很多人在Redis中的布隆过滤器怎么实现问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Redis中的布隆过滤器怎么实现”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
概述
布隆过滤器（Bloom Filter）是一个数据结构，由布隆（Burton Howard Bloom）于 1970 年提出的。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。【相关推荐：Redis视频教程】
布隆过滤器可以用于高效的检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远优于一般的算法，缺点是有一定的误识别率，而且难以删除（一般不支持，需要额外的实现）。
误识率指的是可以判断元素肯定不在集合中，判断元素可能在集合中，无法判断元素一定在集合中。
布隆过滤器之所以高效，因为它是一个概率数据结构，它能确认元素肯定不在集合中，或者元素可能在集合中。之所以说是可能，是因为它有一定的误识别率，使得无法 100% 确定元素一定在集合中。
问题引出
在日常工作中，有一个比较常见的需求，就是需要判断一个元素是否在集合中。例如以下场景
给定一个IP黑名单库，检查指定IP是否在黑名单中？
在接收邮件的时候，判断一个邮箱地址是否为垃圾邮件？
在文字处理软件中，检查一个英文单词是否拼写正确？
遇到这种问题，通常直觉会告诉我们，应该使用集合这种数据结构来实现。例如，先将 IP 黑名单库的所有 IP 全部存储到一个集合中，然后再拿指定的 IP 到该集合中检查是否存在，如果存在则说明该 IP 命中黑名单。
通过一段代码来模拟 IP 黑名单库的存储和检查。
public class IPBlackList {
public static void main(String[] args) {
Set<String> set = new HashSet<>();
set.add("192.168.1.1");
set.add("192.168.1.2");
set.add("192.168.1.4");
System.out.println(set.contains("192.168.1.1"));
System.out.println(set.contains("192.168.1.2"));
System.out.println(set.contains("192.168.1.3"));
System.out.println(set.contains("192.168.1.4"));
}
}集合的内部，通常是使用散列表来实现。其优点是查询非常高效，缺点是比较耗费存储空间。
一般在数据量比较小的时候，我们会使用集合来进行存储。以空间换时间，在占用空间较小的情况下，同时又能提高查询效率。
但是，当存储的数据量比较大的时候，耗费大量空间将会成为问题。因为这些数据通常会存储到进程内存中，以加快查询效率。而机器的内存通常都是有限的，要尽可能高效的使用。
另一方面，散列表在空间和效率上是需要做平衡的。存储相同数量的元素，如果散列表容量越小，出现冲突的概率就越高，用于解决冲突的时间将会花费更多，从而影响性能。
而布隆过滤器（Bloom Filter）的产生，能够很好的解决这个问题。一方面能够以更少的内存来存储数据，另一方面能够实现非常高效的查询性能。
基本原理
首先，建立一个二进制向量，并将所有位设置为 0
然后，选定 K 个散列函数，用于对元素进行 K 次散列，计算向量的位下标。
添加元素
当添加一个元素到集合中时，通过 K 个散列函数分别作用于元素，生成 K 个值作为下标，并对向量的相应位设置为 1。
检查元素
如果要检查一个元素是否存在集合中，用同样的散列方法，生成 K 个下标，并检查向量的相应位是否全部是 1。
如果全为 1，则该元素很可能在集合中；否则（只要有1个或以上的位为0），该元素肯定不在集合中。
Demo
假设有一个布隆过滤器，容量是15位，使用2个哈希函数，如下所示。
Redis中的布隆过滤器怎么实现
