大家好，我是可乐，一个专注原创，乐于分享的程序猿。本系列教程持续更新，可以微信搜索「IT可乐」第一时间阅读。回复《电子书》有我为大家特别筛选的海量免费书籍资料
本篇博客我们主要介绍如何用Redis实现布隆过滤器，但是在介绍布隆过滤器之前，我们首先介绍一下，为啥要使用布隆过滤器。
1、布隆过滤器使用场景比如有如下几个需求：
①、原本有10亿个号码，现在又来了10万个号码，要快速准确判断这10万个号码是否在10亿个号码库中？
解决办法一：将10亿个号码存入数据库中，进行数据库查询，准确性有了，但是速度会比较慢。
解决办法二：将10亿号码放入内存中，比如Redis缓存中，这里我们算一下占用内存大小：10亿*8字节=8GB，通过内存查询，准确性和速度都有了，但是大约8gb的内存空间，挺浪费内存空间的。
②、接触过爬虫的，应该有这么一个需求，需要爬虫的网站千千万万，对于一个新的网站url，我们如何判断这个url我们是否已经爬过了？
解决办法还是上面的两种，很显然，都不太好。
③、同理还有垃圾邮箱的过滤。
那么对于类似这种，大数据量集合，如何准确快速的判断某个数据是否在大数据量集合中，并且不占用内存，布隆过滤器应运而生了。
2、布隆过滤器简介带着上面的几个疑问，我们来看看到底什么是布隆过滤器。
布隆过滤器：一种数据结构，是由一串很长的二进制向量组成，可以将其看成一个二进制数组。既然是二进制，那么里面存放的不是0，就是1，但是初始默认值都是0。
如下所示：
①、添加数据
介绍概念的时候，我们说可以将布隆过滤器看成一个容器，那么如何向布隆过滤器中添加一个数据呢？
如下图所示：当要向布隆过滤器中添加一个元素key时，我们通过多个hash函数，算出一个值，然后将这个值所在的方格置为1。
比如，下图hash1(key)=1，那么在第2个格子将0变为1（数组是从0开始计数的），hash2(key)=7，那么将第8个格子置位1，依次类推。
②、判断数据是否存在？
知道了如何向布隆过滤器中添加一个数据，那么新来一个数据，我们如何判断其是否存在于这个布隆过滤器中呢？
很简单，我们只需要将这个新的数据通过上面自定义的几个哈希函数，分别算出各个值，然后看其对应的地方是否都是1，如果存在一个不是1的情况，那么我们可以说，该新数据一定不存在于这个布隆过滤器中。
反过来说，如果通过哈希函数算出来的值，对应的地方都是1，那么我们能够肯定的得出：这个数据一定存在于这个布隆过滤器中吗？
答案是否定的，因为多个不同的数据通过hash函数算出来的结果是会有重复的，所以会存在某个位置是别的数据通过hash函数置为的1。
我们可以得到一个结论：布隆过滤器可以判断某个数据一定不存在，但是无法判断一定存在。
③、布隆过滤器优缺点
优点：优点很明显，二进制组成的数组，占用内存极少，并且插入和查询速度都足够快。
缺点：随着数据的增加，误判率会增加；还有无法判断数据一定存在；另外还有一个重要缺点，无法删除数据。
3、Redis实现布隆过滤器①、bitmaps我们知道计算机是以二进制位作为底层存储的基础单位，一个字节等于8位。
比如“big”字符串是由三个字符组成的，这三个字符对应的ASCII码分为是98、105、103，对应的二进制存储如下：
在Redis中，Bitmaps提供了一套命令用来操作类似上面字符串中的每一个位。
一、设置值
setbitkeyoffsetvalue
我们知道"b"的二进制表示为01100010，我们将第7位（从0开始）设置为1，那01100011表示的就是字符“c”，所以最后的字符“big”变成了“cig”。
二、获取值
gitbitkeyoffset
三、获取位图指定范围值为1的个数
bitcountkey[startend]
如果不指定，那就是获取全部值为1的个数。
注意：start和end指定的是字节的个数，而不是位数组下标。
②、RedissonRedis实现布隆过滤器的底层就是通过bitmap这种数据结构，至于如何实现，这里就不重复造轮子了，介绍业界比较好用的一个客户端工具——Redisson。
Redisson是用于在Java程序中操作Redis的库，利用Redisson我们可以在程序中轻松地使用Redis。
下面我们就通过Redisson来构造布隆过滤器。
packagecom.ys.rediscluster.bloomfilter.redisson;\n\nimportorg.redisson.Redisson;\nimportorg.redisson.api.RBloomFilter;\nimportorg.redisson.api.RedissonClient;\nimportorg.redisson.config.Config;\n\npublicclassRedissonBloomFilter{\n\npublicstaticvoidmain(String[]args){\nConfigconfig=newConfig();\nconfig.useSingleServer().setAddress("redis://192.168.14.104:6379");\nconfig.useSingleServer().setPassword("123");\n//构造Redisson\nRedissonClientredisson=Redisson.create(config);\n\nRBloomFilter<String>bloomFilter=redisson.getBloomFilter("phoneList");\n//初始化布隆过滤器：预计元素为100000000L,误差率为3%\nbloomFilter.tryInit(100000000L,0.03);\n//将号码10086插入到布隆过滤器中\nbloomFilter.add("10086");\n\n//判断下面号码是否在布隆过滤器中\nSystem.out.println(bloomFilter.contains("123456"));//false\nSystem.out.println(bloomFilter.contains("10086"));//true\n}\n}
这是单节点的Redis实现方式，如果数据量比较大，期望的误差率又很低，那单节点所提供的内存是无法满足的，这时候可以使用分布式布隆过滤器，同样也可以用Redisson来实现，这里我就不做代码演示了，大家有兴趣可以试试。
4、guava工具最后提一下不用Redis如何来实现布隆过滤器。
guava工具包相信大家都用过，这是谷歌公司提供的，里面也提供了布隆过滤器的实现。
packagecom.ys.rediscluster.bloomfilter;\n\nimportcom.google.common.base.Charsets;\nimportcom.google.common.hash.BloomFilter;\nimportcom.google.common.hash.Funnel;\nimportcom.google.common.hash.Funnels;\n\npublicclassGuavaBloomFilter{\npublicstaticvoidmain(String[]args){\nBloomFilter<String>bloomFilter=BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),100000,0.01);\n\nbloomFilter.put("10086");\n\nSystem.out.println(bloomFilter.mightContain("123456"));\nSystem.out.println(bloomFilter.mightContain("10086"));\n}\n}
本系列教程持续更新，可以微信搜索「IT可乐」第一时间阅读。回复《电子书》有我为大家特别筛选的书籍资料
如果你还想了解更多这方面的信息，记得收藏关注本站。
