布隆过滤器是一种高度空间效率的随机数据结构。它使用位数组来简洁地表示一个集合，并可以确定一个元素是否属于这个集合。布隆过滤器的高效性是以一定的代价为代价的：在确定一个元素是否属于某个集合时，有可能错误地将一个不属于该集合的元素视为属于该集合（误报）。因此，布隆过滤器不适用于“零错误”的应用场景。然而，在可以容忍低错误率的应用场景中，布隆过滤器通过极少的错误实现了存储空间的显著节省。

从上述分析可以知道，布隆过滤器的核心思想是使用位数组（bit array）和一组哈希函数。

位数组，每个位最初为 0

在插入值 x 时，分别使用 k 个哈希函数（图中为 3 个）对值 x 进行哈希，取哈希值与布隆过滤器容量的余数，并将结果表示的相应位的值设置为 1。

搜索过程类似于插入过程。同样，使用 k 个哈希函数对要搜索的值进行哈希。只有当哈希得到的每个位的值都为 1 时，才表明该值“可能”真实存在；反之，如果任何位的值为 0，则表明该值必定不存在。例如，y1 必定不存在；而 y2 可能存在。

Redis 本身支持布隆过滤器的数据结构。让我们简单地使用 Redisson 客户端实现代码：

import org.redisson.Redisson;
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.redisson.config.Config;

public class UserExistenceChecker {

    // Redis 中布隆过滤器的名称
    private static final String BLOOM_FILTER_NAME = "user_existence_filter";

    public static void main(String[] args) {
        // 创建一个 Redisson 客户端
        RedissonClient redisson = createRedissonClient();

        // 检索或创建一个布隆过滤器实例
        // 预期元素数量和误报概率是参数
        RBloomFilter<String> bloomFilter = redisson.getBloomFilter(BLOOM_FILTER_NAME);
        bloomFilter.tryInit(100000L, 0.001); // 使用预期元素和误报率初始化布隆过滤器

        // 向布隆过滤器中添加用户
        bloomFilter.add("user123");

        // 检查用户是否存在
        boolean exists = bloomFilter.contains("user123"); // 应返回 true
        System.out.println("用户 'user123' 是否存在？" + exists);

        // 检查一个不存在的用户（由于布隆过滤器的特性，可能错误地报告为 true）
        exists = bloomFilter.contains("user456"); // 假设未添加，理想情况下应返回 false，但可能是误报
        System.out.println("用户 'user456' 是否存在？" + exists);

        // 关闭 Redisson 客户端
        redisson.shutdown();
    }

    // 创建 Redisson 客户端的辅助方法
    private static RedissonClient createRedissonClient() {
        Config config = new Config();
        config.useSingleServer()
                .setAddress("redis://127.0.0.1:6379"); // 根据您的 Redis 地址进行调整
//                .setPassword("yourpassword"); // 如果有密码，请提供您的 Redis 密码

        return Redisson.create(config);
    }
}

优点：

• 节省内存空间： 与使用哈希表等数据结构相比，布隆过滤器通常需要更少的内存空间，因为它不存储实际元素，而只存储元素的哈希值。如果使用误差概率为 0.001 存储 10 亿条记录，只需要 1.67 GB 的内存。与原始的 15G 相比，大大减少了。

• 高效查找： 布隆过滤器可以在常数时间 (O(1)) 内快速确定集合中是否存在元素，而无需遍历整个集合。

缺点：

• 存在误报率： 当布隆过滤器确定元素是否存在时，存在一定的误报率。这意味着在某些情况下，它可能错误地报告某个元素存在，但不会错误地报告某个元素不存在。然而，这通常影响不大。

• 无法删除元素： 布隆过滤器通常不支持从集合中删除元素，因为删除一个元素会影响其他元素的哈希值，增加误报率。