參考：
背景：
布隆過濾器主要應用在redis快取穿透的場景中（大量查詢不存在的key，redis中不存在，就會將請求打到mysql之類的磁碟儲存裝置中，導致系統崩潰）
快取穿透的解決方法
1.在redis中快取空值，就是將空的key也快取到redis中，但是會占用空間
2.使用布隆過濾器，將全部的有效資料都走一遍布隆過濾器，這樣新來請求時，先走一遍請求的元素是否能通過布隆過濾器的驗證，若未通過就直接放棄請求，若通過再執行查詢
注意：布隆過濾器可能誤判，即使元素通過布隆過濾器的攔截，也可能是無效請求，布隆過濾器只是可以大大降低無效請求的概率
布隆過濾器原理：
原理就是對乙個key進行k個hash演算法獲取k個值，在位元陣列中將這k個值雜湊後設定為1，然後查的時候如果特定的這幾個位置都為1，那麼布隆過濾器判斷該key存在。
布隆過濾器可能會誤判，如果它說不存在那肯定不存在，如果它說存在，那資料有可能實際不存在；
redis的bitmap只支援2^32大小，對應到記憶體也就是512mb，誤判率萬分之一，可以放下2億左右的資料，效能高，空間佔用率極小，省去了大量無效的資料庫連線。
因此我們可以通過布隆過濾器，將redis快取穿透控制在乙個可容範圍內。
例如新聞客戶端的推送去重功能，當推薦系統推薦新聞時會從每個使用者的歷史記錄裡進行篩選，過濾掉那些已經存在的記錄。
實際上，如果歷史記錄儲存在關聯式資料庫裡，去重就需要頻繁地對資料庫進行 exists 查詢，當系統併發量很高時，資料庫是很難扛住壓力的。如果使用快取把歷史記錄都放入快取裡，占用空間太大明顯不現實，這個時候布隆過濾器就登場了，它就是專門用來解決這種去重問題的。它在起到去重的同時，在空間上還能節省 90% 以上，只是稍微有那麼點不精確，也就是有一定的誤判概率。
使用者瀏覽記錄存入資料庫時，會在filter上通過key的hash演算法儲存判斷其是否存在，類似於資料存在資料庫中，判斷該資料是否存在的資訊即元資料存放在bloomfilter中，避免了每次判斷資料是否存在都要去資料庫exist一遍；這樣推送新聞時通過布隆過濾器判斷，推送內容是否已經存在，如果存在則不推送，如果不存在則推送；
布隆過濾器可以準確過濾你已經看過的內容，沒有看過的新內容，可能由於誤判率過濾掉極小的一部分，這樣就可以保證推薦給使用者的都是無重複的。
redis之布隆過濾器
布隆過濾器是什麼？布隆過濾器可以理解為乙個不怎麼精確的 set 結構，當你使用它的 contains 方法判斷某個物件是否存在時，它可能會誤判。但是布隆過濾器也不是特別不精確，只要引數設定的合理，它的精確度可以控制的相對足夠精確，只會有小小的誤判概率 布隆過濾器基本使用 布隆過濾器有二個基本指令，b...
Redis 布隆過濾器
實現原理 對的資料肯定是對的，錯的資料不能保證是對的。解釋如下 之前新增到容器中的資料，再次進行判斷是不是在這裡面，因為來過，槽位肯定我為1，所以判斷是不會出現問題的。容器中不存在，判斷是不是在容器中，可能其他的資料通過hash函式執行後把槽位占用了，所以存在一定的誤差。不能保證一定沒問題。hash...
Redis 布隆過濾器
想知道某乙個值是不是已經在 hyperloglog 結構裡面了，它就無能為力了，它只提供了 pfadd 和 pfcount 方法，沒有提供 pfcontains 這種方法。講個使用場景，比如我們在使用新聞客戶端看新聞時，它會給我們不停地推薦新的內容，它每次推薦時要去重，去掉那些已經看過的內容。問題來...