你在么？在！一定在么？不在！一定不在么？
你想要100%的准去性，还是99%的准确性附带较高的速度和较小的资源消耗。
任何算法都是时间效益、资源消耗、准确性的平衡（1天的时间 10元的投入 生产10个单位的产品，还是 0.6天的时间 6元的投入 生产9个单位的产品）
存在即合理，只是在不同场景下的不同选择。
1.布隆过滤器
百度百科
布隆过滤器（Bloom Filter）是1970年由布隆提出的。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。布隆过滤器可以用于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比一般的算法要好的多，缺点是有一定的误识别率和删除困难维基百科
A Bloom filter is a space-efficient probabilistic data structure, conceived
by Burton Howard Bloom in 1970, that is used to test whether an element is
a member of a set. False positive matches are possible, but false negatives
are not, thus a Bloom filter has a 100% recall rate. In other words, a query
returns either “possibly in set” or “definitely not in set”.
空间效率高的概率型数据结构，用来检查一个元素是否在一个集合中。
对于一个元素检测是否存在的调用，BloomFilter会告诉调用者两个结果之一：
可能存在或者一定不存在。用途
存值，与set map类似（set map 存储大量数据时浪费空间）。
校验值是否存在（不存在一定不存在，存在可能不一定存在【有一定误差】）。
原理
存值：
k = m/n * ln2 【m是数组长度，n是插入的元素个数，k是hash函数的个数】
假设想要将“张三”放入数组中，经计算k=3的情况，大体存储如下图。
校验：
1.同样的k值计算，获取hash函数个数，计算落点位置。
2.逐个落点校验，每个落点位置都标记为1则元素可能存在，只要有一个落点标记为0则不存在。
看到这大家是不是一下子明白的啥叫没有就是没有哈。
---------------------------------------------------------------------------------------------------------------------------------
2.Guava Bloom Filter
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import org.junit.Test;
import java.nio.charset.Charset;
public class BloomFilterTest {
@Test
public void test() {
// 100w bit长度 ,0.01%误判率
// bf对象则会生成 299534 个long数组,使用13次hash计算.
BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), 100 * 10000, 0.0001d);
System.out.println(bloomFilter.mightContain("test1")); // false
bloomFilter.put("test1");
System.out.println(bloomFilter.mightContain("test1")); // true
bloomFilter.put("test12");
}
}---------------------------------------------------------------------------------------------------------------------------------
3.Redis Redission Bloom Filter
1.pom依赖包
<dependency>
<groupId>org.redisson</groupId>
<artifactId>redisson-spring-boot-starter</artifactId>
<version>3.16.7</version>
</dependency>2.yml配置（redis配置）
spring:
redis:
host: xxxxx
port: 60002
password: x
ssl: false
3.Java 测试代码
import lombok.extern.slf4j.Slf4j;
import org.junit.Test;
import org.junit.runner.RunWith;
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.test.context.ActiveProfiles;
import org.springframework.test.context.junit4.SpringRunner;
import javax.annotation.Resource;
@SpringBootTest
@RunWith(SpringRunner.class)
@ActiveProfiles("test")
@Slf4j
public class RedisBloomFilterTest {
@Resource
private RedissonClient redissonClient;
@Test
public void testBloomFilter() {
// 预期插入数量
long expectedInsertions = 100L;
// 错误比率
double falseProbability = 0.01;
RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter("blackList");
bloomFilter.tryInit(expectedInsertions, falseProbability);
// 布隆过滤器增加元素
for (long i = 0; i < expectedInsertions; i++) {
bloomFilter.add("test" + i);
}
long elementCount = bloomFilter.count();
log.info("elementCount = {}.", elementCount);
// 统计误判次数
int count = 0;
for (long i = expectedInsertions; i < expectedInsertions * 2; i++) {
if (bloomFilter.contains("test" + i)) {
count++;
}
}
log.info("误判次数 = {}.", count);
bloomFilter.delete();
}
}
