一、概述
    布隆过滤器（Bloom Filter）主要用来检索一个元素是否在一个集合中。它是一种数据结构bitMap,优点是高效的插入和查询，而且非常节省空间。缺点是存在误判率和删除困难。
二、应用场景
    1、避免缓存穿透，当redis做缓存，没有命中会查询数据库，若量很大，流量打在数据库，会造成压力。若缓存空值避免穿透，量大需要缓存大量的key,若空值过期，造成不一致情况，故不推荐。另外一种用hashMap存储，但是key值量大，会占用内存飙升，也不建议。推荐使用 Bloom Filter，节省空间，也是当前主流做法
    2、判断用户是否是刷单用户，是否在黑名单池内。如1一亿 个垃圾 email ，5kw+黑名单池。存数据库耗空间，查询速度慢且高频查询。哈希表查询效率O(1),哈希表的做法：首先，哈希函数将一个email地址映射成8字节信息指纹；考虑到哈希表存储效率通常小于50%（哈希冲突）；因此消耗的内存：8 * 2 * 1亿 字节 = 1.6G 内存。非常大，故布隆过滤器（Bloom Filter）就解决此类问题
    3、RocketMQ通过布隆过滤器防止消息重复消费：防止RocketMQ消息重复消费，我们发送消息时可以对每个消息设置唯一的key，然后在消费者处利用布隆过滤器对消息的key检索，如果存在则说明消息已经消费过，不消费。不存在则进行消费，然后插入布隆过滤器
二、布隆过滤器Bloom Filter原理和数据结构
数据结构：
    布隆过滤器是由很长的二进制向量（即可以理解成很长的0、1数组）与一系列随机映射函数（Hash函数）构成。BloomFilter 是由一个固定大小的二进制向量或者位图（bitmap）和一系列映射函数组成的。在初始状态时，对于长度为 m 的位数组，它的所有位都被置为0。因此我们可以将布隆过滤器理解成下图这种很长的一个二进制数组：
优点：布隆过滤器的数据结构仅需要存储“0”或“1”，因此所占用内存极少
检索和插入原理：
    1、Hash函数：把输入值通过特定方式（hash函数） 处理后 生成一个值，这个值等同于存放数据的地址
    2、插入（增加）数据的原理：Hash函数是 y=x²&（len-1），这里y是指最终在布隆过滤器的数据结构（二进制数组）中存放的下标位置，x指我们传入的值，len指数组的长度。那么如果当数组长度为100（举个例子，实际上数组长度是很长的），传入的值为5，则我们通过Hash函数得到的下标为25。那么此时我们便将下标25的值从0标为1
3、检索原理：当我们下次再输入这个值的时候，我们会得到当前数组对应下标的值为1，说明我们有这个数字
误判原理：
    Hash函数F(key)得到的结果的作为地址去存放当前的value值，但是却发现算出来的地址上已经被占用了，这就是所谓的hash冲突
    在经过上述流程后，我们数组下标为25的值是1。此时我们传入一个值25，那么通过我们上述举例的Hash算法计算后得到的数组下标值也为25，那么此时布隆过滤器是不是就会认为值25是存在的！但是实际上是因为5和25经过Hash映射后得到同一个地址，导致了误判！
误判率：
    布隆过滤器会有一定误判率。当一个不存在的元素，对应的一系列映射后的地址的值为1，即出现误判
布隆过滤器参数：
    布隆过滤器的时候能通过设置两个参数：①预期数据量 ②误判率期望值。我们可以通过设置“误判率期望值”来达到我们能接受的误判率
三、布隆过滤器代码实现