数据结构
Redis无论什么数据类型，存储的时候都是以键值对key-value形势存储，并且所有的key都是String类型，本文讨论的数据类型是value的数据类型。
布隆过滤器
概述：布隆过滤器（Bloom Filter）是 1970 年由布隆提出的，Redis 4.0版本已插件的形式引入到Redis中，布隆过滤器是一种占用空间非常小的概率数据结构，效率高，有一定的误判率，而且无法删除元素，主要用于去重场景。
布隆过滤器常用命令：
| 命令 | 描述 |
|---|---|
| bf.add key value | 向布隆过滤器key中添加value |
| bf.madd key value1 value2 … | 向布隆过滤器key中添加多个value（支持批量操作） |
| bf.exists key value | 判断布隆过滤器key中是否存在value，value一定不存在返回0，可能存在返回1 |
| bf.mexists key value1 value2 … | 判断布隆过滤器key中是否存在value1 value2 （支持批量操作），value一定不存在返回0，可能存在返回1 |
| bf.scandump key value | 对布隆顾虑器key进行持久化操作 |
布隆过滤器的原理？
- 布隆过滤器（Bloom Filter）由二进制向量（即位数组）和一系列随机映射函数（即哈希函数）两部分组成，其空间占用非常小。
- 布隆过滤器（Bloom Filter）使用exists()方法来判断某个元素是否存在，布隆过滤器判断某个值不存在，那么这个值就一定不存在，当其判断某个值存在时候，这个值不一定存在，但是有一定的误判率。
- 布隆过滤器（Bloom Filter）判断某个值是否存在的时候，会对这个值进行hash计算，然后找到在位数组中的位置(可能是多个位置)，若都为1则表示这个值可能存在，若有一个为0，则说明值不存在。
布隆过滤器的工作流程：
- 往布隆过滤器中添加值的时候，先使用布隆过滤器的的hash函数对值进行计算，得到对应的hash值，找到对应的位数组位置，将只设置为1。
- 判断一个值是否存在于布隆过滤器的时候，同样先对值进行相同的hash计算，得到对应的hash值，找到对应的位数组位置，如果都为1，则表示只存在于布隆过器中，否则就不在。
布隆过滤器的优点：
- 空间占用小，不记录原数据，只标记是否存在。
- 支持海量数据下的不精准判断元素是否存在，存在误判。
布隆过滤器的缺点：
- 存在误判，不适合准确度要求高的场景。
- 只能增加不可删除，存在误判。
- 只能去重判断，不支持计算，对于需要去重计数的场景不友好。
布隆过滤器的应用场景：
- 防止缓存穿透。
- 黑名单校验，防止被攻击。
- 判断用户是否访问过，防止用户看到重复的内容。
- 统计在线人数。
如有不正确的地方请各位指出纠正。
