原创转载请注明出处：https://www.cnblogs.com/agilestyle/p/11632622.html
背景
比如刷抖音的时候，抖音会不停的推荐新的内容，而它每次推荐时候都要去重，以去掉那些我们已经看过的内容，问题是抖音是如何实现推送去重的？
Bloom Filter方案
Bloom Filter就是专门用来解决这种去重问题的。它在起到去重作用的同时，在空间上还能节省90%以上，但是稍微有点不精确，有一定的误判概率。
可以把布隆过滤器理解成一个不怎么精确的set结构，当使用它的contains方案判断某个对象是否存在时，它可能会误判。但是布隆过滤器也不是特别不精确，只要参数设置的合理，它的精确度也可以控制的相对足够精确，只会有小小的误判概率。
Redis官方提供的布隆过滤器到了Redis4.0提供了插件功能之后才正式登场。布隆过滤器作为一个插件加载到Redis Server中，给Redis提供了强大的布隆去重功能。
两个基本指令
bf.add
bf.exists
空间占用统计
https://krisives.github.io/bloom-calculator/
布隆过滤器的其他应用
- 爬虫系统，对URL进行去重，已经爬过的网页就可以不用再爬了，可以大幅降低去重存储消耗。
- NoSQL数据库中例如HBase，使用布隆过滤器可以显著降低数据库的IO请求量。当用户来查询某个row时，可以先通过内存中的布隆过滤器过滤掉大量不存在的row请求，然后再去磁盘进行查询。
- 邮箱系统的垃圾邮件过滤功能也普遍用到来布隆过滤器，当然也会有某些正常的邮件被放进垃圾邮件目录中，误判所致，概率比较低。