一:布隆过滤器简介：
Bloom Filter是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。Bloom Filter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。
二：优势和劣势
1：优势：
①：仅仅保留数据的指纹信息，空间效率极高
②：信息安全性极高
③：查询效率极高，时间复杂度为O(N)
2：劣势 ：
①：存在一定的误判
②：删除数据困难
三：常用API总结：
引入Google的guava java API包，常用方法有：create(Funnel<? super T> funnel, int expectedInsertions, double fpp)； put(T object)； mightContain(T object) ；
四：使用场景：
布隆过滤器在redis集群的上一步，主要是判断数据是否存在于布隆过滤器中，这样减少对redis服务器的压力。布隆过滤器其原理就是把大数据量加载到内存中，判断数据是否存在。大数据量加载到内存中，这样容易导致OOM。一般是在应用启动的时候，进行初始化把数据加载到布隆过滤器中。布隆过滤器所需要占内存公式为：设bit数组大小为m，样本数量为n，失误率为p。由题可知 n = 500万，p = 3%（Google布隆过滤器默认为3%，我们也可以修改），公式为：
五：与redis服务器集成：
其中Redission中的Jar封装了该布隆过滤器的方法和API。总结一下：布隆过滤器主要是判断数据是否存在集合（大量的数据）中，主要用途比如垃圾邮件过滤、爬虫爬过的网页等。利用其如果数据不在集合中，则一定不会在集合中。如果数据在集合中，不一定会在集合中，会有一定的误判率。也可以解决缓存穿透的问题（数据库和缓存中数据都不存在的情况）。