直觀的說，bloom演算法類似乙個hash set，用來判斷某個元素（key）是否在某個集合中
和一般的hash set不同的是，這個演算法無需儲存key的值，對於每個key，只需要k個位元位，每個儲存乙個標誌，用來判斷key是否在集合中。
首先需要k個hash函式，每個函式可以把key雜湊成為1個整數
初始化時，需要乙個長度為n位元的陣列，每個位元位初始化為0
某個key加入集合時，用k個hash函式計算出k個雜湊值，並把陣列中對應的位元位置為1
判斷某個key是否在集合時，用k個hash函式計算出k個雜湊值，並查詢陣列中對應的位元位，如果所有的位元位都是1，認為在集合中。
優點：不需要儲存key，節省空間
缺點：1.演算法判斷key在集合中時，有一定的概率key其實不在集合中
5. 無法刪除
典型的應用場景：
某些儲存系統的設計中，會存在空查詢缺陷：當查詢乙個不存在的key時，需要訪問慢裝置，導致效率低下。
比如乙個前端頁面的快取系統，可能這樣設計：先查詢某個頁面在本地是否存在，如果存在就直接返回，如果不存在，就從後端獲取。但是當頻繁從快取系統查詢乙個頁面時，快取系統將會頻繁請求後端，把壓力匯入後端。
這是只要增加乙個bloom演算法的服務，後端插入乙個key時，在這個服務中設定一次
需要查詢後端時，先判斷key在後端是否存在，這樣就能避免後端的壓力。
}//新增乙個鍵
func (b bloomfilter)
add(value string)
}//檢視值在不在bloolm過濾器裡面
func (b bloomfilter)
contains
(value string) bool
for _, f :
= range b.funcs
}return true
}
布隆過濾器
布隆過濾器 bloom filter 是1970年由布隆提出的。它實際上是乙個很長的二進位制向量和一系列隨機對映函式。布隆過濾器可以用於檢索乙個元素是否在乙個集合中。它的優點是空間效率和查詢時間都遠遠超過一般的演算法，缺點是有一定的誤識別率和刪除困難。如果想要判斷乙個元素是不是在乙個集合裡，一般想到...
布隆過濾器
布隆過濾器的概念 如果想要判斷乙個元素是不是在乙個集合裡，一般想到的是將所有元素儲存起來，然後通過比較確定。鍊錶，樹等等資料結構都是這種思路.但是隨著集合中元素的增加，我們需要的儲存空間越來越大，檢索速度也越來越慢 o n o logn 不過世界上還有一種叫作雜湊表 又叫 雜湊表，hash tabl...
布隆過濾器
如果想判斷乙個元素是不是在乙個集合裡，一般想到的是將集合中所有元素儲存起來，然後通過比較確定。鍊錶 樹 雜湊表 又叫雜湊表，hash table 等等資料結構都是這種思路。但是隨著集合中元素的增加，我們需要的儲存空間越來越大。同時檢索速度也越來越慢。bloom filter 是一種空間效率很高的隨機...