本质上布隆过滤器是一种数据结构，比较巧妙的概率型数据结构（probabilistic data structure），特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”。
相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少，但是缺点是其返回的结果是概率性的，而不是确切的。
假设要判断一个id值是否存在，在不查询数据库的情况下，从一个上亿条数据量的表中得出是否存在该id值的结论。
出现的问题：把所有的id值都缓冲到内存中，然后遍历，但是内存是有限的，太耗内存，实际情况也没有这么打的内存，而且这里只是判断了容量小的id值，要是判断表中某个大字段列，都是不可能在内存中加载成功的。
解决的方案： 1：现在创建一个bit数组数据每项值初始化都是0。 2：此时不再是存储表中每个id值，而是把每个id值通过给定的hash()方法计算后，得到一个bit数组的角标，把这个bit数组角标对应的值修改为1。 3：现在客户端给定一个id值，我们也把这个id值执行hash（）方法得到对应的角标，看此角标的值，是否为1，是1表示存在，为0，表示不存在。 4：我们发现一个hash()方法得到角标标识一个唯一id值，不太准确，如果对一个id值，通过多个hash()方法获取的一个角标集合都设置为1，来作为这个id值，是否存在更为准确。 5：但是hash方法的个数也是有限制的，不是越多越好，越多的话，会造成一个bit数组99%角标的值都是1，那就失去准确率了。
它的底层维护了一个 bit 向量或者说 bit 数组，长这样： 通过多个hash（）方法算出的角标设置为1是这样的 需要注意的点：每个hash方法算出来的角标值必须在0~（bit数组长度-1）之间。
很显然，过小的布隆过滤器很快所有的 bit 位均为 1，那么查询任何值都会返回“可能存在”，起不到过滤的目的了。布隆过滤器的长度会直接影响误报率，布隆过滤器越长其误报率越小。 另外，哈希函数的个数也需要权衡，个数越多则布隆过滤器 bit 位置位 1 的速度越快，且布隆过滤器的效率越低；但是如果太少的话，那我们的误报率会变高。
标准公式 k 为哈希函数个数，m 为布隆过滤器长度，n 为插入的元素个数，p 为误报率。
1：加大bit数组的长度 2：增多hash方法的个数 但是上面的俩个方案都是在适度的范围内增加，加多了，反而适得其反。
布隆过滤器可以解决redis缓冲穿透的问题。
