目录
场景
场景一：原本有10亿个号码，现在又来了10万个号码，要快速准确判断这10万个号码是否在10亿个号码库中？
解决一：将10亿个号码存入数据库中进行数据库查询；
解决二：将十亿个号码存入内存中，比如Redis缓存中，这里我们算一下占用内存大小：10亿*8字节=8GB，通过内存查询，准确性和速度都有了，但是大约8gb的内存空间，挺浪费内存空间的；
场景二：接触过爬虫的，应该有这么一个需求，需要爬虫的网站千千万万，对于一个新的网站url，我们如何判断这个url我们是否已经爬过了？
布隆过滤器的介绍
布隆过滤器：一种数据结构，是由一串很长的二进制向量组成，可以将其看成一个二进制数组。既然是二进制，那么里面存放的不是0，就是1，但是初始默认值都是0
添加数据
我们可以将布隆过滤器看成一个容器，那么如何向布隆过滤器中添加一个数据呢？
1.首先当要向布隆过滤器中添加一个元素key时，我们通过多个hash函数，算出一个值，然后将这个值所在的方格置为1（当这个位置没有添加元素的时候，也就是位置为0的时候）
比如，下图hash1(key)=1，那么在第2个格子将0变为1（数组是从0开始计数的），hash2(key)=7，那么将第8个格子置位1，依次类推；
判断该位置数据是否存在？
知道了如何向布隆过滤器中添加一个数据，那么新来一个数据，如何判断是否已经存在于这个布隆过滤器中呢？
1.首先将这个新的数据通过自定义的几个哈希函数计算出位置值，看布隆过滤器对应的位置是否都为1，如果不为1，说明该数据一定没有存在于布隆过滤器中
2.但是可能出现不同的数据经过hash计算得到一样的值，所以说可能会出现哈希冲突的情况——>存在位置上是不一样的数据将布隆过滤器位置置为1
结论：
布隆过滤器可以判断数据一定不存在（位置为0），但是不能判断数据是否一定存在（多个数据置1）
优点：二进制组成的数组首先占空间较少（不是0就是1），并且查询速度较快（下标）
缺点：数据量越大，误判率越高，毕竟存在不同数据将位置置为1的情况（哈希冲突）——>判断数据存在错误率还是有的，但是判断数据不存在还是非常nice
Redis实现布隆过滤器
bitmaps——>它本身不是一种数据结构，只是一个定义在String类型上面向字节的一个集合
例子：
我们知道计算机是以二进制位作为底层存储的基础单位，一个字节等于8位。
比如“big”字符串是由三个字符（一字符一字节，big也就是3字节）组成的，这三个字符对应的ASCII码分为是98、105、103，对应的二进制存储如下：
在Redis中，Bitmaps 提供了一套命令用来操作类似上面字符串中的每一个位
1.将set的键值对利用Bitmaps的命令进行修改
设置k1为big后，setbit k1 7 1——>将k1对应值big中的第7位修改为1——>变成cig了
我们知道"b"的二进制表示为0110 0010，我们将第7位（从0开始）设置为1，那0110 0011 表示的就是字符“c”，所以最后的字符 “big”变成了“cig”；
2.获取键值上某位的值
getbit key offsetcig三个字符，也就是三个字节，24位
