從上一篇可以得知，BloomFilter的關鍵在於hash演算法的設定和bit陣列的大小確定，通過權衡得到一個錯誤概率可以接受的結果。

演算法比較複雜，也不是我們研究的範疇，我們直接使用已有的實現。

google的guava包中提供了BloomFilter類，我們直接使用它來進行一下簡單的測試。

測試分兩步：
一 我們往過濾器裡放一百萬個數，然後去驗證這一百萬個數是否能通過過濾器，目的是校驗是壞人是否一定被抓。

二 我們另找1萬個不在這一百萬範圍內的數，去驗證漏網之魚的概率，也就是布隆過濾器的誤傷情況。

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
 
import java.util.ArrayList;
import java.util.List;
 
/**
 * Created by admin on 17/7/7.
 * 布隆過濾器
 */
public class Test {
    private static int size = 1000000;
 
    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);
 
    public static void main(String[] args) {
        for (int i = 0; i < size; i++) {
            bloomFilter.put(i);
        }
 
        for (int i = 0; i < size; i++) {
            if (!bloomFilter.mightContain(i)) {
                System.out.println("有壞人逃脫了");
            }
        }
 
        List<Integer> list = new ArrayList<Integer>(1000);
        for (int i = size + 10000; i < size + 20000; i++) {
            if (bloomFilter.mightContain(i)) {
                list.add(i);
            }
        }
        System.out.println("有誤傷的數量：" + list.size());
    }
}
 

執行後發現，沒有壞人逃脫，當我們去遍歷這一百萬個數時，他們都在過濾器內被識別了出來。
誤傷的數量是330.也就是有330個不在過濾器內的值，被認為在過濾器裡，被誤傷了。

錯誤概率是3%作用，為毛是3%呢。我們跟蹤原始碼看一下就知道了。

在create的多個過載方法中，最終走的是有4個引數的那個。我們上面用的是有2個引數的，注意看圖片最下面，我們不填第三方引數時，預設補了一個0.03，這個就代表了允許的錯誤概率是3%。第四個引數是雜湊演算法，預設是BloomFilterStrategies.MURMUR128_MITZ_64，這個我們不去管它，反正也不懂。

在第127行可以看到，要存下這一百萬個數，位陣列的大小是7298440，700多萬位，實際上要完整存下100萬個數，一個int是4位元組32位，我們需要4X8X1000000=3千2百萬位，差不多隻用了1/5的容量，如果是HashMap，按HashMap 50%的儲存效率，我們需要6千4百萬位，所有布隆過濾器佔用空間很小，只有HashMap的1/10-1/5作用。

128行是hash函式的數量，是5，也就是說系統覺得要保證3%的錯誤率，需要5個函式外加700多萬位即可。用3%誤差換十分之一的記憶體佔用。

我們也可以修改這個錯誤概率，譬如我們改為0.0001萬分之一。

private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, 0.0001);

再次執行看看

我們將28行改為10萬個數，發現結果為“誤傷12”。可以看到這個概率是比較靠譜的。

當概率為萬分之一時，我們看看空間佔用。

此時bit容量已經從700多萬到1900萬了，函式數量也從5變成了13.概率從3%縮減到萬分之一。

這就是布隆過濾器的簡單使用。具體的應用場景，具體實現。