原理：
位数组与Hash函数的联合使用。是一个包含m位的位数组，每位初始化为0，有k个不同的Hash函数，可将集合元素映射到位数组的某一位。插入元素需根据k个hash函数得到k个位，置为1。查询时判断这k个位（有0则该元素肯定不在集合中，都为1则该元素有可能在集合中）
BloomFilter的准确性
尽管BloomFilter已经尽可能的减小hash碰撞的概率了，但是，并不能彻底消除，因此正如上面提到的： 如果对应的bit位值都为1，那么也不能肯定这个url一定存在 也就是说，BloomFilter其实是存在一定的误判的，这个误判的概率显然和数组的大小以及hash函数的个数以及每个hash函数本身的好坏有关
如何让BloomFilter过滤更准确
- 多个hash，增大随机性，减少hash碰撞的概率
- 扩大数组范围，使hash值均匀分布，进一步减少hash碰撞的概率。
BloomFilter的应用
- 黑名单 比如邮件黑名单过滤器，判断邮件地址是否在黑名单中
- 排序(仅限于BitSet) 仔细想想，其实BitSet在set(int value)的时候，“顺便”把value也给排序了。
- 网络爬虫 判断某个URL是否已经被爬取过 K-V系统快速判断某个key是否存在
- 典型的例子有Hbase，Hbase的每个Region中都包含一个BloomFilter，用于在查询时快速判断某个key在该region中是否存在，如果不存在，直接返回，节省掉后续的查询。
布隆过滤器的常用公式
为什么上面公式会有个计算真是失误率呢?
因为我们在计算开的bit位数组空间大小和哈希函数个数时候m和k都会向上取整,所以真实失误率数值就会变化
参考https://blog.csdn.net/wangpeng322/article/details/100883323
