布隆过滤器是 由布隆（Burton Bloom）1970 年提出的概率型数据结构，核心用途：快速判断一个元素大概率存在 / 一定不存在，做存在性校验，节省内存、提高查询速度
它是一串很长的01字符串，如果不存在就是0，存在就是1
添加元素流程(以我们的手机号为例子)
1.把手机号依次经过 N 个不同哈希函数计算，得到 N 个不同数组下标位置
2.将这些下标位置的二进制位，全部置为 1
3.比如 3 个哈希函数，就把 3 个 bit 位标记为 1
查询过程也和添加过程类似
1.用同样 N 个哈希函数计算该手机号，得到对应下标
2.只要有任意一个 bit 位是 0 → 该元素一定不存在（绝对准确）
3.所有 bit 位都是 1 → 该元素大概率存在
应用场景
黑名单拦截（IP / 账号 / 违规关键词过滤）
爬虫 URL 去重，避免重复爬网页
商品库存 / ID 存在性快速校验
防止重复消息消费、幂等校验
海量数据检索（亿级数据快速过滤）
布隆过滤器可以使用极小的在大量的数据里面判断一个元素是否存在
Redisson中的布隆过滤器
Redisson 封装了 Redis 原生布隆过滤器（基于 RedisBloom 插件），提供 RBloomFilter 对象，适配分布式微服务，解决跨服务全局查重、防缓存穿透，本质是 Redis 上的位数组布隆过滤器。
java
@Autowired
private RedissonClient redissonClient;
// 1. 获取布隆过滤器实例，指定名称、预期容量、误判率
RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter("user_mobile_bloom");
// 初始化（只需要执行一次！重复初始化会重置数据）
// 参数：预期元素总数、允许误判概率
bloomFilter.tryInit(1000000, 0.01);
// 2. 添加元素（手机号）
bloomFilter.add("13800001111");
// 3. 判断元素是否存在
boolean isExist = bloomFilter.contains("13800001111");
// 4. 异步版本
bloomFilter.addAsync("13800002222");
bloomFilter.containsAsync("13800002222");
// 5. 获取布隆信息
long size = bloomFilter.size(); // 已存入元素数量
double falseProbability = bloomFilter.getFalseProbability(); // 当前误判率