布隆过滤器(解决redis缓存穿透步骤之一)

布隆过滤器详解

1、是什么

布隆过滤器（Bloom Filter）：一个很长的二进制位数组 + N 个哈希函数 ，用来快速判断：某个元素一定不存在 / 可能存在。

✅特点：

判断不存在：100% 准确
判断存在：有误判概率（可能把不在的元素判定为存在）
不能删除元素（普通布隆），只能新增、查询
不存储原始数据，只存 hash 映射后的 bit 位，内存占用极小

2、工作原理

初始化：长度为 m 的 bit 数组，全部置 0
添加元素 元素经过 k 个不同哈希函数，算出 k 个下标，把数组对应下标全部置为 1。

同一个位置多次置 1，还是 1。

查询元素是否存在 对元素执行同样 k 个 hash，拿到 k 个下标：

只要有任意一位是 0 → 元素一定不存在
全部都是 1 → 元素可能存在（存在误判）

误判来源：不同元素 hash 刚好落在同一批 bit 位上。

❌不能删除：如果把某个 bit 置 0，会影响其他共用这个 bit 的元素。

如果需要删除：使用计数布隆过滤器，bit 数组改成计数器数组。

3、核心参数

m：bit 数组长度（越大，误判率越低，内存越大）
n：预期存放元素数量
k：哈希函数个数
误判率 p：业务上可以接受的错误概率

经验公式：最佳哈希函数数量 k = (m/n)*ln2 m 越大、n 越小，误判率越低。

4、Java/Redis 实际使用场景

场景 1：缓存穿透（最经典面试）

大量请求查询数据库不存在的数据，直接打穿 Redis 打到 DB。

方案：把所有有效 key 放入布隆过滤器。请求过来先过布隆：

返回不存在 → 直接返回，不查 redis、不查 DB
返回可能存在 → 再查缓存、数据库

注意：布隆过滤器有误判，不会 100% 拦截。

场景 2：黑名单、垃圾过滤

黑名单手机号、url，判断是否在黑名单。

场景 3：去重

比如爬虫，判断 url 是否已经爬过；大数据量去重。

❗不能做：精确判断存在、需要删除元素的业务。

5、Redis 布隆过滤器

Redis4.0 以后提供插件 RedisBloom

复制代码

# 添加
BF.ADD bloom_user 10001
# 查询
BF.EXISTS bloom_user 10001

Redis 布隆也不支持删除。

实例 1：Redis 布隆过滤器解决缓存穿透（伪业务代码，Java）

前提：Redis 安装 RedisBloom 模块，命令：BF.ADD、BF.EXISTS

业务：商品查询

项目启动预热：把数据库全部合法商品 id 加载进布隆过滤器

java 复制代码

// 项目启动，把所有商品id存入布隆
List<Long> allGoodsId = goodsMapper.selectAllGoodsId();
for (Long id : allGoodsId) {
    // BF.ADD bloom:goods 1001
    redisTemplate.opsForValue().execute((RedisCallback<Object>) conn -> {
        conn.bfAdd("bloom:goods", id.toString().getBytes());
        return null;
    });
}

查询商品完整流程

java 复制代码

public Goods getGoodsById(Long goodsId){
    //①第一步：布隆过滤器判断
    Boolean mayExist = (Boolean)redisTemplate.opsForValue().execute(conn->{
        return conn.bfExists("bloom:goods",goodsId.toString().getBytes());
    });
    //布隆返回false：一定不存在，直接返回，不走redis、不走DB
    if(Boolean.FALSE.equals(mayExist)){
        return null;
    }

    //②布隆说可能存在，查询Redis缓存
    String cacheJson = redisTemplate.opsForValue().get("goods:"+goodsId);
    if(cacheJson != null){
        return JSONUtil.toBean(cacheJson,Goods.class);
    }

    //③redis未命中，查询数据库
    Goods goods = goodsMapper.selectById(goodsId);
    if(goods != null){
        //写入redis缓存
        redisTemplate.opsForValue().set("goods:"+goodsId,JSONUtil.toJsonStr(goods),30, TimeUnit.MINUTES);
    }
    return goods;
}

业务注意：新增商品，需要同步调用BF.ADD把新 id 加入布隆； ⚠️删除商品，普通布隆无法删除，会产生脏数据。

实例2：Guava 布隆过滤器（Java 本地）

java 复制代码

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>32.1.3-jre</version>
</dependency>

java 复制代码

// 预期元素10万，误判率0.01
BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(StandardCharsets.UTF_8),100000,0.01);
bloomFilter.put("zhangsan");
boolean exist = bloomFilter.mightContain("zhangsan");

Guava 布隆是本地内存，多实例环境无法共享，适合单机；分布式必须用 RedisBloom。

6、高频面试考点

为什么布隆过滤器不能删除？

一个 bit 位会被多个元素共享，把 bit 置 0，会把其他元素标记成不存在。解决：计数布隆过滤器，每个位置存计数器，删除计数器减一。

为什么会误判？

哈希冲突，不同元素映射到同一组 bit。不会漏判，只会误判。不存在一定是真的不存在；存在不一定真的存在。

缓存穿透使用布隆过滤器有什么缺点？ 1）有一定误判率； 2）元素新增后布隆要同步； 3）数据大量删除，普通布隆无法处理； 4）Redis 布隆需要安装插件；Guava 本地实例之间数据不互通。
布隆过滤器、BitMap 区别

BitMap：一个元素对应一个 bit，无误差，但是需要知道元素最大值，适合 id 连续场景。
布隆过滤器：k 个 hash 映射多个 bit，有误差，不需要知道元素范围，适合字符串、不规则 id。

7、对比小结

表格

特性	布隆过滤器	BitMap
误差	存在误判	无误差
存储原始值	不存储	不存储
删除	普通版本不支持	支持
适用数据	字符串、离散 id	连续数字 id
内存	极小	取决于最大值