接着实现布隆过滤器：
public class BloomFilter { private static final int[] K_SEED_ARRAY = {5, 7, 11, 13, 31, 37, 61, 67}; private static final int MAX_K = K_SEED_ARRAY.length; private final int m; private final int k; private final BitSet bitSet; private final HashFunction[] hashFunctions; public BloomFilter(int m, int k) { this.k = k; if (k <= 0 && k > MAX_K) { throw new IllegalArgumentException("k = " + k); } this.m = m; this.bitSet = new BitSet(m); hashFunctions = new HashFunction[k]; for (int i = 0; i < k; i++) { hashFunctions[i] = new HashFunction(m, K_SEED_ARRAY[i]); } } public void addElement(String element) { for (HashFunction hashFunction : hashFunctions) { bitSet.set(hashFunction.hash(element), true); } } public boolean contains(String element) { if (Objects.isNull(element)) { return false; } boolean result = true; for (HashFunction hashFunction : hashFunctions) { result = result && bitSet.get(hashFunction.hash(element)); } return result; } public int m() { return m; } public int k() { return k; } public static void main(String[] args) { BloomFilter bf = new BloomFilter(24, 3); bf.addElement("throwable"); bf.addElement("throwx"); System.out.println(bf.contains("throwable")); // true } }这里的散列算法和有限的k值不足以应对复杂的场景，仅仅为了说明如何实现布隆过滤器，总的来说，原生布隆过滤器算法是比较简单的。对于一些复杂的生产场景，可以使用一些现成的类库如Guava中的布隆过滤器API、Redis中的布隆过滤器插件或者Redisson（Redis高级客户端）中的布隆过滤器API。
布隆过滤器应用主要包括：
Guava中的API
Redisson中的API
使用场景
使用Guava中的布隆过滤器API引入Guava的依赖：
<dependency> <groupId>com.google.guava</groupId> <artifactId>guava</artifactId> <version>30.1-jre</version> </dependency>使用布隆过滤器：
import com.google.common.hash.BloomFilter; import com.google.common.hash.Funnels; import java.nio.charset.StandardCharsets; public class GuavaBloomFilter { @SuppressWarnings("UnstableApiUsage") public static void main(String[] args) { BloomFilter<CharSequence> bloomFilter = BloomFilter.create(Funnels.stringFunnel(StandardCharsets.US_ASCII), 10000, 0.0444D); bloomFilter.put("throwable"); bloomFilter.put("throwx"); System.out.println(bloomFilter.mightContain("throwable")); System.out.println(bloomFilter.mightContain("throwx")); } }构造BloomFilter的最多参数的静态工厂方法是BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions, double fpp, BloomFilter.Strategy strategy)，参数如下：
funnel：主要是把任意类型的数据转化成HashCode，是一个顶层接口，有大量内置实现，见Funnels
expectedInsertions：期望插入的元素个数
fpp：猜测是False Positive Percent，误判率，小数而非百分数，默认值0.03
strategy：映射策略，目前只有MURMUR128_MITZ_32和MURMUR128_MITZ_64（默认策略）
参数可以参照上面的表格或者参数生成器的指导，基于实际场景进行定制。
使用Redisson中的布隆过滤器API高级Redis客户端Redisson已经基于Redis的bitmap数据结构做了封装，屏蔽了复杂的实现逻辑，可以开箱即用。引入Redisson的依赖：
<dependency> <groupId>org.redisson</groupId> <artifactId>redisson</artifactId> <version>3.15.1</version> </dependency>使用Redisson中的布隆过滤器API：
import org.redisson.Redisson; import org.redisson.api.RBloomFilter; import org.redisson.api.RedissonClient; import org.redisson.config.Config; public class RedissonBloomFilter { public static void main(String[] args) { Config config = new Config(); config.useSingleServer() .setAddress("redis://127.0.0.1:6379"); RedissonClient redissonClient = Redisson.create(config); RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter("ipBlockList"); // 第一个参数expectedInsertions代表期望插入的元素个数，第二个参数falseProbability代表期望的误判率，小数表示 bloomFilter.tryInit(100000L, 0.03D); bloomFilter.add("127.0.0.1"); bloomFilter.add("192.168.1.1"); System.out.println(bloomFilter.contains("192.168.1.1")); // true System.out.println(bloomFilter.contains("192.168.1.2")); // false } }Redisson提供的布隆过滤器接口RBloomFilter很简单：
常用的方法有tryInit()（初始化）、add()（添加元素）和contains()（判断元素是否存在）。相对于Guava的内存态的布隆过滤器实现，Redisson提供了基于Redis实现的分布式布隆过滤器，可以满足分布式集群中布隆过滤器的使用。
布隆过滤器使用场景其实布隆过滤器的使用场景可以用百科中的一张示意图来描述：
基于上图具体化的一些场景列举如下：
网站爬虫应用中进行URL去重（不存在于布隆过滤器中的URL必定是未爬取过的URL）
防火墙应用中IP黑名单判断（不局限于IP黑名单，通用的黑名单判断场景基本都可以使用布隆过滤器，不存在于布隆过滤器中的IP必定是白名单）
用于规避缓存穿透（不存在于布隆过滤器中的KEY必定不存在于后置的缓存中）
布隆过滤器变体