引：40亿个字符串集合，快速判断某个字符串是否存在
位图适用于整形，布隆过滤器适用于任何类型；
什么是布隆过滤器
本质上布隆过滤器是一种数据结构，比较巧妙的概率型数据结构（probabilistic data structure），特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”。
相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少，但是缺点是其返回的结果是概率性的，而不是确切的。
实现原理
HashMap 的问题
讲述布隆过滤器的原理之前，我们先思考一下，通常你判断某个元素是否存在用的是什么？应该蛮多人回答 HashMap 吧，确实可以将值映射到 HashMap 的 Key，然后可以在 O(1) 的时间复杂度内返回结果，效率奇高。但是 HashMap 的实现也有缺点，例如存储容量占比高，考虑到负载因子的存在，通常空间是不能被用满的，而一旦你的值很多例如上亿的时候，那 HashMap 占据的内存大小就变得很可观了。
还比如说你的数据集存储在远程服务器上，本地服务接受输入，而数据集非常大不可能一次性读进内存构建 HashMap 的时候，也会存在问题。
布隆过滤器数据结构
当我们判断一个字符是否存在首先想到的就是平衡搜索树或者哈希，但是40亿个字符串占太多空间，所以采用位图，那么我们需要字符串哈希算法函数将字符串转化为整数，判断位图对应位置是否为1；但是这样存在一个问题就是误判：对应位置为1，字符串可能不存在；对应位置为0，字符串一定不存在。因为可能存在冲突。针对这一问题，布隆过滤器并没有解决这一问题，而是降低冲突的发生概率。那么怎么处理的呢？布隆过滤器是通过多个字符串哈希函数映射出不同的地址，所以这样可以有效地降低冲突的发生。那么问题来了，选择多少个函数合适呢，这个不可以多，也不可以少。
支持删除么
目前我们知道布隆过滤器可以支持 add 和 isExist 操作，那么 delete 操作可以么，答案是不可以，例如上图中的 bit 位 4 被两个值共同覆盖的话，一旦你删除其中一个值例如 “tencent” 而将其置位 0，那么下次判断另一个值例如 “baidu” 是否存在的话，会直接返回 false，而实际上你并没有删除它。
如何解决这个问题，答案是计数删除。但是计数删除需要存储一个数值，而不是原先的 bit 位，会增大占用的内存大小。这样的话，增加一个值就是将对应索引槽上存储的值加一，删除则是减一，判断是否存在则是看值是否大于0。