- Godoc documentation: https://pkg.go.dev/github.com/bits-and-blooms/bloom/v3
This library is used by popular systems such as Milvus and beego.
布隆过滤器是一种集合的简洁/压缩表示形式，其主要需求是进行成员查询，即判断一个项是否是集合的成员。当布隆过滤报告某元素在集合中不存在时，那么它一定不存在；报告某元素存在时，允许出现“假阳性”，有时会错误地报告某个元素在集合中，而实际上它不存在，因为它节省了比原始集合少得多的存储空间。
理解“假阳性”：在的肯定在，不在的可能在
在构建布隆过滤器时，你需要知道有多少元素（所需的 容量）以及你愿意容忍的 假阳性率 是多少。常见的假阳性率是 1%。假阳性率越低，所需的内存就越多。同样，容量越大，使用的内存也越多。你可以通过以下方式构建一个能够接收 100万 个元素且假阳性率为 1% 的布隆过滤器：
filter := bloom.NewWithEstimates(1000000, 0.01) 应该谨慎地调用 NewWithEstimates 方法：如果你指定的元素数量过小，可能会超过假阳性率的限制。布隆过滤器 不是一种动态数据结构：你必须事先知道所需的容量。
该项目中的实现接受用于设置和测试的键为 []byte 类型。因此，要添加一个字符串项，例如 "Love"，可以这样做：
filter.Add([]byte("Love"))同样地，如果检查 "Love" 是否在布隆过滤器中：
if filter.Test([]byte("Love"))对于数值数据，我们建议你查看 encoding/binary 库。但是，例如，要向过滤器中添加一个 uint32：
i := uint32(100)
n1 := make([]byte, 4)
binary.BigEndian.PutUint32(n1, i)
filter.Add(n1)有时，实际的假阳性率可能与理论假阳性率略有不同。我们有一个函数可以估算具有 _m_ 位和 _k_ 个哈希函数的布隆过滤器在大小为 _n_ 的集合中的假阳性率：
if bloom.EstimateFalsePositiveRate(20*n, 5, n) > 0.001 ...你可以使用它来验证计算得到的 m 和 k 参数：
m, k := bloom.EstimateParameters(n, fp)
ActualfpRate := bloom.EstimateFalsePositiveRate(m, k, n)或者：
f := bloom.NewWithEstimates(n, fp)
ActualfpRate := bloom.EstimateFalsePositiveRate(f.m, f.k, n)You would expect ActualfpRate to be close to the desired false-positive rate fp in these cases.
The EstimateFalsePositiveRate function creates a temporary Bloom filter. It is
also relatively expensive and only meant for validation.
在这些情况下，你可以期望 ActualfpRate 接近期望的假阳性率 fp。EstimateFalsePositiveRate 函数会创建一个临时的布隆过滤器。它的开销相对较大，只用于验证。
可以以如下方式向布隆过滤器中读写：
f := New(1000, 4)
var buf bytes.Buffer
bytesWritten, err := f.WriteTo(&buf)
if err != nil {
t.Fatal(err.Error())
}
var g BloomFilter
bytesRead, err := g.ReadFrom(&buf)
if err != nil {
t.Fatal(err.Error())
}
if bytesRead != bytesWritten {
t.Errorf("read unexpected number of bytes %d != %d", bytesRead, bytesWritten)
}性能提示：在读取和写入文件或网络连接时，通过使用
bufio实例来包装你的流，可能会获得更好的性能。
Eg:
f, err := os.Create("myfile")
w := bufio.NewWriter(f) f, err := os.Open("myfile")
r := bufio.NewReader(f)布隆过滤器有两个参数：_m_，用于存储的位数，以及 _k_，集合元素的哈希函数数量。（实际的哈希函数也很重要，但这不是该实现的参数）。布隆过滤器由一个 BitSet 支持；通过在每个哈希函数值（取模 _m_）的位置设置比特来表示一个键。集合成员资格通过“测试”每个哈希函数值（取模 _m_）的位置的比特是否被设置来完成。如果都被设置，则说明该项在集合中。如果该项确实在集合中，布隆过滤器永远不会失败（真正的阳性率为 1.0）；但它容易产生假阳性，技巧在于正确选择 _k_ 和 _m_。
在这个实现中，使用的哈希函数是 murmurhash，一种非加密的哈希函数。
鉴于特定的哈希方案，最好是通过经验来确定这一点。请注意，估计假阳性率会清空布隆过滤器。
一般来说，使用不同的协程访问同一个过滤器是不安全的。它们为性能考虑而未进行同步。如果你想从多个协程访问一个过滤器，你应该提供同步机制。通常，这可以通过使用通道（符合 Go 风格；因此始终只有一个拥有者），或者通过使用 sync.Mutex 来序列化操作来完成。例外情况是，如果你从不修改过滤器的内容，那么可以从不同的协程访问同一个过滤器。