hash技术在处理海量数据时使用非常广泛。比如在数据库中建立索引时，也可以选择建立hash化的索引。Bloom filter是hash技术的一种，由于其比较有特点，所以明白了Bloom filter技术，也就明白了hash技术的精髓。

Bloom filter技术的原理是：可以用来实现数据字典，进行数据的判重，或者集合求交集。
Bloom filter技术的适用范围：允许一定的错误率，海量数据中的重复数据较多。

技术原理：利用位数组建立k个独立hash函数。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1则说明存在，很明显这个过程并不保证查找的结果100%正确。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。

还有一个比较重要的问题，如何根据输入元素个数n确定位数组m的大小及hash函数个数?当hash函数个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E的情况下，m至少要等于nlog(1/E)才能表示任意n个元素的集合。但m还应该更大些，因为还要保证位数组里至少一半为0，则m应该大于等于nlog(1/E)*loge大概就是1.44nlog(1/E)倍。

举个例子，假设错误率为0.01（hash化时的错误率），则此时m应大概是n的13倍。这样k大概是8个。

注意，这里m与n的单位不同，m是以bit为单位，而n则是以元素个数为单位(准确地说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter，在内存上通常都是节省的。

扩展：Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。Counting bloom filter（CBF）将位数组中的每一位扩展为一个counter，从而支持元素的删除操作。Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。

问题实例：现在A和B两个文件，各存放50亿条URL，每条URL占用64字节，内存限制是4GB，请找出A和B文件共同的URL。如果是3个乃至n个文件呢？

根据这个问题我们来计算下内存的占用，4GB=232，大概是40亿×8，340亿，n=50亿，如果按出错率0.01算，需要的大概是650亿个bit。现在可用的是340亿，相差并不多，这样可能会使出错率上升些。另外如果这些URL/IP是一一对应的，就可以转换成IP，计算过程则大大简单了，因为IP的数目还是有限的，最多232个。如果是一些电话号码，每个号码为8位数字，统计不同号码的个数。8位最多99999999，范围也不是很大，如果用Bit map（位图）来表示就更小了。