布隆过滤器用布尔数组模拟位数组，通过多个哈希函数映射索引实现存在性判断；插入时置对应位为true，查询时需所有k位均为true才判定可能存在，不支持删除。
用布尔数组模拟布隆过滤器的核心逻辑
布隆过滤器本质是一个位数组（bit array）加多个独立哈希函数。Java 中可用 boolean[] 代替 bitset 实现简化版，每个元素代表一个“位”（true 表示该位被置 1，false 表示 0）。虽然空间利用率不如 BitSet（1 字节存 8 位），但语义清晰、便于理解原理。
控制假阳性率的关键：数组长度与哈希函数个数
假阳性率（False Positive Rate, FPR）主要由两个参数决定：位数组长度 m 和 哈希函数个数 k。给定预期插入元素数 n 和目标 FPR（如 1% = 0.01），可按公式估算：
- m ≈ −(n × ln FPR) / (ln 2)²（推荐向上取整）
- k ≈ (m / n) × ln 2（通常取整为 3~7 之间的整数）
例如：预计存 1000 个字符串，容忍 1% 假阳性，则 m ≈ 9585 → 取 10000，k ≈ 6.93 → 取 7。数组越长、哈希函数越多，FPR 越低，但写入/查询开销略增。
选择简单可靠的哈希策略
无需密码学级哈希，关键是让不同输入在数组索引上均匀分布。Java 中可基于 String.hashCode() 构造多个独立哈希值：
javascript-typescript-typescript-scaffold
下载
你是 TypeScript 项目架构专家，专注于脚手架搭建生产就绪的 Node.js 和前端应用。生成包含现代工具链（pnpm、Vite、Next.js）、类型
立即学习“Java免费学习笔记（深入）”；
- 对同一字符串 s，用不同乘数或扰动生成 k 个哈希值：比如
h1 = s.hashCode() % m，h2 = (s.hashCode() * 31 + 1) % m，依此类推 - 更稳健的做法是使用
Arrays.hashCode()或 MurmurHash3 的轻量 Java 实现（可引入guava库），但教学场景下用带种子的Objects.hash(s, seed)已足够 - 所有哈希结果必须映射到位数组合法索引范围：
Math.abs(hash) % m（避免负索引）
插入与查询的实现要点
插入时，对元素计算 k 个哈希值，将对应位置设为 true；查询时，全部 k 个位置都为 true 才返回“可能存在”，任一为 false 即确定不存在。
- 不支持删除：这是布隆过滤器固有限制，因为某一位可能被多个元素共同设置
-
线程不安全：若需并发使用，应加锁或改用
java.util.concurrent.atomic.AtomicIntegerArray配合位操作 -
注意空值处理：对
null字符串统一约定哈希值（如 0），避免NullPointerException
不复杂但容易忽略细节。
