首页/资讯中心/详情

Redis布隆过滤器 Redisson 汇总

Redis布隆过滤器 Redisson 汇总
📅 发布时间：2026/6/19 6:39:36

一、Redis 布隆过滤器与 Redisson 简介

布隆过滤器（Bloom Filter）是一种概率型数据结构，用于快速判断一个元素 “是否存在于集合中”。它的特点是：
  • 优点：空间效率极高（远小于传统集合）、查询速度快（O (k)，k 为哈希函数数量）；
  • 缺点：存在误判率（可能把 “不存在的元素” 判断为 “存在”），且一般不支持删除元素。
Redis 本身没有内置布隆过滤器，但可通过第三方模块（如 RedisBloom）或客户端实现。Redisson是 Redis 的 Java 客户端，内置了布隆过滤器的实现，简化了在 Java 项目中使用 Redis 布隆过滤器的流程。

二、Redisson 中布隆过滤器的使用步骤

1. 引入依赖

在 Maven 项目中添加 Redisson 依赖（版本根据实际需求选择）：
<dependency><groupId>org.redisson</groupId><artifactId>redisson</artifactId><version>3.23.3</version>
</dependency>
 

2. 配置 Redisson 客户端

初始化 Redisson 连接（以单机 Redis 为例）：
import org.redisson.Redisson;
import org.redisson.api.RedissonClient;
import org.redisson.config.Config;public class RedissonConfig {public static RedissonClient getRedissonClient() {Config config = new Config();// 连接单机Redis（实际环境需替换为真实地址和密码）config.useSingleServer().setAddress("redis://127.0.0.1:6379").setPassword("your-password") // 无密码可省略.setDatabase(0); // 选择数据库return Redisson.create(config);}
}
 

3. 使用布隆过滤器

核心操作：初始化（设置预期容量和误判率）、添加元素、判断元素是否存在。
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;public class BloomFilterDemo {public static void main(String[] args) {// 获取Redisson客户端RedissonClient redissonClient = RedissonConfig.getRedissonClient();// 1. 获取布隆过滤器实例（指定名称，确保唯一）RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter("user:ids");// 2. 初始化：设置预期元素数量和误判率// 预期元素数：100万，误判率：0.01（1%）bloomFilter.tryInit(1_000_000, 0.01);// 3. 向过滤器添加元素bloomFilter.add("user1001");bloomFilter.add("user1002");bloomFilter.add("user1003");// 4. 判断元素是否存在System.out.println(bloomFilter.contains("user1001")); // true（一定存在）System.out.println(bloomFilter.contains("user9999")); // false（一定不存在）System.out.println(bloomFilter.contains("user2000")); // 可能为true（误判）// 关闭客户端redissonClient.shutdown();}
}

关键参数说明

  • 预期元素数（expectedInsertions）：预估需要存入的元素总量，值越准确，空间利用率越高。
  • 误判率（falseProbability）：允许的误判概率（如 0.01 表示 1%），值越小，需要的哈希函数和存储空间越多（空间与误判率成反比）。

三、适合的场景

布隆过滤器适合 “需要快速判断元素是否存在，且可容忍低概率误判” 的场景，典型包括：

1. 缓存穿透防护（最常用）

  • 问题：当请求一个 “不存在的 key” 时，缓存（Redis）不命中，会直接穿透到数据库，若有大量此类请求，会压垮数据库。
  • 解决：用布隆过滤器预存所有 “存在的 key”（如数据库中的用户 ID、商品 ID）。请求时先查布隆过滤器：
    • 若过滤器判断 “不存在”，直接返回空（无需查缓存和数据库）；
    • 若判断 “可能存在”，再查缓存→数据库（即使误判，也只会偶尔穿透，影响极小）。

2. 海量数据去重

  • 例如：爬虫去重（判断 URL 是否已爬取）、日志去重（判断某条日志是否已处理）。
  • 优势：相比用 HashSet 存储，布隆过滤器占用空间极小（例如 100 万 URL，误判率 1%，仅需约 1.5MB 空间）。

3. 防止重复操作

  • 例如：限制用户重复点击按钮（如 “点赞”“下单”）、防止消息重复消费。
  • 原理：将已处理的操作 ID 存入布隆过滤器，新操作先判断 ID 是否存在，避免重复执行。

4. 垃圾邮件 / 恶意 URL 过滤

  • 用布隆过滤器存储已知的垃圾邮件地址或恶意 URL，新邮件 / URL 先通过过滤器快速判断，再进一步处理（误判的正常内容可人工审核）。

四、解决的核心问题

  1. 空间效率问题：相比传统集合（如 Redis 的 Set），布隆过滤器用极小的空间存储海量元素（无需存储元素本身，仅存储哈希标记）。
  2. 查询性能问题：O (k) 的查询速度，远快于遍历或复杂索引查询，适合高并发场景。
  3. 缓存穿透问题：通过预先拦截 “不存在的 key”，避免大量无效请求穿透到数据库，保护后端服务。

五、局限性

  1. 误判率：无法 100% 准确判断元素是否存在，可能将 “不存在的元素” 误判为 “存在”（但不会漏判，即 “存在的元素一定能被判断为存在”）。
  2. 不支持删除：传统布隆过滤器无法删除元素（删除会影响其他元素的判断），RedisBloom 模块支持 “计数布隆过滤器”（可删除，但空间开销更大）。
  3. 初始化依赖预估：预期元素数和误判率需提前设置，若实际数据远超预期，误判率会大幅上升。

总结

Redisson 简化了 Redis 布隆过滤器的使用，其核心价值是用极小空间和快速查询解决 “元素存在性判断” 问题，尤其适合缓存穿透防护、海量数据去重等场景。使用时需根据业务容忍度设置合理的误判率，并注意其局限性。