Bloom Filters是一种效率较高的内存索引算法，它本身具有矛盾性：一方面能快速测试目标成员是否存在，另一方面又不可避免的具有假命中率。如下文档仅供参考。

loom Filter 数据结构广泛地应用于网络技术中，它是由 Burton Bloom 在 1970 年提出来的。
它的优点是可以有效地节省空间，缺点是不能做到精确无误，不过这个看似很郁闷的缺点却可以使用调节参数的方法有效控制，
也可以通过不同的应用手段来避免差错。Bloom Filter 数据结构有很多应用，将在下一篇文章里叙述，
而这篇文章将简要叙述这个算法的原理和分析。

假设有这样一种场景:
王老师在上课。老师一个学生也不认识，只有一张小卡片可以记8行数据。
学生家长会来询问，自己的孩子上学了没有.
王老师就想了这样一个办法：他在纸上记录上：
高的：
瘦的:
长得黑的:
男孩:
穿校服了
头发染黄了
双眼皮
…
一共记8个特征。每来一个学生，他就记录随意选学生的三个特征，比如王宝强来了，
王宝强同学有三个特点：男的，黑，双眼皮。王老师就在这三项后打勾了。
到下课前，王老师的本上，除开头发长的以外，其他都打勾了。
来了一个家长，他给王老师描述的是，高高的，瘦瘦的女孩儿，穿着校服。呵呵，王老师觉得嗯，可能来了。
嗯，又来了一个家长，他问王老师：我的儿子长得高高，染的黄头发，他来上课没有？
王老师一看：哟，头发染黄了的还没有勾上呢，说明一个染头发的都没见到。那这孩子肯定没上课了….
…嗯 这差不多就是Bloom filter算法的幼教版。。。。
再上数字版:

我们先搞8个格子来做辅助演算。格子可以置为1.（打勾啦…)
然后我们有三个独立的hash函数，每个函数接受一个数为输入，他的输出值是1~8,决定了把哪个格式里置1。
初始状态是这样的:
————————————
init: 0 0 0 0 0 0 0 0
现在我们往记录中增加一个数:这个数用三个独立hash函数计算一下：
func1: 0 1 (hash出来是第2位是1)
func2: 0 0 1 (第3位是1)
func3: 0 0 0 0 0 1 (哈希出来第6位是1)

好，置1完了之后是这样的:
0 1 1 0 0 1 0 0
再增加一个数，3个hash函数的结果是:
func1: 1
func2: 0 0 0 0 1 0 0 0
func3: 1
好，现在状态结果是:
1 1 1 0 1 1 0 0

再加一个数:
func1: 0 0 0 1
func2: 0 0 0 0 0 0 0 1
func3: 0 0 0 0 0 1 0 0
当前状态结果:
1 1 1 1 1 1 0 1
此如来查询数a是否在集合中:
将a 用三个函数Hash:
func1: 0 0 1 …
func2: 1 0 0 …
func3: 0 0 0 1 …
三个函数分别在第3位，第1位，第4位为1.而状态结果数中第1,3,4们已经是1了。说明有可能这个数a已经存起来了。
再查b这个数是不是已经存起来了:
将b用三个函数做哈希:
func1: 0 1 0 …
func2: 0 0 0 0 0 0 1 …(第七位是1)
func3: 0 0 1 …
好了，现在，这个数分别是第2位，第7位，第3位是1.我们看看，结果数中，第7位还没入置为1。如果这个数已经记录下来了，那第7位肯定已经置成1了。所以，我们敢肯定，数b肯定还没有记录下来。

…嗯，不知道我理解的对不对…
参考文献:
http://blog.csdn.net/jiaomeng/archive/2007/01/27/1495500.aspx