电商中如何高效的判断某用户已参加了某活动？
点击上方“业余草”，选择“置顶公众号”
第一时间获取技术干货和业界资讯！
看了这个话题，我相信很多人都会说，这还不简单。某用户参加了某优惠活动，购买了某商品等，数据库中肯定有对应记录吧。查询一下不久好了！
好吧，如果这是在面试中，你这样回答。game over，你肯定挂掉了。
我前面所有的文章，包括网上其他的一些文章，都在描述一件事，高并发场景下，一定要减少 DB 的访问。因为，压力一般都在 DB 端。所以，查询 DB，是一个非常笨的方法，而且很可能引起灾难性问题。
从 Nginx 到 DB 数据库，流量是成漏斗型的，能访问到 DB 的，最终都是很少很少的请求，大部分请求都被过滤掉了，这一点你一定要清楚。
既然你说了不能用 DB，那我可以使用内存吧。内存很好高，HashSet 存储的元素不能重复，刚好可以利用。
但我要告诉你的是，HashSet 在数据规模小时是王者，随着数据规模增大，变青铜，到黑铁，最后是塑料，崩溃了！
假设现在有 1 亿的数据，下面的测试代码，大家自己去执行一下，我就不贴结果了。
所以，在数据量很大的时候，HashSet 并不是一个很好的选择。比如，某知名面试题，直接问你，如何判断一个数是否在40亿个整数中？
如果你要使用 HashSet，则可能直接 Game over！
所以，有没有好办法呢？不知道布隆过滤器，大家有没有听说过。
布隆过滤器，英文叫 BloomFilter，可以说是一个二进制向量和一系列随机映射函数实现。可以用于检索一个元素是否在一个集合中。
Bloom Filter 是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。Bloom Filter 的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter 不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter 通过极少的错误换取了存储空间的极大节省。
布隆过滤器的原理很简单。有一组函数和一个位数组，每个元素经过这一组 hash 函数，得到第对应位为 1。比如，存储“xttblog”，经过 2 个哈希函数得出位数组的下标为 3 和 6。那么 3 和 6 下标的元素改为 1。再比如，存储“业余草”，经过这一组 hash 函数计算出位数组的下标为 6 和 10，那么 6 和 10 下标的元素改为 1。其他元素以此类推。
上面我这组 Hash 函数是有两个计算方法。实际使用中可以存在多个哈希函数，哈希函数越多，散列度越高，计算出来的误识别率相对也会低一些。这个大家可以自己去尝试，位数组的大小，哈希函数的多少，散列度都有些关系。 知道这个原理后，判断元素是否存在就很简单了。判断之前，先计算通过一组 Hash 函数，计算出哈希值，判断对应位数组中的元素全为 1，则这个元素一定存在。否则不存在。
布隆过滤器效率非常的高，被广泛的采用。网页黑名单系统、垃圾邮件过滤系统、爬虫的网址判重系统以及解决缓存穿透问题等，处处有它的影子。我们这里用来判断用户是否参加某个活动，是有一定的错误率的，但是影响不大。具体其他公司是否采用，和具体的业务也有一定的关系。
今天先不讲布隆过滤器的实现源码。我直接先来一个使用。Guava 工具包中有现成的实现，不再重复造轮子。
使用 Guava 有一个缺陷就是分布式系统下，不太好用。所以，Redis 中有一个高级模块 RedisBloom。使用它需要先安装它。
这个模块不仅仅实现了布隆过滤器，还实现了 CuckooFilter（布谷鸟过滤器），以及 TopK 功能。今天主要说布隆过滤器。安装好后，使用很简单，测试代码如下：
上面用到的几个命令，解释一下：
- bf.add 添加元素到布隆过滤器
- bf.exists 判断元素是否在布隆过滤器
- bf.madd 添加多个元素到布隆过滤器，bf.add只能添加一个
- bf.mexists 判断多个元素是否在布隆过滤器
更多相关功能，建议大家到 Redis 官网学习。喜欢本文的，动动手指，谢谢！