功能说明
布隆过滤器概率成员判定是一个面向data-integrity场景的go代码示例。用 k 个哈希函数实现布隆过滤器，支持概率成员判定。该示例展示了如何在实际项目中运用这一技术，代码结构清晰，便于理解和复用。
关键实现
该示例使用go语言实现，核心逻辑封装在函数中。代码遵循语言惯用风格，处理了边界情况，并考虑了性能与可读性的平衡。tags 标签包括：bloom-filter、probabilistic、membership，方便在平台上检索同类示例。
使用注意
使用本示例时需要注意输入约束和边界条件。该示例为代码片段（isSnippet），可直接嵌入到项目中使用。建议在实际应用前，根据业务需求调整参数和错误处理* 建议在实际应用前，根据业务需求调整参数和错误处理策略。relatedExamples 中列出了相关的其他示例，可供参考学习。
验证方式
可通过编写单元测试验证该示例的正确性。测试应覆盖正常输入、边界值和异常情况。确保在目标运行环境中测试代码的兼容性和性能表现。updatedDate 为 2026-10-25，已通过审核并发布。
代码示例
package main
import "hash/fnv"
type BloomFilter struct {
bits []byte
size int
k int
}
func newBloom(size, k int) *BloomFilter { return &BloomFilter{bits: make([]byte, size), size: size, k: k} }
func (bf *BloomFilter) hash(item string, seed int) int {
h := fnv.New32a()
h.Write([]byte{byte(seed)})
h.Write([]byte(item))
return int(h.Sum32()) % bf.size
}
func (bf *BloomFilter) Add(item string) { for i := 0; i < bf.k; i++ { bf.bits[bf.hash(item, i+1)] = 1 } }
func (bf *BloomFilter) Contains(item string) bool { for i := 0; i < bf.k; i++ { if bf.bits[bf.hash(item, i+1)] == 0 { return false } }; return true }