布隆过滤器（Bloom Filter）是一种空间高效的概率数据结构，用于测试一个元素是否是集合的成员。它的特点是高效地判断一个元素是否在集合中，但不像哈希表那样能准确地返回元素是否存在，而是有一定的误报率。

布隆过滤器通常用于需要快速判断一个元素是否在集合中的场景，但不要求精确的结果。它的优点是空间效率高，查询速度快，但缺点是存在一定的误报率（即假阳性率）。

布隆过滤器的基本数据结构是一个位数组和多个哈希函数。当一个元素被添加进布隆过滤器时，通过多个哈希函数计算出多个索引，然后将这些索引对应的位数组中的位设置为1。当需要判断一个元素是否在集合中时，通过同样的哈希函数计算出索引，然后检查这些索引对应的位是否都为1。如果都为1，则认为该元素可能在集合中（注意是可能，因为有误报率）；如果有任何一个位为0，则可以确定该元素不在集合中。

布隆过滤器通常不支持删除操作，因为删除一个元素可能会影响到其他元素的判断。假设我们有一个元素A，它对应的哈希值是`hash1(A)`和`hash2(A)`，这两个值对应的位都被置为1。如果我们删除A，我们需要将`hash1(A)`和`hash2(A)`对应的位复位为0。但是，如果有另一个元素B，它的哈希值也是`hash1(B)`和`hash2(B)`，并且`hash1(B)`和`hash2(B)`分别等于`hash1(A)`和`hash2(A)`，那么在删除A时，也会将B的标志位复位，从而导致错误。

然而，有一些变体的布隆过滤器支持删除操作，例如：

1、计数布隆过滤器（Counting Bloom Filter）：它不是简单的位数组，而是一个计数数组。每个元素通过哈希函数映射到多个计数器，当元素被添加时，相应的计数器加1；当元素被删除时，相应的计数器减1。如果计数器减到0，则认为该元素已经不再集合中。这种方法可以支持删除操作，但需要更多的存储空间。

2、基于布隆过滤器的扩展结构：一些研究提出了扩展的布隆过滤器结构，可以支持删除操作。这些结构通常需要更复杂的实现，并且可能需要更多的存储空间。

总的来说，标准的布隆过滤器不支持删除操作，但有一些变体和扩展结构可以支持删除操作。

以下是一个简单的计数布隆过滤器的Python实现例子：

python
class CountingBloomFilter:
def __init__(self, size, hash_functions):
self.size = size
self.hash_functions = hash_functions
self.counters = [0] * size

def add(self, item):
for seed in range(self.hash_functions):
index = self._hash(item, seed) % self.size
self.counters[index] += 1

def remove(self, item):
for seed in range(self.hash_functions):
index = self._hash(item, seed) % self.size
if self.counters[index] > 0:
self.counters[index] -= 1

def lookup(self, item):
for seed in range(self.hash_functions):
index = self._hash(item, seed) % self.size
if self.counters[index] == 0:
return False
return True

def _hash(self, item, seed):
简单的哈希函数实现
m = 0x5bd1e995
hash_value = 0
for i in range(len(item)):
hash_value = ord(item[i]) ^ (hash_value * m)
hash_value &= 0xffffffff
return hash_value + seed

示例使用
if __name__ == __main__:
cbloom = CountingBloomFilter(1000000, 7)
items = [apple, banana, orange]
for item in items:
cbloom.add(item)

print(cbloom.lookup(apple)) 可能返回True
cbloom.remove(apple)
print(cbloom.lookup(apple)) 返回False

这是一个简化的例子，实际应用中可能需要根据具体需求调整参数和哈希函数实现。