我正在学习Bloom filter和BitMap（也称为Bit Array）并遇到一个问题，有人可以给我一些关于何时使用Bloom过滤器以及何时使用BitMap的说明？
根据我的理解，我认为当我们需要找到最大的数字或想要对大数据进行排序时，BitMap更适合（对于纯数字）。
如果我们想检查一些IP地址是否包含在数十亿现有记录中，那么Bloom过滤器更适合（对于字符串或其他非纯数字）。
但是，我想有人给我更详细的说明或建议，我在Google上搜索过，但没有找到一些有用的信息。提前致谢！
另外我不知道是否应该将此问题放在stackoverflow或其他网站上，如果它不是正确的网站，希望有人可以指出，谢谢！
何时使用Bloom filter：如果您有一个集合（唯一条目列表）和一个哈希函数，您可以创建一个Bloom过滤器。它允许类型“可能在集合中输入x？”的查询。如果条目在集合中，则查询将返回true。对于不在集合中的条目，它可能返回true，概率很低，通常为1％或更低（取决于Bloom过滤器的大小）。您可以根据需要使Bloom过滤器尽可能小，但是对于大约1％的误报率，每个条目需要大约10位。存在使用较少空间的替代算法/数据结构，参见例如https://github.com/FastFilter。 Bloom过滤器内部使用位数组。
何时使用bit array（也称为bitset）：如果条目是0..n之间的数字，则可以使用位数组，如下所示：为每个条目设置位x。这将需要n位（无论有多少条目）。因此，如果您的条目可能是大数字，那么就会出现问题：它会占用大量内存。但是，您可以创建一个稀疏位数组（也称为压缩位数组），例如，使用https://roaringbitmap.org/。与Bloom过滤器一样，您不会有误报，但是大小的使用在很大程度上取决于您的数据（在您拥有的数字上），远远超过Bloom过滤器。
来自This Link的ANSwer
来自Wikipedia：
与用于表示集合的其他数据结构相比，布隆过滤器具有强大的空间优势，例如自平衡二进制搜索树，尝试，哈希表或简单数组或条目的链接列表。其中大多数都要求至少存储数据项本身，这可能需要从少量位到小整数，到任意数量的位，例如字符串（尝试是一个例外，因为它们之间可以共享存储）具有相同前缀的元素）。链接结构会为指针带来额外的线性空间开销。另一方面，具有1％误差和最佳值k的布隆过滤器每个元素仅需要大约9.6位 - 无论元素的大小如何。这种优势部分来自于其紧凑性，继承自阵列，部分来自其概率性质。如果1％的误报率似乎太高，每次我们每个元素添加大约4.8位时，我们将它减少十倍。
对我来说很清楚。
布隆过滤器不会存储元素本身，这是关键点。你不使用布隆过滤器来测试一个元素是否存在，你用它来测试它是否肯定不存在，因为它保证没有假阴性。这使您无需为集合中不存在的元素（例如磁盘IO查找它们）执行额外的工作。
而且所有这些空间都远远少于哈希表（对于大型数据集可能部分在磁盘上）。虽然您可以将布隆过滤器与哈希表之类的结构结合使用，但一旦您确定该元素有可能存在。
因此，示例使用模式可能是：
你在磁盘上有很多数据 - 你决定你想要的错误限制（例如1％），它规定了m的值。然后确定最佳k（根据文章中给出的公式）。您可以从此磁盘绑定数据中填充一次过滤器。
现在你有了RAM中的过滤器。当您需要处理某个元素时，您会查询过滤器以查看它是否有可能存在于您的数据集中。如果没有，则不会进行额外的工作。没有磁盘读取等（如果它是一个哈希或树，你将不得不这样做）。
否则，如果过滤器显示“是，它就在那里”，则有1％的可能性是错误的，所以你做了必要的工作才能找到答案。 99％的时间，它真的会在那里，所以这项工作并非徒劳无功。