明白了雜湊的原理，bit-map就好說了。
bit-map的核心思想是：所謂的Bit-map就是用一個bit位來標記某個元素對應的Value， 而Key即是該元素。每一個bit空間都是儲存單元，而不像整型資料，即便是int a =1,仍要佔用32個位元組的空間，當資料量很大時，就會造成嚴重的空間浪費。由此可見，bit-map可以極大的節省空間，但bit-map只能用來進行一些簡單的操作，比如，查詢元素是否存在於資料中，資料去重，資料排序等。值得注意的是，數字型資料更適合bit-map,如果是文字記錄或者字串，很難都被雜湊函式對映為整型數字。

排序
首先bit-map初始化為全零，通過一個雜湊函式，分別將資料對映到bit-map的某一位置，將該位置處資料置1。看一個《程式設計珠璣》上的例子，元素為{4，7，2，5，3}用bit-map來儲存，元素4儲存的位置如下：

查詢元素是否在資料集合中的問題
首先同樣雜湊函式依次將資料對映標記到bit-map中，查詢元素對映到某一位置已經標記為1，判定為存在。當然bit-map這樣會出現誤判，錯誤率也很高，效果並不理想，這就是bit-map擴充套件為bloom filter的原因。因此查詢元素是否在資料集合中的問題，應該用布隆過濾器來解決（見下文）。

資料去重問題
例1：)已知某個檔案內包含一些電話號碼，每個號碼為8位數字，統計不同號碼的個數。
可以理解為從0-99999999的數字，每個數字對應一個Bit位，所以只需要99M個Bit==12MBytes，這樣，就用了小小的12M左右的記憶體表示了所有的8位數的電話。
同樣儲存大資料的方法用於以下例子：
2.5億個整數中找出不重複的整數的個數，記憶體空間不足以容納這2.5億個整數。大約需要300M左右。這裡為了查重，使用兩個bit值來表示三種狀態，不存在，存在，重複分別標記為00，01，11。將資料依次對映到此bit-map中，最後遍歷輸出bit-map的key值即可。

Bloom Filter
布隆過濾器可以看成是對bit-map的擴充套件，它採用K個雜湊函式進行對映，這樣減少誤判，因為每一個元素需要對映K個位置均已標記為1，才說明了這個元素存在於資料集合中。減少誤判，並不能做到完全沒有。在我們的資料結構或者演算法中，往往是犧牲空間得到效率的提升，或者降低效率提高空間的利用率。而布隆過濾器給出了一個新的方法，就是引入了誤判率，節省空間，並不降低效率。當資料量很大時，布隆過濾器的效率並不會因此降低，但誤判率會提高。因此選取雜湊函式的個數k，位陣列的大小m以及字串的量n很重要。
官方文件中給出一個計算公式：K=ln2*(m/n)=0.7(m/n),此時的誤判率最低。
以下是使用三個雜湊函式的布隆濾波器示意圖