Bitmap，直译就叫位图。可以理解为通过一个bit数组存储特定数据的一种数据结构；由于bit是数据的最小单位，所以这种数据结构往往是非常节省存储空间的。在Java和Redis中都存在同名实现结构。
在一个记录只有两种状态，是或不是的场景下，如果使用其他数据结构存储则会存在大量空间空间的浪费。即使存在海量的数据，我们也只需要为每个数据分配1byte的空间就可以记录了。比如：用户画像
Bitmap可以节省大量的存储空间，所以可以很容易的倍一次性加载到内存中。Bitmap结构还有一个很重要的特点:可以很方便的进行位运算
比如我们需要统计用户满足以下条件的用户：程序员、带眼镜、长头发。。。。那么我们可以将对相应条件的用户画像的Bitmap结构做AND操作，就可以方便的过滤出满足条件的对象了。
假如一个Bitmap中只有稀疏的那个几个1，那么其他空间是不是就被浪费了呢？
谷歌开发的EWAHComressedBitmap对Bitmap存储空间做了一定的优化操作。
EWAH把Bitmap存储在一个long数组中，long数组的每一个元素都可以当做64位的二进制数，也就是整个Bitmap的子集，称为Word。
当创建一个空的Bitmap时，只有4个Word，也就是只有4个long数组，随着数据的不断插入，Word数组会随着进行扩容。
Word节点分为两种，直接存储数据的叫做Literal Word，简称LW。存储跨度信息的叫Running Length Word，简称RLW。
每一个RLW分为两部分，低32位表示当前Word横跨了多少个空Word，高32位表示当前RLW后面又多少个连续的LW。这样即使存在很多个0的位置，也能进行合并，减少浪费。
Bitmap适合处理按顺序字段映射，如ID。但是当遇到其他情况时就无能为力了，比如判断一个单词是否存在于单词集中，这个时候如果需要映射的话，只能够对该单词进行相应的hash计算后映射到Bitmap上，But！绝大情况下会存在hash冲突，无法确认是不是。
于是便引入了布隆过滤器。布隆过滤器也不能完全的消除误差。只能说大大的减少了误差率。
布隆过滤器的原理就是将需要判断的对象进行多次不同的hash计算后，同时判断那几位是否都为1，由此可见，布隆过滤器的误差率取决于hash函数的选取。
布隆过滤器存在一个致命的缺点，那就是已经置为1的位不能再重置为0。这是因为你并不能判断该位具体被多少个对象映射了。只能在你认为误差率已经不能接受时进行重建。