哈希表：
Hashtable 旨在使用称为 Hash函数的特殊函数，该函数用于将给定值与特定键映射，以便更快地访问元素。它用于需要快速查找的地方。（在合理的假设下，哈希表中元素查找的平均时间为 O(1) ）。 Python的字典是使用 HashTables 实现的。 Java还实现了 HashTable 类。
可以在此处找到散列的一些应用。
布隆过滤器：
布隆过滤器是一种节省空间的概率数据结构，用于测试元素是否是集合的成员。它用于我们只需要知道元素是否属于对象的地方。布隆过滤器使用 k 个散列函数和 n 位数组，其中数组位设置为 0，表示元素不存在，1 表示元素存在。布隆过滤器的一些应用是：
- Google Bigtable、Apache HBase 和 Apache Cassandra 和 PostgreSQL 使用 Bloom 过滤器来减少对不存在的行或列的磁盘查找。避免昂贵的磁盘查找可显着提高数据库查询操作的性能。
- Google Chrome 网络浏览器曾经使用 Bloom 过滤器来识别恶意 URL。首先根据本地 Bloom 过滤器检查任何 URL，并且只有当 Bloom 过滤器返回正面结果时，才会对执行的 URL 进行全面检查（并且用户警告，如果也返回正面结果）。
让我们看看哈希表和布隆过滤器之间的区别：
| S No. | Hash Tables | Bloom Filters |
|---|---|---|
| 1 | In hash table the object gets stored to the bucket(index position in the hashtable) the hash function maps to. | Bloom filters doesn’t store the associated object. It just tells whether it is there in the bloom filter or not. |
| 2 | Hash tables are less space efficient. | Bloom filters are more space efficient. it’s size is even the less than the associated object which it is mapping. |
| 3 | Supports deletions. | It is not possible to delete elements from bloom filters. |
| 4 | Hashtables give accurate results. | Bloom filters have small false positive probability. ( False positive means it might be in bloom filter but actually it is not.) |
| 5 | In a hashtable either we should implement multiple hash functions or have a strong hash function to minimize collisions. | A bloom filter uses many hash functions. There is no need to handle collisions. |
| 6 | Hashtables are used in compiler operations, programming languages(hash table based data structures),password verification, etc. | Bloom filters find application in network routers, in web browsers(to detect the malicious urls), in password checkers(to not a set a weak or guessable or list of forbidden passwords), etc. |
HashTable 和布隆过滤器彼此密切相关，因此，比较这两种数据结构并根据您的应用程序/需求明智地使用它们是明智的。
如果您希望与专家一起参加现场课程，请参阅DSA 现场工作专业课程和学生竞争性编程现场课程。