一、BitMap是什麼

通過一個bit位來表示某個元素對應的值或者狀態，其中的key就是對應元素本身，value對應0或1，我們知道8個bit可以組成一個Byte，所以bitmap本身會極大的節省儲存空間。

二、Redis中的BitMap

Redis從2.2.0版本開始新增了setbit、getbit、bitcount等幾個bitmap相關命令。雖然是新命令，但是並沒有新增新的資料型別，因為setbit等命令只不過是在set上的擴充套件。

Redis的bitmap讓我們可以實時的進行統計，並且極其節省空間。在模擬1億2千8百萬使用者的模擬環境下，在一臺MacBookPro上，典型的統計如“日使用者數”(dailyunique users) 的時間消耗小於50ms, 佔用16MB記憶體。

三、Redis中的命令

四、bitmap的應用場景

bitmap優勢很多，用一個例子詳細說明下。

-------------------------------------------------------------------------------------------

用redis的bitmap方式統計上億訪問量的周活躍使用者

（1）提出問題

網站每天有1億的訪問量，產品提出要統計每個uid的周活躍,目前是日誌分析解決的，每天有20G的日誌，公司有dip平臺會用日誌去計算，每次要計算兩小時才能處理完。

（2）分析問題

考慮了一下是否可以用redis的bitmap的方式來做一個統計周活躍的功能

先簡單說下bitmap的原理：
假設有3個同學：

如果有三間房，0是男，女是1，

如果要統計現在班上有幾位女生，就可以看到兩個1就是兩位女生

在計算機裡，一個位元組裡有8個二進位制位，即1byte=8bit, 一個int型別是4bytes

如何判斷int數字在tmp陣列的那個位置?
　　例:
　　1) 8 / 32 = 0 整數8除以32得整數部分為0,那麼整數8在tmp[0]的陣列上;
　　2) 8%32 = 8 整數8模32得8,那麼整數8在tmp[0]陣列 從右向左的 第八個位置上(位置計算從0開始計數,數到8的位置)

如果兩億的數字做排序排重，我們大概要佔用好幾G的空間，如果用bitmap方式，最少只需要200000000/8/1024/1024 = 24M的空間就夠了。

（3）接下來我們看看bitmap在redis上的應用

假設這是我們uid的登入情況
898xxx代表uid ，0代表未登入，1代表登入

Monday
8987129 0
8298191 1
8892198 1

Tuesday
8987129 0
8298191 0
8892198 1

Wednesday
8987129 0
8298191 1
8892198 1

Thursday
8987129 0
8298191 0
8892198 0

Friday
8987129 0
8298191 1
8892198 1

Saturday
8987129 0
8298191 1
8892198 0

Sunday
8987129 1
8298191 1
8892198 0

用setbit方法，將這些資料錄入到redis中：

setbit key offset value
設定offset對應二進位制上的值，返回該位上的舊值

注意：如果offset過大，則會在中間填充0
　　　offset最大到2^32-1，即可推出最大的字串為512M

接下來要計算7天內有登入行為的使用者，只需要將週一到周天的值做位或運算就可以了。

位運算子

按位與運算子（&）
參加運算的兩個資料，按二進位制位進行“與”運算。
運算規則：0&0=0; 0&1=0; 1&0=0; 1&1=1;
即：兩位同時為“1”，結果才為“1”，否則為0

按位或運算子（|）
參加運算的兩個物件，按二進位制位進行“或”運算。
運算規則：0|0=0； 0|1=1； 1|0=1； 1|1=1；
即 ：參加運算的兩個物件只要有一個為1，其值為1。

異或運算子（^）
參加運算的兩個資料，按二進位制位進行“異或”運算。
運算規則：0^0=0； 0^1=1； 1^0=1； 1^1=0；
即：參加運算的兩個物件，如果兩個相應位為“異”（值不同），則該位結果為1，否則為0。

最後計算7天內登入過的活躍使用者為2：

-------------------------------------------------------------------------------------------

還有很多優勢，比如通過 bitcount可以很快速的統計，比傳統的關係型資料庫效率高很多。

1、比如統計年活躍使用者數量

2、比如統計三天內活躍使用者數量

3、連續三天訪問的使用者數量

4、三天內沒有訪問的使用者數量

5、統計線上人數

6、bitmap的優勢，以統計活躍使用者為例

每個使用者id佔用空間為1bit，消耗記憶體非常少，儲存1億使用者量只需要12.5M

7、bitmap - Redis布隆過濾器 （應對快取穿透問題）

舉例：比如爬蟲伺服器在爬取電商網站的商品資訊時，首先經過快取，如果快取查不到，再去資料庫獲取資訊，因為爬蟲的效率很高，且sku很有可能是不存在或者已下架的，就會造成快取穿透，大量請求被髮送到資料庫，導致伺服器受到影響。

此時，可以在快取層之前，新增一個布隆過濾器，布隆 過濾器看作是一個bitmap，sku作為offset值，如果商品真實存在，bit值設為1。首先將商品資料初始化，當有請求時，通過getbit判斷sku是否有效。如果布隆過濾器認為商品不存在，就拒絕訪問，這樣就可以保護儲存層。