Bitmap原理
本质：一串二进制位（0和1）
位图：[0][1][1][0][1][0][0][1]
索引： 0 1 2 3 4 5 6 7
1亿个位 = 1亿 bits = 12.5 MB
优势：
- 极致节省内存（1个用户1bit）
- 快速统计（位运算）
核心命令
# 设置位
SETBIT key offset value
# 获取位
GETBIT key offset
# 统计1的个数
BITCOUNT key [start end]
# 位运算
BITOP AND|OR|XOR|NOT destkey key [key ...]
# 查找第一个0或1
BITPOS key bit [start] [end]
实战案例
案例1：用户签到
@Service
public class SignInService {
@Autowired
private RedisTemplate<String, Object> redis;
// 签到
public void signIn(Long userId, LocalDate date) {
String key = "sign:" + userId + ":" + date.format(DateTimeFormatter.ofPattern("yyyyMM"));
int offset = date.getDayOfMonth() - 1;
redis.opsForValue().setBit(key, offset, true);
}
// 检查是否签到
public boolean isSignedIn(Long userId, LocalDate date) {
String key = "sign:" + userId + ":" + date.format(DateTimeFormatter.ofPattern("yyyyMM"));
int offset = date.getDayOfMonth() - 1;
return Boolean.TRUE.equals(redis.opsForValue().getBit(key, offset));
}
// 统计本月签到天数
public Long countSignIn(Long userId, String month) {
String key = "sign:" + userId + ":" + month;
return redis.execute((RedisCallback<Long>) connection ->
connection.bitCount(key.getBytes())
);
}
// 连续签到天数
public int getContinuousSignInDays(Long userId) {
LocalDate today = LocalDate.now();
String key = "sign:" + userId + ":" + today.format(DateTimeFormatter.ofPattern("yyyyMM"));
int days = 0;
for (int i = today.getDayOfMonth() - 1; i >= 0; i--) {
Boolean signed = redis.opsForValue().getBit(key, i);
if (Boolean.TRUE.equals(signed)) {
days++;
} else {
break;
}
}
return days;
}
}
案例2：用户在线状态
@Service
public class OnlineStatusService {
@Autowired
private RedisTemplate<String, Object> redis;
// 设置用户在线
public void setOnline(Long userId) {
String key = "online:" + LocalDate.now();
redis.opsForValue().setBit(key, userId, true);
redis.expire(key, 2, TimeUnit.DAYS);
}
// 设置用户离线
public void setOffline(Long userId) {
String key = "online:" + LocalDate.now();
redis.opsForValue().setBit(key, userId, false);
}
// 检查用户是否在线
public boolean isOnline(Long userId) {
String key = "online:" + LocalDate.now();
return Boolean.TRUE.equals(redis.opsForValue().getBit(key, userId));
}
// 统计今日在线人数
public Long countOnlineUsers() {
String key = "online:" + LocalDate.now();
return redis.execute((RedisCallback<Long>) connection ->
connection.bitCount(key.getBytes())
);
}
}
案例3：用户标签系统
@Service
public class UserTagService {
@Autowired
private RedisTemplate<String, Object> redis;
// 标签定义
private static final int TAG_VIP = 0;
private static final int TAG_ACTIVE = 1;
private static final int TAG_VERIFIED = 2;
// 添加标签
public void addTag(Long userId, int tagId) {
String key = "user:tags:" + userId;
redis.opsForValue().setBit(key, tagId, true);
}
// 移除标签
public void removeTag(Long userId, int tagId) {
String key = "user:tags:" + userId;
redis.opsForValue().setBit(key, tagId, false);
}
// 检查标签
public boolean hasTag(Long userId, int tagId) {
String key = "user:tags:" + userId;
return Boolean.TRUE.equals(redis.opsForValue().getBit(key, tagId));
}
// 查找VIP且活跃的用户
public Set<Long> findVIPActiveUsers(Set<Long> userIds) {
Set<Long> result = new HashSet<>();
for (Long userId : userIds) {
if (hasTag(userId, TAG_VIP) && hasTag(userId, TAG_ACTIVE)) {
result.add(userId);
}
}
return result;
}
}
案例4：布隆过滤器（简化版）
@Service
public class SimpleBloomFilter {
@Autowired
private RedisTemplate<String, Object> redis;
private static final String KEY = "bloom_filter";
private static final int BIT_SIZE = 10000000; // 1000万位
// 添加元素
public void add(String element) {
int hash1 = Math.abs(element.hashCode()) % BIT_SIZE;
int hash2 = Math.abs((element + "salt").hashCode()) % BIT_SIZE;
int hash3 = Math.abs((element + "salt2").hashCode()) % BIT_SIZE;
redis.opsForValue().setBit(KEY, hash1, true);
redis.opsForValue().setBit(KEY, hash2, true);
redis.opsForValue().setBit(KEY, hash3, true);
}
// 检查元素是否存在
public boolean mightExist(String element) {
int hash1 = Math.abs(element.hashCode()) % BIT_SIZE;
int hash2 = Math.abs((element + "salt").hashCode()) % BIT_SIZE;
int hash3 = Math.abs((element + "salt2").hashCode()) % BIT_SIZE;
return Boolean.TRUE.equals(redis.opsForValue().getBit(KEY, hash1))
&& Boolean.TRUE.equals(redis.opsForValue().getBit(KEY, hash2))
&& Boolean.TRUE.equals(redis.opsForValue().getBit(KEY, hash3));
}
}
位运算操作
多日期统计
# 连续3天都签到的用户
BITOP AND result sign:202501 sign:202502 sign:202503
BITCOUNT result
# 3天内至少签到1次的用户
BITOP OR result sign:202501 sign:202502 sign:202503
BITCOUNT result
Java实现：
// 连续N天都签到的用户数
public Long countContinuousSignIn(int days) {
String[] keys = new String[days];
LocalDate date = LocalDate.now();
for (int i = 0; i < days; i++) {
keys[i] = "sign:" + date.minusDays(i).format(DateTimeFormatter.ofPattern("yyyyMMdd"));
}
String resultKey = "sign:continuous:" + days;
redis.opsForValue().bitOp(RedisStringCommands.BitOperation.AND, resultKey, keys);
Long count = redis.execute((RedisCallback<Long>) connection ->
connection.bitCount(resultKey.getBytes())
);
redis.delete(resultKey);
return count;
}
内存占用分析
场景：1亿用户签到统计（31天）
方案1：Set存储
SET sign:20250101 {user1, user2, ...}
内存：1亿用户 * 8字节（Long） * 31天 = 23.2 GB
方案2：Bitmap存储
BITMAP sign:20250101 (1亿位)
内存：1亿位 / 8 = 12.5 MB * 31天 = 387.5 MB
节省：98.3%内存
最佳实践
1. 合理设置过期时间
// 签到数据保留90天
String key = "sign:" + userId + ":" + month;
redis.opsForValue().setBit(key, offset, true);
redis.expire(key, 90, TimeUnit.DAYS);
2. 分片存储大Bitmap
// 1亿用户，分100片，每片100万
public void setBit(Long userId, boolean value) {
int shard = (int) (userId / 1000000);
int offset = (int) (userId % 1000000);
String key = "bitmap:shard:" + shard;
redis.opsForValue().setBit(key, offset, value);
}
3. 预分配内存
// 避免第一次SETBIT时大量内存分配
public void initBitmap(String key, long size) {
// 设置最后一位，Redis会预分配内存
redis.opsForValue().setBit(key, size - 1, false);
}
4. 批量操作优化
// 使用Pipeline批量SETBIT
redis.executePipelined((RedisCallback<Object>) connection -> {
for (int i = 0; i < 1000; i++) {
connection.setBit(key.getBytes(), i, true);
}
return null;
});
注意事项
- offset限制：最大2^32-1（512MB）
- 内存开销：稀疏bitmap浪费内存
- 性能：BITCOUNT在大bitmap上较慢
- 原子性：单个SETBIT是原子的，批量操作不是
总结
核心价值：
- 极致节省内存（1亿用户12.5MB）
- 快速统计（位运算）
- 适合布尔型数据
典型场景：
- 用户签到统计
- 在线状态管理
- 用户标签系统
- 去重统计
适用条件：
- 数据是布尔型（0/1）
- 数据稠密（大部分位都有值）
- 需要大量统计操作