Redis高级特性之Bitmap使用姿势及应用场景介绍，经典好文

@Autowired

private StringRedisTemplate redisTemplate;

/**

• 设置标记位

• @param key

• @param offset

• @param tag

• @return

*/

public Boolean mark(String key, long offset, boolean tag) {

return redisTemplate.opsForValue().setBit(key, offset, tag);

}

public Boolean mark2(String key, long offset, boolean tag) {

return redisTemplate.execute(new RedisCallback() {

@Override

public Boolean doInRedis(RedisConnection connection) throws DataAccessException {

return connection.setBit(key.getBytes(), offset, tag);

}

});

}

上面两种写法的核心区别，就是key的序列化问题，第一种写法使用默认的jdk字符串序列化，和后面的 getBytes() 会有一些区别，关于这个，有兴趣的小伙伴可以看一下我之前的博文: RedisTemplate配置与使用#序列化问题

b. 判断存在与否

=========

即 getbit key index ，如果返回1，表示存在否则不存在

/**

• 判断是否标记过

• @param key

• @param offest

• @return

*/

public Boolean container(String key, long offest) {

return redisTemplate.opsForValue().getBit(key, offest);

}

c. 计数

=====

即 bitcount key ，统计和

/**

• 统计计数

• @param key

• @return

*/

public long bitCount(String key) {

return redisTemplate.execute(new RedisCallback() {

@Override

public Long doInRedis(RedisConnection redisConnection) throws DataAccessException {

return redisConnection.bitCount(key.getBytes());

}

});

}

3. 应用场景

========

前面的基本使用比较简单，在介绍String数据结构的时候也提过，我们重点需要关注的是bitmap的使用场景，它可以干嘛用，什么场景下使用它会有显著的优势

• 日活统计

• 点赞

• bloomfilter

上面三个场景虽有相似之处，但实际的应用场景还是些许区别，接下来我们逐一进行说明

a. 日活统计

=======

统计应用或网站的日活，这个属于比较常见的case了，如果是用redis来做这个事情，首先我们最容易想到的是Hash结构，一般逻辑如下

• 根据日期，设置key，如今天为 2020/10/13 , 那么key可以为 app_20_10_13

• 其次当用户访问时，设置field为userId, value设置为true

• 判断日活则是统计map的个数 hlen app_20_10_13

上面这个逻辑有毛病么？当然没有问题，但是想一想，当我们的应用做的很nb的时候，每天的日活都是百万，千万级时，这个内存开销就有点吓人了

接下来我们看一下bitmap可以怎么做

setbit app_20_10_13 uesrId 1

bitcount app_20_10_13

简单对比一下上面两种方案

============

当数据量小时，且userid分布不均匀，小的为个位数，大的几千万，上亿这种，使用bitmap就有点亏了，因为userId作为index，那么bitmap的长度就需要能容纳最大的userId，但是实际日活又很小，说明bitmap中间有大量的空白数据

反之当数据量很大时，比如百万/千万，userId是连续递增的场景下，bitmap的优势有两点：1.存储开销小， 2.统计总数快

c. 点赞

=====

点赞的业务，最主要的一点是一个用户点赞过之后，就不能继续点赞了（当然某些业务场景除外），所以我们需要知道是否可以继续点赞

上面这个hash当然也可以实现，我们这里则主要讨论一下bitmap的实现逻辑

like_1121

getbit like_1121 userId

Hash以及bitmap的选择和上面的考量范围差不多

d. 布隆过滤器bloomfilter

===================

布隆过滤器可谓是大名鼎鼎了，我们这里简单的介绍一下这东西是啥玩意

• 底层存储为一个bitmap

• 当来一个数据时，经过n个hash函数，得到n个数值

• 将hash得到的n个数值，映射到bitmap，标记对应的位置为1

如果来一个数据，通过hash计算之后，若这个n个值，对应的bitmap都是1，那么表示这个数据可能存在；如果有一个不为1，则表示这个数据一定不存在

请注意：不存在时，是一定不存在；存在时，则不一定

========================

从上面的描述也知道，bloomfilter的底层数据结构就是bitmap，当然它的关键点在hash算法；根据它未命中时一定不存在的特性，非常适用于缓存击穿的问题解决

【一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义】

浏览器打开：qq.cn.hn/FTf 开源分享

体验说明

====

Redis的布隆过滤器主要针对>=4.0，通过插件的形式提供，项目源码地址为: https://github.com/RedisBloom/RedisBloom ，下面根据readme的说明，简单的体验一下redis中bloomfilter的使用姿势

docker 方式安装

docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest

通过redis-cli方式访问

docker exec -it redis-redisbloom bash

开始使用

redis-cli

127.0.0.1:6379> keys *

(empty array)

127.0.0.1:6379> bf.add newFilter hello

(integer) 1

127.0.0.1:6379> bf.exists newFilter hello

(integer) 1

127.0.0.1:6379> bf.exists newFilter hell

(integer) 0

bloomfilter的使用比较简单，主要是两个命令 bf.add 添加元素， bf.exists 判断是否存在，请注意它没有删除哦