通过一个bit位来表示某个元素对应的值或者状态，其中的key就是对应元素本身，value对应0或1，我们知道8个bit可以组成一个Byte，所以bitmap本身会极大的节省储存空间。
Redis从2.2.0版本开始新增了setbit、getbit、bitcount等几个bitmap相关命令。虽然是新命令，但是并没有新增新的数据类型，因为setbit等命令只不过是在set上的扩展。
Redis的bitmap让我们可以实时的进行统计，并且极其节省空间。在模拟1亿2千8百万用户的模拟环境下，在一台MacBookPro上，典型的统计如“日用户数”(dailyunique users) 的时间消耗小于50ms, 占用16MB内存。
bitmap优势很多，用一个例子详细说明下。
-------------------------------------------------------------------------------------------
用redis的bitmap方式统计上亿访问量的周活跃用户
（1）提出问题
网站每天有1亿的访问量，产品提出要统计每个uid的周活跃,目前是日志分析解决的，每天有20G的日志，公司有dip平台会用日志去计算，每次要计算两小时才能处理完。
（2）分析问题
考虑了一下是否可以用redis的bitmap的方式来做一个统计周活跃的功能
先简单说下bitmap的原理： 假设有3个同学：
张三李四王五男女女如果有三间房，0是男，女是1，
房1房2房2011如果要统计现在班上有几位女生，就可以看到两个1就是两位女生
在计算机里，一个字节里有8个二进制位，即1byte=8bit, 一个int类型是4bytes 假设有7个数字，我们可以按照编号放进一段连续内存里，对应位置中存在就显示1，其它默认都显示0 比如6 ,3 ,8 ,32 ,36 那对应的位置为：
如何判断int数字在tmp数组的那个位置? 例: 1) 8 / 32 = 0 整数8除以32得整数部分为0,那么整数8在tmp[0]的数组上; 2) 8%32 = 8 整数8模32得8,那么整数8在tmp[0]数组 从右向左的 第八个位置上(位置计算从0开始计数,数到8的位置)
如果两亿的数字做排序排重，我们大概要占用好几G的空间，如果用bitmap方式，最少只需要200000000/8/1024/1024 = 24M的空间就够了。
（3）接下来我们看看bitmap在redis上的应用
假设这是我们uid的登录情况 898xxx代表uid ，0代表未登录，1代表登录
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，将这些数据录入到redis中：
setbit key offset value 设置offset对应二进制上的值，返回该位上的旧值
注意：如果offset过大，则会在中间填充0 offset最大到2^32-1，即可推出最大的字符串为512M
接下来要计算7天内有登录行为的用户，只需要将周一到周天的值做位或运算就可以了。
位运算符
按位与运算符（&） 参加运算的两个数据，按二进制位进行“与”运算。 运算规则：0&0=0; 0&1=0; 1&0=0; 1&1=1; 即：两位同时为“1”，结果才为“1”，否则为0 按位或运算符（|） 参加运算的两个对象，按二进制位进行“或”运算。 运算规则：0|0=0； 0|1=1； 1|0=1； 1|1=1； 即 ：参加运算的两个对象只要有一个为1，其值为1。 异或运算符（^） 参加运算的两个数据，按二进制位进行“异或”运算。 运算规则：0^0=0； 0^1=1； 1^0=1； 1^1=0； 即：参加运算的两个对象，如果两个相应位为“异”（值不同），则该位结果为1，否则为0。
最后计算7天内登录过的活跃用户为2：
-------------------------------------------------------------------------------------------
还有很多优势，比如通过 bitcount可以很快速的统计，比传统的关系型数据库效率高很多。
1、比如统计年活跃用户数量
2、比如统计三天内活跃用户数量
3、连续三天访问的用户数量
4、三天内没有访问的用户数量
5、统计在线人数
6、bitmap的优势，以统计活跃用户为例
每个用户id占用空间为1bit，消耗内存非常少，存储1亿用户量只需要12.5M
7、bitmap - Redis布隆过滤器 （应对缓存穿透问题）
举例：比如爬虫服务器在爬取电商网站的商品信息时，首先经过缓存，如果缓存查不到，再去数据库获取信息，因为爬虫的效率很高，且sku很有可能是不存在或者已下架的，就会造成缓存穿透，大量请求被发送到数据库，导致服务器受到影响。
此时，可以在缓存层之前，添加一个布隆过滤器，布隆 过滤器看作是一个bitmap，sku作为offset值，如果商品真实存在，bit值设为1。首先将商品数据初始化，当有请求时，通过getbit判断sku是否有效。如果布隆过滤器认为商品不存在，就拒绝访问，这样就可以保护存储层。
