目录
[1. 用户签到系统](#1. 用户签到系统)
[2. 用户行为标记](#2. 用户行为标记)
[3. 布隆过滤器（Bloom Filter）](#3. 布隆过滤器（Bloom Filter）)
[UV 统计的核心需求](#UV 统计的核心需求)
[使用 HyperLogLog](#使用 HyperLogLog)
[UV 统计的常见场景](#UV 统计的常见场景)
[场景 1：每日 UV 统计](#场景 1：每日 UV 统计)
[场景 2：月度 UV 统计](#场景 2：月度 UV 统计)
BitMap
使用场景
在开发中，Bitmap 经常被用于以下场景：
1. 用户签到系统
场景描述 ：
用户每天签到一次，系统需要记录用户每月的签到情况，并支持快速查询连续签到天数、总签到天数等。
实现方式：
-
使用一个
Bitmap，每一位代表一天（1表示签到，0表示未签到）。 -
例如，用户ID为1的用户在2023年10月的签到记录可以用一个31位的
Bitmap表示。
优点：
-
存储空间极小：一个月的签到记录只需要4字节（32位）。
-
查询效率高：可以通过位运算快速计算连续签到天数、总签到天数等。
2. 用户行为标记
场景描述 ：
系统需要标记用户是否完成了某些行为（例如是否阅读了某篇文章、是否参与了某个活动等）。
实现方式：
-
使用一个
Bitmap，每一位代表一个行为（1表示完成，0表示未完成）。 -
例如，用户ID为1的用户完成了行为A、B、D，可以用
0b1101表示。
优点：
-
节省存储空间：一个用户的所有行为标记可以用一个整数表示。
-
支持快速查询：通过位运算可以快速判断用户是否完成了某个行为。
3. 布隆过滤器（Bloom Filter）
场景描述 ：
布隆过滤器是一种概率型数据结构，用于快速判断某个元素是否存在于一个集合中（可能存在误判，但不会漏判）。
实现方式：
-
使用一个
Bitmap作为布隆过滤器的底层存储结构。 -
通过多个哈希函数将元素映射到
Bitmap的不同位置，并将这些位置标记为1。
优点：
-
空间效率极高：适合海量数据的去重和查询。
-
查询速度快：时间复杂度为 O(1)。
BitMap介绍
如果是使用表来储存，需要耗费大量的内存，数据库压力山大
因此我们换一种方式来存储，一个月最多有31天，因此，如果某一天签到了，那么对应的位为1，没有则为0。这种方式只需要31bit，也就是8字节，大大节省了空间。
Redis中的使用
Redis功能示例
添加：
储存为11100111
获取：
批量获取：
u2中的u表示储存的为无符号，2表示只截取两个比特位，截取结果为11，转化为十进制就是3
java中实现
java
public Result sign() {
// 获取登录用户
Long userId = UserHolder.getUser().getId();
// 获取日期
LocalDateTime now = LocalDateTime.now();
// 拼接用户和日期变成key
String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
// String key = "sign:"+userId+keySuffix;
String key = USER_SIGN_KEY+userId+keySuffix;
// 获取今天是本月的第几天
int dayOfMonth = now.getDayOfMonth();
// 写入Redis setbit key offset 1
stringRedisTemplate.opsForValue().setBit(key,dayOfMonth-1,true); // 注意这里需要减一因为在储存中字节是从0开始的
return Result.ok();
}统计本月连续签到次数
java
@Override
public Result signCount() {
// 获取登录用户
Long userId = UserHolder.getUser().getId();
// 获取日期
LocalDateTime now = LocalDateTime.now();
// 拼接用户和日期变成key
String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
// String key = "sign:"+userId+keySuffix;
String key = USER_SIGN_KEY+userId+keySuffix;
// 获取今天是本月的第几天
int dayOfMonth = now.getDayOfMonth();
//获取本月为止的所有的签到记录，返回的是一个十进制的数字 BITFIELD key GET udayOfMonth 0
List<Long> result = stringRedisTemplate.opsForValue().bitField(key,
BitFieldSubCommands.create()
.get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)) // 子命令
.valueAt(0)
);
if(result == null || result.isEmpty()){
return Result.ok(0);
}
// 为什么需要 get(0)？get(0) 是从 List<Long> 中获取第一个元素。
// stringRedisTemplate.opsForValue().bitField(...) 返回的是一个 List<Long>，
// 即使你只请求了一个值，它也会以列表的形式返回。
// 因此，result.get(0) 获取的是这个列表中的第一个元素，也就是你请求的签到记录的值。
Long num = result.get(0);
if(num == null || num == 0){
return Result.ok(0);
}
// 遍历循环
int cnt = 0;
while(cnt < dayOfMonth){
if ((num & 1) == 0) {
break;
}
cnt++;
// 把数字右移一位，抛弃最后一个bit位，继续下一个bit位
num >>>=1;
}
return Result.ok(cnt);
}UV统计
在 Redis 中，UV（Unique Visitor）统计 是指统计某个时间段内访问某个资源的独立用户数量。UV 统计是许多应用场景（如网站访问量统计、广告点击统计等）中的核心需求。Redis 提供了多种数据结构和方法来实现高效的 UV 统计。
以下是 Redis 中 UV 统计的相关知识点介绍：
UV 统计的核心需求
-
去重：同一个用户在同一时间段内的多次访问只算作一次。
-
高效存储：需要支持海量用户的统计。
-
快速查询：能够快速获取某个时间段内的 UV 数据。
使用 HyperLogLog
原理：
-
HyperLogLog 是一种概率算法，用于估算大量数据的基数（去重后的数量）。
-
它通过极小的存储空间（每个 HyperLogLog 键只需要 12 KB）来统计 UV。
命令：
-
PFADD key user_id：将用户 ID 添加到 HyperLogLog 中。 -
PFCOUNT key：获取 UV 的估算值。
优点：
-
存储空间极小，适合海量用户的 UV 统计。
-
查询速度快。
缺点：
- 结果是估算值，存在一定的误差（标准误差约为 0.81%）
UV 统计的常见场景
场景 1：每日 UV 统计
需求：
- 统计每天的独立访问用户数。
实现：
-
使用
HyperLogLog，每天创建一个新的键（例如uv:2023-10-01），将当天的用户 ID 添加到键中。 -
每天结束时，使用
PFCOUNT获取当天的 UV 值。
场景 2：月度 UV 统计
需求：
- 统计每月的独立访问用户数。
实现：
-
使用
HyperLogLog，将整个月的用户 ID 添加到同一个键中（例如uv:2023-10）。 -
每月结束时，使用
PFCOUNT获取当月的 UV 值。