本文目录一览：
- 1、Bitmap的原理
- 2、redis的bitmap
- 3、redis常用数据结构介绍和业务应用场景分析
- 4、bitmap能存放的最大数据是多少
- 5、布隆过滤器详解
- 6、布隆过滤器
bitmap 的概念就是使用矩阵的方式来表示整体数据，以此来减少数据大?。ㄋ惴ǎ┗蛟蚴鞘迪帜骋荒康模╮aster） 。
位图图像（bitmap）， 亦称为点阵图像或绘制图像，是由称作像素（图片元素）的单个点组成的 。这些点可以进行不同的排列和染色以构成图样 。当放大位图时，可以看见赖以构成整个图像的无数单个方块 。
理解Bitmap的最终内存占用计算原理和内存占用各个参数，我们对Bitmap的处理时就有具体的目标 。比如常见的优化Bitmap加载过程，其实就是对Bitmap加载时的各个变量参数设置修改 。
【redisbitmap简书 redis中bitmap的作用】GIF（Graphics Interchange Format）的原义是“图像互换格式”，是CompuServe公司在 1987年开发的图像文件格式 。GIF文件的数据，是一种基于LZW算法的连续色调的无损压缩格式 。其压缩率一般在50%左右 。
纹理本质上就是一张图片，因此CALayer也包含一个 contents 属性指向一块缓存区，称为 backing store ， 可以存放位图（Bitmap） 。iOS 中将该缓存区保存的图片称为 寄宿图。
redis的bitmap1、BitMap是一串连续的二进制数字（0和1），类似于位数组，每一位所在的位置为偏移量（offset），类似于数组索引，BitMap就是通过最小的单位bit来进行0|1的设置 ， 时间复杂度位O（1） ， 表示某个元素的值或者状态 。
2、Bitmap的填充计数是设置索引的位数1 。有计算人口数的有效算法 。例如，在Windows开发环境上，包含10亿位的90％填充位组的人口数量为21 ms 。Redis中的位图 Redis允许二进制密钥和二进制值 。位图只不过是二进制值 。
3、redisbitmap有缺点 。根据查询相关公开信息：用BITPOS有一个缺点，那就是每次只能找到一个为1的下标，因此，当我们需要统计处bitmap中有哪些位置为1的时候 ， 则需要使用一些额外的代码计算 。
4、实现方式：Redis实现布隆过滤器——借鉴Guava的BF算法：SpringBootx中使用Redis的bitmap结构（工具类）注意：bitmap使用存在风险 ， 若仅仅计算hash值，会导致bitmap占用空间过大 。一般需要对hash值进行取余处理 。
5、那么我该如果计算某几天/月/年的活跃用户呢（暂且约定，统计时间内只有有一天在线就称为活跃），有请下一个 redis 的命令 使用场景三：用户在线状态 对于获取或者统计用户在线状态，使用 bitmap 是一个节约空间效率又高的一种方法 。
redis常用数据结构介绍和业务应用场景分析1、String 字符串 字符串类型是 Redis 最基础的数据结构，首先键都是字符串类型，而且 其他几种数据结构都是在字符串类型基础上构建的，我们常使用的 set key value 命令就是字符串 。
2、应用场景：排行榜，带权重的消息队列 描述：Bitmaps这个“数据结构”可以实现对位的操作 。把数据结构加上引号主要因为：Bitmaps本身不是一种数据结构，实际上它就是字符串 ，但是它可以对字符串的位进行操作 。
3、数据结构，可以存储一些集合性的数据 。比如在微博应用中，可以将一个用户所有的关注人存在一个集合中，将其所有粉丝存在一个集合 。
bitmap能存放的最大数据是多少ARGB_8888：每个通道值采8bit来表示，每个像素点需要4字节的内存空间来存储数据 。该方案图片质量是最高的，但是占用的内存也是最大的；ARGB_4444：每个通道都是4位，每个像素占用2个字节 ， 图片的失真比较严重 。
天记录1000W用户的活跃统计数据 ， 只需要10000000/8/1024/1024 ≈2M 。
像素 。在AIR5和FlashPlayer10中，BitmapData对象的最大宽度或高度为8191像素，并且像素总数不能超过16777215像素 。AS3就是网页游戏开发中经常使用到的语言 。
bitmap大小和内存与系统有关 。我电脑创建bitmap到32454×32454才会炸 。至于Dispose（）不管用 ， 可以后面再加一行GC.Collect（）；强制内存回收试试（本人试过，有奇效） 。想输出更大尺寸的图可以尝试多个bitmap拼起来 。
就说像素的深度为24，每个像素可以是16 777 216（2的24次方）种颜色中的一种 。在这个意义上，往往把像素深度说成是图像深度 。表示一个像素的位数越多，它能表达的颜色数目就越多，而它的深度就越深 。
布隆过滤器详解因为布隆过滤器是一种概率型数据结构，存在非常小的误判几率，不能判断某个元素一定百分之百存在 ， 所以只能用在允许有少量误判的场景 ， 不能用在需要100%精确判断存在的场景） 。
布隆过滤器是一种数据结构，概率型数据结构 ， 特定是高效插入和查询，可以用来告诉你“某一值一定不存在或者kennel存在” 。相比于传统的map、set等数据结构，占用空间更少，但其返回结果是概率型的，不确定 。
从上式中可以看出，当m增大或n减小时，都会使得误判率减?。庖卜现本?。现在计算对于给定的m和n，k为何值时可以使得误判率最低 。
布隆过滤器只会把正常的URL当成黑名单系统里的，但不会误报已经在黑名单里的URL 。形象点说就是“宁可错杀三千不会放过一个”在讲解布隆过滤器原理之前先讲位图 。位图是bit类型的数组 。
布隆过滤器（Bloom Filter）是1970年由布隆提出的 。它实际上是一个很长的二进制向量和一系列随机映射函数 。布隆过滤器可以用于检索一个元素是否在一个集合 。
假设布隆过滤器中的hash function满足simple uniform hashing假设：每个元素都等概率地hash到m个slot中的任何一个，与其它元素被hash到哪个slot无关 。
布隆过滤器使用布隆过滤器判断元素是否存在，是一种低空间成本的方式 。布隆过滤器是1970年由布隆提出的，它实际上是一个很长的二进制向量 ， 和一系列随机映射函数 。
布隆过滤器，主要需实现的目标是 ， 在指定的数据个数范围内，满足误判率在设定的范围内 ， 误判率太高的话，无法起到过滤数据的情况，误判率不能为0 。
这说明了若想保持某固定误判率不变，布隆过滤器的bit数m与被add的元素数n应该是线性同步增加的 。三 如何设计bloomfilter 此概率为某bit位在插入n个元素后未被置位的概率 。
