---
tags: [Redis, 缓存, 数据结构, Bitmap]
create time: 2026-05-24 10:00
---

# Redis Bitmap 位图

## 概述

Bitmap 并非 Redis 的独立数据结构，而是基于 String 类型的一套位操作指令。它将一个 String 值视为一个巨大的位数组，每个 bit 只占 1 位，因此在处理大规模布尔型数据（如签到、在线状态、DAU 统计）时，内存消耗极低。一个包含 10 亿用户的 Bitmap 仅需约 125MB，这使其成为高并发场景下的利器。

## 正文

### 1. 核心原理

> [!question] 为什么 Bitmap 不是一种新数据结构？
> 因为 Bitmap 本质上就是 String。Redis 的 String 底层是 SDS（Simple Dynamic String），存储的是字节数组。Bitmap 操作只是在这个字节数组上进行位级别的读写，不涉及新的底层结构。

Bitmap 的核心指令只有四个：

| 指令 | 作用 | 时间复杂度 |
|------|------|-----------|
| `SETBIT key offset value` | 设置指定位的值（0 或 1） | O(1) |
| `GETBIT key offset` | 获取指定位的值 | O(1) |
| `BITCOUNT key [start end]` | 统计值为 1 的位数 | O(N)，N 为字节数 |
| `BITOP operation destkey key [key ...]` | 对多个 Bitmap 做位运算 | O(N) |

其中 `BITOP` 支持 `AND`、`OR`、`NOT`、`XOR` 四种位运算，用于多个 Bitmap 之间的聚合分析。

> [!tip] offset 是从 0 开始的
> `SETBIT sign:1001 5 1` 表示将 key `sign:1001` 的第 6 个 bit（offset=5）置为 1。如果 key 不存在，Redis 会自动扩展字符串长度。

### 2. 用户签到系统

用 Bitmap 实现签到非常直观：每个用户一个 key，每天对应一个 bit 位，签到则置 1。

```go
// 用户签到（offset = 一年中的第几天）
func SignIn(ctx context.Context, rdb *redis.Client, userID int64, dayOfYear int) error {
    key := fmt.Sprintf("sign:%d:%d", userID, time.Now().Year())
    return rdb.SetBit(ctx, key, int64(dayOfYear), 1).Err()
}

// 查询某天是否签到
func IsSigned(ctx context.Context, rdb *redis.Client, userID int64, dayOfYear int) (bool, error) {
    key := fmt.Sprintf("sign:%d:%d", userID, time.Now().Year())
    val, err := rdb.GetBit(ctx, key, int64(dayOfYear)).Result()
    return val == 1, err
}

// 本月累计签到天数
func MonthSignCount(ctx context.Context, rdb *redis.Client, userID int64) (int64, error) {
    key := fmt.Sprintf("sign:%d:%d", userID, time.Now().Year())
    // BITCOUNT 支持按字节范围统计，start/end 是字节索引
    // 需要根据月份计算对应的字节范围
    return rdb.BitCount(ctx, key, &redis.BitCount{
        Start: int64((time.Now().Month() - 1) * 4), // 近似值，实际需精确计算
        End:   int64(time.Now().Month()*4 - 1),
    }).Result()
}
```

> [!question] 连续签到 7 天如何判断？
> 有两种思路：(1) 用 `BITCOUNT` 统计最近 7 个 bit 是否全为 1；(2) 更高效的做法是用位移掩码——取出 7 位的值，判断是否等于 `0b1111111`（即 127）。

下面是连续签到检测的示例：

```go
// 检测最近 N 天是否连续签到
func IsContinuousSign(ctx context.Context, rdb *redis.Client, userID int64, days int) (bool, error) {
    key := fmt.Sprintf("sign:%d:%d", userID, time.Now().Year())
    today := time.Now().YearDay()

    // 逐 bit 检查最近 N 天
    for i := 0; i < days; i++ {
        val, err := rdb.GetBit(ctx, key, int64(today-i)).Result()
        if err != nil {
            return false, err
        }
        if val == 0 {
            return false, nil
        }
    }
    return true, nil
}
```

### 3. DAU 统计

DAU（Daily Active Users）是 Bitmap 最经典的应用场景。思路很简单：每天一个 key，每个用户 ID 对应一个 bit 位。

```go
// 记录用户今日活跃
func MarkActive(ctx context.Context, rdb *redis.Client, userID int64) error {
    key := fmt.Sprintf("dau:%s", time.Now().Format("2006-01-02"))
    return rdb.SetBit(ctx, key, userID, 1).Err()
}

// 查询今日 DAU
func GetDAU(ctx context.Context, rdb *redis.Client, date string) (int64, error) {
    key := fmt.Sprintf("dau:%s", date)
    return rdb.BitCount(ctx, key, nil).Result()
}

// 查询本周 UV（去重）
func GetWeeklyUV(ctx context.Context, rdb *redis.Client) (int64, error) {
    destKey := "dau:weekly:tmp"
    var keys []string
    // 收集最近 7 天的 key
    for i := 0; i < 7; i++ {
        day := time.Now().AddDate(0, 0, -i).Format("2006-01-02")
        keys = append(keys, fmt.Sprintf("dau:%s", day))
    }
    // OR 运算：任意一天活跃即算周活
    err := rdb.BitOpOr(ctx, destKey, keys...).Err()
    if err != nil {
        return 0, err
    }
    return rdb.BitCount(ctx, destKey, nil).Result()
}
```

> [!tip] BITOP OR 的去重原理
> 假设用户 A 在周一和周三都活跃，对应的 bit 位已经是 1。OR 运算后该位仍是 1，最终 BITCOUNT 只统计一次，天然实现了去重。这比在应用层用 Set 去重高效得多。

### 4. 内存计算

> [!tip] Bitmap 到底有多省内存？我们来算一笔账。

假设平台有 **10 亿注册用户**，用户 ID 从 0 到 999,999,999。

```
总 bit 数 = 1,000,000,000 bits
总字节数 = 1,000,000,000 / 8 = 125,000,000 bytes ≈ 119.2 MB
```

对比一下其他方案存储同样 10 亿用户的信息：

| 方案 | 数据结构 | 内存消耗 |
|------|---------|---------|
| Bitmap | 1 bit / 用户 | ~125 MB |
| Hash（存 boolean） | ~50 bytes / 用户（含 key 开销） | ~47 GB |
| Set（存用户 ID） | ~16 bytes / 用户 | ~15 GB |

Bitmap 的内存效率比 Hash 方案低约 **380 倍**，这就是为什么在大规模布尔型统计场景下，Bitmap 是首选。

> [!question] 为什么 Bitmap 这么省？
> 因为它只用 1 个 bit 来表示一个布尔值，而 Hash/Set 需要存储完整的 key 和 value。Redis String 底层 SDS 本身也有元数据开销，但分摊到数十亿个 bit 上几乎可以忽略。

### 5. Bitmap vs Set vs HyperLogLog 对比

| 特性 | Bitmap | Set | HyperLogLog |
|------|--------|-----|-------------|
| **底层结构** | String（位数组） | Hashtable / Ziplist | 概率算法 |
| **单条数据内存** | 1 bit | 16~50 bytes | 固定 12 KB |
| **精确度** | 精确 | 精确 | 误差 ~0.81% |
| **支持操作** | 位运算、计数 | 集合运算、随机取 | 仅计数 |
| **适用场景** | 签到、DAU、布隆过滤器 | 精确集合运算 | 超大规模基数估算 |
| **数据量上限** | 受 String 最大 512 MB 限制（约 40 亿 bit） | 受内存限制 | 固定 12 KB |

> [!question] 该选哪个？
> - 需要精确统计 + 数据是布尔型（在线/签到/活跃） -> **Bitmap**
> - 需要精确集合运算（交集、差集） -> **Set**
> - 只需要统计基数（UV/PV），允许 0.81% 误差 -> **HyperLogLog**

### 6. 签到系统流程

```mermaid
flowchart TD
    A["用户发起签到请求"] --> B["计算当日 offset"]
    B --> C["SETBIT sign:uid:year offset 1"]
    C --> D["签到成功"]
    D --> E{"查询本月签到?"}
    E -->|是| F["BITCOUNT 计算本月签到天数"]
    E -->|否| G{"检查连续签到?"}
    G -->|是| H["逐 bit 检查最近 N 天"]
    G -->|否| I["返回结果"]
    F --> I
    H --> I
```

## 关联笔记

- [[hhs/Redis/02-核心数据类型]]
- [[hhs/Redis/13-HyperLogLog]]
- [[hhs/Redis/README]]