Bitmap 相关命令：
#SETBIT - 设置指定位置的比特值。SETBIT key offset value # 将 key 对应的 bitmap 中第 offset 位设置为 value（0 或 1）。#GETBIT - 获取指定位置的比特值。GETBIT key offset # 返回 key 对应 bitmap 的第 offset 位的值。#BITCOUNT - 统计比特值为 1 的数量。BITCOUNT key [start end] # 返回 key 对应 bitmap 中比特值为 1 的数量，可以指定范围。#BITPOS - 查找第一个为指定值的比特位。BITPOS key value [start] [end] # 返回第一个值为 value 的比特位的位置。#BITOP - 对两个或多个 bitmap 执行位操作（AND/OR/XOR/NOT）。BITOP operation destkey key [key ...] # 将多个 key 的 bitmap 进行位操作，结果存储到 destkey。Bitmap 应用场景：
#用户签到记录：
#使用 Bitmap 记录用户每天的签到情况。每个用户每天的签到可以用一个位表示，一年内的签到情况可以用一个 Bitmap 存储。# 用户 10086 在 2023 年 9 月 3 日签到
SETBIT user:sign:10086:202309 3 1
# 统计用户 10086 在 2023 年 9 月的签到次数
BITCOUNT user:sign:10086:202309#用户在线状态：
#使用 Bitmap 来记录用户是否在线。用户 ID 作为位的偏移量，在线状态用 1 表示，离线用 0 表示。# 记录用户 10086 已登录
SETBIT user:online 10086 1
# 查询用户 10086 是否登录
GETBIT user:online 10086#优惠券每人限领一张：
#使用 Bitmap 确保每个用户只能领取一张优惠券。优惠券编号作为 key，用户 ID 作为偏移量。# 设置用户 100 和 101 领取过优惠券 a
SETBIT coupon:a 100 1
SETBIT coupon:a 101 1
# 检查用户 100 是否领过优惠券 a
GETBIT coupon:a 100#连续签到用户总数：
#将每天作为一个 key，使用 BITOP 命令合并多天的 Bitmap 来统计连续签到的用户。# 用户 A、B、C 在特定日期签到
SETBIT sign:20230901 0 1
SETBIT sign:20230901 1 1
SETBIT sign:20230901 2 1
SETBIT sign:20230902 0 1
SETBIT sign:20230902 1 1
BITOP AND sign:consecutive sign:20230901 sign:20230902
# 统计连续签到的用户数
BITCOUNT sign:consecutive
实现布隆过滤器：
布隆过滤器（Bloom Filter）是一种空间效率很高的数据结构，用于判断一个元素是否在一个集合中。它允许一些误报（false positives），但不允许误漏（false negatives）。在Redis中，可以使用Bitmap来实现布隆过滤器的基本功能。
布隆过滤器的关键操作添加元素：将元素通过某种方式（如哈希函数）映射到位图中的多个位置，并将这些位置的位设置为1。检查元素：同样使用哈希函数将元素映射到位图中，检查这些位置的位是否都为1。如果都为1，则元素可能存在于集合中；如果有任意位置为0，则元素一定不在集合中。操作样例假设我们使用两个哈希函数 hash1 和 hash2，它们将输入元素映射到不同的位偏移量上。
初始化首先，我们需要一个足够大的Bitmap来存储布隆过滤器的数据。假设我们预计要存储1000个元素，每个元素使用两个哈希函数，那么可能需要的位数大约是 2 * 10 * 8 * log2(1000)（这里使用了一个简单的布隆过滤器大小估算公式）。# 初始化一个Bitmap，假设key为bloom_filter，估算需要的位数为8000
# 使用STRLEN命令来确保Redis自动扩展字符串长度
SETBIT bloom_filter 0 0
STRLEN bloom_filter添加元素# 假设元素为 "item"
# 使用两个哈希函数计算偏移量，这里用简单的方法模拟
# 哈希函数1：item的字符串表示的CRC16值对8000取模
# 哈希函数2：将哈希函数1的结果加上一个固定值（例如1000）再对8000取模
# 这里只是示例，实际哈希函数会更复杂# 假设hash1的结果为100
SETBIT bloom_filter 100 1
# 假设hash2的结果为1100
SETBIT bloom_filter 1100 1检查元素# 检查 "item" 是否可能在集合中
# 检查两个哈希函数计算出的偏移量对应的位是否都为1
GETBIT bloom_filter 100
GETBIT bloom_filter 1100
# 如果两个命令的返回值都是1，则 "item" 可能在集合中
# 如果任何一个返回值为0，则 "item" 一定不在集合中
注意事项布隆过滤器的大小和哈希函数的数量会影响误报率。集合越大或哈希函数越多，误报率越低，但同时需要更多的空间。哈希函数的选择对布隆过滤器的性能至关重要。理想的哈希函数应具有良好的分布性，以减少哈希碰撞。Redis的Bitmap实现的布隆过滤器是不可扩展的，即一旦设置了位，就不能减少Bitmap的大小。因此，需要预先估算好所需的空间。使用Bitmap实现布隆过滤器是一种空间效率高的方法，适用于需要快速判断元素存在性的场景，尤其是在大数据量的情况下。然而，它也有一些限制，如不能从过滤器中删除元素，以及存在一定的误报率。
** HyperLogLog常见命令:**
# 添加指定元素到 HyperLogLog 中
PFADD key element [element ...]# 返回给定 HyperLogLog 的基数估算值。
PFCOUNT key [key ...]# 将多个 HyperLogLog 合并为一个 HyperLogLog
PFMERGE destkey sourcekey [sourcekey ...]** HyperLogLog应用场景:**
#百万级网页 UV 计数Redis HyperLogLog #优势在于只需要花费 12 KB 内存，就可以计算接近 2^64 个元素的基数，和元素越多就越耗费内存的 Set 和 Hash 类型相比，HyperLogLog 就非常节省空间。所以，非常适合统计百万级以上的网页 UV 的场景。在统计 UV 时，你可以用 PFADD 命令（用于向 HyperLogLog 中添加新元素）把访问页面的每个用户都添加到 HyperLogLog 中。PFADD page1:uv user1 user2 user3 user4 user5#接下来，就可以用 PFCOUNT 命令直接获得 page1 的 UV 值了，这个命令的作用就是返回 HyperLogLog 的统计结果。PFCOUNT page1:uv#不过，有一点需要你注意一下，HyperLogLog 的统计规则是基于概率完成的，所以它给出的统计结果是有一定误差的，标准误算率是 0.81%。#这也就意味着，你使用 HyperLogLog 统计的 UV 是 100 万，但实际的 UV 可能是 101 万。虽然误差率不算大，但是，如果你需要精确统计结果的话，最好还是继续用 Set 或 Hash 类型。
Geo 相关命令:
#GEOADD - 将指定的地理空间位置（纬度、经度、成员）添加到指定的键中。GEOADD key longitude latitude member [longitude latitude member ...] # 添加地理位置。#GEOPOS - 返回一个或多个成员的地理坐标。GEOPOS key member [member ...] # 获取成员的地理坐标。#GEODIST - 返回两个成员之间的距离。GEODIST key member1 member2 [unit] # 获取成员之间的距离，unit 可以是 m（米）、km（千米）、mi（英里）、ft（英尺）。GEORadius - 根据给定的经纬度和半径返回一个或多个位置成员。GEORADIUS key longitude latitude radius unit [WITHCOORD] [WITHDIST] [WITHHASH] [COUNT count] # 搜索指定半径内的位置成员。
Geo 应用场景:
#附近地点搜索：
#使用 GEORadius 命令搜索给定经纬度附近的兴趣点（如餐馆、影院等）。# 搜索以经纬度为中心，半径为 10 公里内的所有地点
GEORADIUS my_locations 116.383331 -39.906611 10 km WITHDIST WITHCOORD#用户签到位置记录：
#记录用户签到的地理位置，并使用 GEOADD 命令添加到 Redis。# 记录用户 "user123" 在某个地点的签到
GEOADD user_checkins 116.40 39.90 "user123"#计算两地之间的距离：
#使用 GEODIST 命令计算两个地点之间的距离。# 计算地点 "placeA" 和 "placeB" 之间的距离
GEODIST my_locations placeA placeB km
)
