Bitmap 位图
- 位图不是特殊的数据结构，它其实就是普通的字符串，也就是 byte 数组，用 getbit 和 setbit 来操作，能够统计精确的值。
- 可以用于布尔型数据的存取，比如用户一年的签到记录，签到了是1，没签到是0，记录365天，通过 bitcount 指令来统计用户一共签到了多少天，每个签到记录只占用一位，365位大约是46个字节大小，用户上亿时，大大节约了内存空间。
使用32位电脑对10亿数据去重排序？
如果用int数组来存储数据的话，需要4G连续的内存空间，而32位电脑最大内存只有4G，没法做到。
可以采用bitmap来解决，实际上就是一个byte数组，数组中的每一个元素是一个字节，一个字节有8位，每一位都可以表示一个数，表示10亿个数只需要128M的内存空间，遍历这10亿数据，把数对应的bit设置为1，遍历完毕后，再对byte进行遍历，就可以从小到大的去重数据了。
32位和64位的含义？
32和64代表计算机内存地址的长度，32位的电脑的内存地址一共有2的32次方个，64位电脑的内存地址有2的64次方个。
为什么32位的电脑的内存地址最大只有4G？
内存的单位是字节，计算机为每个字节分配一个内存地址，对于32位的电脑，内存地址的长度是32位，也就是一共有2的32次方个内存地址，内存的大小也就是2的32次方个字节=2的22次方KB=2的12次方MB=2的2次方GB=4G
HyperLogLog
- 采用基数算法实现，它设有 16384 个桶进行独立计数，也就是 2 的 14 次方，每个桶占 6 位，2 的 14 次方乘以 6 再除以 8，就等于 12k 字节了。
- 占用空间小，无论统计多少个数据，最多占用12K的内存。（redis 设有 16384个桶，每个桶里的数据最多需要6位进行存储，16384 x 6 / 8 约等于 12k 字节）
- 它统计值时存在误差，标准误差为0.81%
HyperLogLog 使用场景
- 根据用户的IP来统计访问量，需要去重，同一个用户一天之内的多次访问请求只能计数一次，所以每个网页请求都需要带上用户的ID，无论是登录用户还是未登录的游客，都需要一个唯一ID来标识。
- 最开始容易想到的是为每一个页面设置一个独立的 set 集合来存储当天访问该页面的所有用户ID，但如果页面访问量非常大，比如几千万的 UV，这样 set 集合就会非常大，浪费了空间，而且对于这个 UV 值，一般情况下并不需要多么的精确，比如 100 万和 101 万，对于这个场景，并没什么大的区别。所以想到了采用 redis 的 HyperLogLog 数据结构来实现。
- HyperLogLog 提供不精确的去重计数方案，标准误差为 0.81%，这个精确度已经可以满足 UV 的统计需求了，而且占用的内存不超过12k。