目录
方法一：使用 Hash
具体做法：
当一个用户访问时，若用户登录过，则使用用户id来标识该用户。若用户没有登陆过，则（前端页面）随机生成一个key来标识用户。我们可以使用 HSET 命令，key 可以选择 URI 与对应的日期进行拼凑， field 可以使用用户的 id 或随机标识， value 可简单设置为 1 。当需要统计某网页用户访问量时，直接使用 HLEN 得到最终结果。
eg:
方法二：使用Bitset
具体做法：
对于一个 32 的int，如果只是用来记录 id ，那么只能记录一个用户。如果换成二进制，每个二进制位表示一个用户，那可以表示32个用户，极大节省空间。对于没有登陆的用户，我们可以使用 哈希算法，把对应的用户标识哈希成一个数字id。
bitset 非常节省内存，假设有 1 亿个用户，也只需要 100 000 000 / 8 / 1024 / 1024 差不多 12 M 内存。而 Redis 已经为我们提供了 SETBIT 的方法。比如统计 item 页面的访问量，我们可以使用 SETBIT 命令， 设置用户已经访问了该页面，也可以使用 GETBIT 的方法查询某个用户是否访问。最后通过 BITCOUNT 可以统计 item 页面的访问量。
eg：
方法三：使用概率算法
具体做法：
由于页面可能会有非常大的访问量，加入所需访问量的统计不那么准确，可以使用概率算法。而实际上，对一个网站的 UV 统计，1 亿跟 1 亿 零 30 万其实差不多。 而 Redis 中，封装好了 HyperLogLog 算法，这是一种基数评估算法。这种算法的特征，一般都是数据不存具体的值，而是存用来计算概率的一些相关数据。
当用户访问时，使用 PFADD 命令，设置对应的命令，最后只要通过 PFCOUNT 就能顺利计算出最终的结果。因为这是一个概率算法，所以可能存在 0.81% 的误差。
eg：
总结：
| 方法 | Hash 法 | Bitset | 概率算法 |
| 优点 | 简单，容易实现，查询方便，数据准确性高 | 占用内存小，查询方便，可指定查询某个用户。 | 占用内存极小，对于一个key，只需要12kb，适合用户访问量非常庞大的网站。 |
| 缺点 | 占用内存过大，随着key的增加，性能会下降。适合小网站 | 数据可能略有瑕疵，对于非登陆的用户，可能不同的key映射到同一个id，否则需要维护一个非登陆用户的映射，有额外开销。如果用户非常稀疏，那么占用的内存可能比Hash法更大。 | 查询指定用户的时候，可能会出错，毕竟存储的不是具体的数据。总数也存在一定的误差。 |
整理自： https://baijiahao.baidu.com/s?id=1634730713559356381&wfr=spider&for=pc
