redis中的bitmap實例分析

本文小編為大家詳細介紹“redis中的bitmap實例分析”，內容詳細，步驟清晰，細節處理妥當，希望這篇“redis中的bitmap實例分析”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學習新知識吧。

1、BitMap是什么

通過一個bit位來表示某個元素對應的值或者狀態,其中的key就是對應元素本身。我們知道8個bit可以組成一個Byte，所以bitmap本身會極大的節省儲存空間。2^32次方40億數據只需要500M內存，需要內存少了8倍

2、setbit命令介紹 

setbit key offset value
 #設置bitmapkey為20220328  uid為100的用戶已簽到1
setbit  20220320  100 1 
setbit  20220320  200 1
 setbit  20220321  100 1
setbit  20220321  300 1
  getbit 20220320  100  #返回1,說明這個用戶已簽到了
  bitcount 20220320  #獲取bitmap數量

bitmap的坑

127.0.0.1:6400> setbit bittest 100 1 #設置不存在的offset返回0
(integer) 0
127.0.0.1:6400> setbit bittest 100 1 #設置已存在的offset返回1
(integer) 1

setbit maxKey 4000000000 1 #直接弄了你600多M內存

/**
     * 布隆過濾器bloom Filter
     * 1.百萬分之一的概率哈希沖突,所以有存在的不一定存在，但是不存在的百分百不存在
     * 2.不能刪除,刪除的時候不能簡單的直接置為0,可能會影響其他元素的判斷,其實問題不大一般生產數據也不會刪除的,都是軟刪除
     * 3.新增數據時候寫入bloom Filter
     * 4.2^32次方40億數據內存占用才600M,超級省內存,查找速度非常快,160M內存可以在千萬級數據做到1%的誤判
     * 5.bitmap根據offset去申請內存的,所以要省內存的情況要限制offset值
     */
    public function bloomAction(){
        $t1 = time();
         for($i=0;$i<99;$i++){
            $bl = new BloomFilter();
            //$str = "1https://arnaud.le-blanc.net/php-rdkafka-doc/phpdoc/book.rdkafka.html?id=".time();
            $str = "https://dasda.le-blanc.net/php-rdkafka-doc/phpdoc/book.rdkafka.html?id=".mt_rand(1,99999999);
            p($str);
             $res1 = $bl->JSHash($str);//兩次哈希3s,md5哈希重復的概率是百萬分之一
             p($res1);
        }
        //p($res);
        $t2 = time();
        echo $t2-$t1;
    }
    /**
     * 布隆過濾器初始化 bloom Filter 執行 php  index.php "index/demo/loadDb2bloom"
     */
    public function isExistBloomAction(){
        $redis = redisCursor();
        $email = input("email","","trim");
        $tel   = input("tel","");
         $result = false;
        $msg    = "";
        if(filter_var($email,FILTER_VALIDATE_EMAIL)){
            $key1  = "bloom_user_email";
            $offset = BloomFilter::JSHash($email);
            $result = $redis->getbit($key1,$offset);
            $msg = $email;
        }elseif($tel){
            $key2  = "bloom_user_telephone";
            $offset = BloomFilter::JSHash($tel);
            $result = $redis->getbit($key2,$offset);
            $msg = $tel;
        }
         $result?apiSuccess($msg.",已存在"):apiError($msg.",不存在");
    }
    /**
     * 布隆過濾器初始化 bloom Filter 執行 php  index.php "index/demo/loadDb2bloom"
     */
    public function loadDb2bloomAction(){
        $time1 = time();
        $redis = redisCursor();
         $key1 = "bloom_user_email";
        $key2 = "bloom_user_telephone";
         //setbit() offset 必須是數字,value必須是1或0
        //$redis->setbit($key,30,1);
        $table  = "user";
        $pkid   = "id";
        $field1 = "email";
        $field2 = "telephone";
         $maxid = Db::name($table)->max($pkid);
         $size  = 5000;
        $page  = ceil($maxid/$size);
         for($i=0;$i<$page;$i++){
            $start = $i*$size;
            $where = " $pkid between ".$start."  and ".($start+$size);
            $res = Db::name($table)->where($where)->field("$field1,$field2")->select();
             if($res){//同步到bitmap
                foreach($res as $k=>$v){
                    //布隆過濾器  1.存在的不一定存在, 2.不存在的100%不存在(原因,哈希沖突可能用100W分之一的可能重復)
                    //所以注冊的時候判斷不存在的,百分百可以注冊，存在的可以查詢一下數據庫是否真的不存在
                     $value1 = BloomFilter::JSHash($v["$field1"]);
                    $value2 = BloomFilter::JSHash($v["$field2"]);
                     $redis->setbit($key1,$value1,1);//email去重
                    $redis->setbit($key2,$value2,1);//mobile去重
                }
            }
             $time2 = time();
            echo $where." 消耗時間 ".($time2-$time1).PHP_EOL;
        }
         $time3 = time();
        echo " 總消耗時間 ".($time3-$time1).PHP_EOL;
    }

<?php
 class BloomFilter
{
    /**
     *  下面的哈希函數隨便用一個都行,都是把字符串轉換成數字
     */
     /**
     * hash方法類
     * 由Justin Sobel編寫的按位散列函數
     * update：Denny
     * 返回之前做了內存限制在160M,超過10億的哈希后的數值,把它限制在10億內,此時1000W的數據可做到1%誤判,內存不差這600多M的話就別限制了
     * 因為redis的bitmap申請內存是看offset申請內存的,setbit mykey 400000000 1，這樣直接申請了600M內存
     */
    public static function JSHash($string, $limitMemory=true,$len = null)
    {
        $hash = 1315423911;
        $len || $len = strlen($string);
         for($i = 0; $i < $len; $i++)
        {
            $hash ^= (($hash << 5) + ord($string[$i]) + ($hash >> 2));
        }
         $hashNum = ($hash % 0xFFFFFFFF) & 0xFFFFFFFF;
         //為了節省內存,超過10億就對半拆,10億,這時候大約是130M內存占用,千萬級數據可以做到1%誤判率,內存足夠可以不用判斷,直接生成就行了
        //如果數據過4000W的話不用限制了,因為生成的數據最大也是2^32次方40多億,此時內存占用大概在600M封頂了
        if($limitMemory){
            if($hashNum>4000000000){
                $hashNum = intval($hashNum/5);
            }elseif($hashNum>3000000000){
                $hashNum = intval($hashNum/4);
            }elseif($hashNum>2000000000){
                $hashNum = intval($hashNum/3);
            }
        }
         return $hashNum;
    }
}

讀到這里，這篇“redis中的bitmap實例分析”文章已經介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。