先看一个场景：如果某网站有有1亿用户，用户访问过该网站标记为活跃，如何统计网站DAU(Daily Active Use)，根据DAU统计WAU或MAU。
1.使用传统的数据库表可以实现，用户只要访问了该网站则按日期，用户号插入一条记录，至少需要两个字段：
如果日活很高，表会迅速扩张，按日、周、月统计还需要count、sum、group效率较低，消耗了数据库资源还难以快速统计目标数据。
2.换个思路，假设有一个大大的数组，数组可以自动扩容，每个用户是否活跃看作数组中的值(1活跃0不活跃，默认为0)，数组的下标对应用户的编号(假设为所有用户生成了一套连续的编号)。
数组按日期命名，
dau20200501[1]=1 表示1号用户2020-05-01活跃，
dau20200501[100]=1 表示100号用户2020-05-01活跃。
活跃人数的计算就变成了计算数1的操作，1亿个0或1要占用多大的空间，我们可以估算一下：1个0或1占1个字节即可，1亿个0或1就是1亿字节：10^9/1024/1024≈96M。
如果使用一个1亿个元素的数组(也可以是一个文件)，大约占用空间96M，大小等同输出外部文件的大小。
3.来看下redis的bitmap，位图不是实际的数据类型，而是在字符串类型上定义的一组面向位的操作。由于字符串是二进制安全BLOB，并且其最大长度为512MB，因此它们最多可以设置2^32个不同的位。
位图的最大优势之一是，它们在存储信息时通常可以极大地节省空间，位图包常用操作命令：setbit/getbit，设置位上的值，获取位上的值：
#设置key 第1位 值为1setbit dau_0501 1 1
#设置key 第99位 值为1setbit dau_0501 99 1
#获取key 第99位 值为1getbit dau_0501 99
使用bitcount计算指定位数中1的个数：
#计算key 0位到10位 1的个数bitcount dau_0501 0 10
基于上面2中的思路，第n个用户访问该网站，则把指定key的第n位标记为1，活跃用户数就是指定key中1的个数。显然这里是操作位，相比2中，一个字节为8位，估算一下占用空间：96M/8=12M，1亿的用户只需要12M的大小即可记录。
显然使用bitmap简单且节省空间，dau相似问题都可以转化为使用bitmap处理，如用户访问网站的时间轨迹等。这正是bitmap所擅长的：各种实时分析，使用小空间存储与目标对象id关联的布尔信息。
