BitMap算法应用：Redis队列滤重优化

工作中有用到Redis滤重队列。

原来的方法如下:

方法一

为了保证操作原子性，使用Redis执行Lua脚本。
在脚本中的逻辑是，如果队列不超过某个数值，进行一次lrem操作（队列使用list结构），然后将新元素入列。

优点：
简单，直观。

缺陷：

lrem的时间复杂度为O(N)，N为队列中的元素个数；所以，性能一般。
因为防止队列内容过多，防止发生N级别的删除操作，限制了一个滤重的阀值，如果超过这个阀值就不能使用滤重功能。

方法二
为了解决以上痛点，新玩法为：

为了保证操作原子性，使用Redis执行Lua脚本。
同样使用Lua脚本，排重分为两步，使用了Redis自带的二进制数组进行维护是否存在重复的状态：
1. 在入队之前，先从二进制数组中查询下这个key是否存在，即getbit key offset。如果存在说明队列中存在一个这个offset的值，就不需要进行入队操作，直接中断执行就好。
2. 在出队的时候，将出队的元素在二进制数组中设置为不存在，即，setbit key offset 0。

优点：

因为是bitmap算法，在查询是否存在执行的offset的时候，时间复杂度是O(1)，并且与队列中元素个数无关。
优雅，如果算是优点的话，哈哈。

缺点：

最重要的一点是redis bitmap的offset必须是int，比如，long范围的offset是不存在的，这是一个很重要的点，一定要注意（都是血泪史）。
因为入队和出队都进行了bitmap的数据维护，所以需要确保在编码的时候一定谨慎，足够健壮。

总结
从上面的分析来看，感觉方法二完胜方法一。其实不尽然，只能说各有不同的场景。
方法一比较通用，不论入队的内容是什么，都可能滤重，方法二依赖与Bitmap算法，意味key只能是数值型的元素。
在实际应用中，以上两种滤重方式一般是可以联合使用的。如果key是数值类型，没有超出int的取值范围，那么就直接使用方法二，如果超出了int的取值范围的数值就使用方法一。

扩展
还有一种滤重的算法叫：布隆过滤器，感兴趣的同学可以了解下：Bloom filter。如果不需要删除，不在乎误判率的话那应该是很合适的一个算法，空间和时间都很高效。

另外如果有人遇到过其他的一些坑或者有更好的建议，欢迎指点。