- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据-BigData
RoaringBitmap介绍（中文翻译）
原地址：https://github.com/RoaringBitmap/RoaringBitmap Bitsets，也称为bitmaps，通常用作快速数据结构。 ; public class Basic { public static void main(String[] args) { RoaringBitmap rr = RoaringBitmap.bitmapOf (1,2,3,1000); RoaringBitmap rr2 = new RoaringBitmap(); rr2.add(4000L,4255L); 请注意，您不应将 org.roaringbitmap 包中的类与 org.roaringbitmap.buffer 包中的类混用。 它们是不相容的。 然而，它们序列化到相同的输出。 extends RoaringBitmap> type) { RoaringBitmap bitmap = new RoaringBitmap(); try {
2.7K30编辑于 2022-11-16 RoaringBitmap使用指南-Java快速入门教程
概述 在本教程中，我们将了解RoaringBitmap。我们将使用对一组的一些基本操作作为RoaringBitmap的示例。 (1, 2, 3, 4, 5); RoaringBitmap B = RoaringBitmap.bitmapOf(4, 5, 6, 7, 8); RoaringBitmap union () { RoaringBitmap expected = RoaringBitmap.bitmapOf(4, 5); RoaringBitmap A = RoaringBitmap.bitmapOfRange () { RoaringBitmap expected = RoaringBitmap.bitmapOf(1, 2, 3); RoaringBitmap A = new RoaringBitmap (1, 6); RoaringBitmap B = RoaringBitmap.bitmapOfRange(4, 9); RoaringBitmap xor = RoaringBitmap.xor
84800编辑于 2025-04-05- 来自专栏腾讯云数据库(TencentDB)
大数据标签查询优化实战之pg_roaringbitmap
本文主要基于PostgreSQL实现标签查询的优化实践，供大家参考 一步一步实操，可直接复制粘贴 pg_roaringbitmap是什么？ pg_roaringbitmap是一个基于roaringbitmap而实现的压缩位图存储数据插件，支持roaring bitmap的存取、集合操作，聚合等运算。 roaringbitmap有什么用？ roaringbitmap在在实际的业务当中常使用来存储用户的属性标签，增删改查这些属性标签，以及根据这些存储的用户的标签通过并集，交集等方法来筛选出特定的用户。 create extension roaringbitmap; 2、创建标签用户对应表 create table tag_uin_list( tagid int primary key, uin_offset int, uinbits roaringbitmap ); 3、根据之前的 标签表 插入10W条标签以及标签对应的用户数据。
2.4K10编辑于 2022-01-18 - 来自专栏可君的数据开发沉淀
Flink基于两阶段聚合及Roaringbitmap的实时去重方案
有的，这便是下面要介绍的Roaringbitmap。Roaringbitmap介绍上文提到，Bitmap支持精确去重，其思想为：第0个比特表示数字0，第1个比特表示数字1，以此类推。 本文聚焦于Roaringbitmap的时空特性和使用，因此具体原理不表，如感兴趣可参考《高效压缩位图RoaringBitmap的原理与应用》与《RoaringBitmap数据结构及原理》。 >org.roaringbitmap</groupId> <artifactId>RoaringBitmap</artifactId> <version>0.9.21</version></ = new RoaringBitmap();RoaringBitmap response_ad_count_bitmap = new RoaringBitmap(); 然后在将每条数据封装进Java Bean 至于去重字段本身为int型的数据则直接放入Roaringbitmap即可，如若为long型也可以使用Roaringbitmap的64位版本Roaring64NavigableMap。
4K51编辑于 2023-01-03 - 来自专栏苏三说技术
10亿QQ号如何去重？
存储优势对比： 普通位图：10^10 / 8 / 1024/1024 ≈ 1.16 GB RoaringBitmap：稀疏数据下可压缩至100-300 MB 六、生产级架构：Lambda架构 架构设计 7.2 存储计算 QQ号范围：10000 - 9999999999（约100亿） 分层设计： 第一层分片：100个区间（每区间1亿） 第二层分片：100个子区间（每区间100万） 第三层存储：RoaringBitmap privatestaticfinalint L2 = ; // 二级分片 public LayeredBitmap() { bitmaps = new RoaringBitmap ; if (bitmaps[l1Index][l2Index] == null) { bitmaps[l1Index][l2Index] = new RoaringBitmap ) - ))); return suffix % shardCount; } 9.2 去重精度保障 9.3 成本优化建议 冷热分离：热数据用内存位图，冷数据存磁盘 压缩存储：使用RoaringBitmap
32110编辑于 2025-07-17 - 来自专栏Flink实战剖析
不得不掌握的三种BitMap
对此需要使用压缩bitmap,也就是roaringbitmap。 RoaringBitmap RoaringBitmap 是一种压缩bitmap，其思想就是采用高低位存储方式，将一个Int类型的数据转换为高16位与低16位，也就是两个short类型的数据，高位存储在一个 RoaringBitmap引入： <dependency> <groupId>org.roaringbitmap</groupId> <artifactId>RoaringBitmap< 使用示例： RoaringBitmap roaringBitmap = new RoaringBitmap(); for (int i = 1; i <= 4096; i++) { roaringBitmap.add ： roaringBitmap.runOptimize(); 此时内部存储是一个RunContainer 这时候可能又出现了另外一个问题，RoaringBitmap处理的是int类型的数据，但是在实际中我们使用的都是
80610编辑于 2022-04-18 - 来自专栏公有云大数据平台弹性 MapReduce
Clickhouse在大数据分析平台-留存分析上的应用
一、Roaringbitmap简介 二、思路与实现 1.数据构建 2.查询过程 3.实践效果 三、总结与思考 你可能听说过Growingio、神策等数据分析平台，所在部门也在构建自己的大数据分析平台MVP 下面主要分3个部分详细介绍：Roaringbitmap简介、思路与实现、总结与思考 一、Roaringbitmap简介 下面先简单介绍一下高效的位图压缩方法Roaringbitmap。 也就是说，一个roaringbitmap就是很多container的集合。 而Roaringbitmap对数据进行了压缩，其求交的速度在绝大部分情况下比bitmap还要快，因此这里我们考虑使用Roaringbitmap的方法来对计算留存的过程进行优化。 PS:楼主是刚入ch坑的小白一只，对于以上内容，有不正确/不严谨之处请轻拍~ 欢迎交流~ 参考资料： 解析常见的数据分析模型——留存分析 RoaringBitmap数据结构及原理 高效压缩位图RoaringBitmap
2.5K20发布于 2021-01-07 - 来自专栏vivo互联网技术
高效压缩位图在推荐系统中的应用
2.3 RoaringBitMap RoaringBitMap和bloom filter本质上都是使用bitmap进行存储。 而RoaringBitMap是直接将元数据进行存储压缩，其准确率是100%的。 所以下文我们来着重分析下RoaringBitMap为什么为如此高效。 在特别稀疏的情况下，用RoaringBitMap效果可能还更差。 最终我们选择了RoaringBitMap这个结构进行存储，这是因为游戏推荐业务保存的过滤集合中，游戏id在大趋势上是自增整数型的，且排列不是十分稀疏，利用RoaringBitMap的压缩特性能很好的节省空间开销
69320编辑于 2022-04-19 - 来自专栏腾讯云大数据
Clickhouse在大数据分析平台-留存分析上的应用
优化方案的核心是在Clickhouse中使用Roaringbitmap对用户进行压缩，将留存率的计算交给高效率的位图函数，这样既省空间又可以提高查询速度。 希望本实践方案可以给你带来一些帮助和启示。 下面主要分3个部分详细介绍：Roaringbitmap简介、思路与实现、总结与思考。 一、Roaringbitmap 简介 下面先简单介绍一下高效的位图压缩方法Roaringbitmap。 也就是说，一个roaringbitmap就是很多container的集合 [3]，具体细节可以自行查看文末的参考文章。 而Roaringbitmap对数据进行了压缩，其求交的速度在绝大部分情况下比bitmap还要快，因此这里我们考虑使用Roaringbitmap的方法来对计算留存的过程进行优化。 (4).Roaringbitmap压缩 对于用户操作流水数据，我们先建一个可以存放bitmap的表table_oper_bit，建表语句如下： ?
4K30发布于 2020-08-07 - 来自专栏张叔叔讲互联网
人群创建的基础：画像标签BitMap
图片BitMap是一种位图映射方案，其具体实现方式有多种，在Java语言中可以使用RoaringBitMap进行工程开发。 图片Hive表数据转为RoaringBitMap依赖开源工具包hive-bitmap-udf.jar，其中UDF函数to_bitmap可以将UserId列表转换为RoaringBitMap对象并以binary 从ClickHouse中读取到string类型的bitmap数据，借助bytesToBitMap函数可以实现string到RoaringBitMap的转换。 多个RoaringBitMap可以在内存中直接进行交、并、差操作，最终实现人群的创建。 to_bitmap(user_id)FROMuserprofile_demo.gender_labelWHEREp_date = '2022-08-01'GROUP BYgenderbyte[]，string以及RoaringBitMap
2.3K11编辑于 2023-10-17 淘宝闪购实时分析黑科技：StarRocks + Paimon撑起秋天第一波奶茶自由
通过 StarRocks 的 Bitmap 相关函数直接查询存储在 Paimon 中的 RoaringBitmap 数据，大幅提升了实时 UV、多数据域分析的数据新鲜度和查询性能。 RoaringBitmap 是一种高效压缩位图结构，专为快速存储和操作大规模整数集合设计。 它通过智能分桶和动态容器选择，在空间压缩和计算性能之间实现最佳平衡，在当下主流的大数据计算和存储引擎中，RoaringBitmap 也被越来越广泛的应用。 4.2 RoaringBitmap 去重适用场景以下均针对去重指标计算场景，可直接 sum 或 count 的指标不在讨论范围内。 4.4 RoaringBitmap 实践总结借助 StarRocks 丰富的 Bitmap 函数和 Paimon 的流读流写能力，我们利用 RoaringBitmap 实现了实时场景的高效去重计算。
64410编辑于 2025-09-04- 来自专栏未知之路-技术杂记
位图bitmap的改进版：Roaring Bitmap
使用方式各编程语言的API；https://www.roaringbitmap.org/https://roaringbitmap.readthedocs.io/en/latest/index.html 参考推荐https://github.com/RoaringBitmap/RoaringBitmap/tree/master/RoaringBitmaphttps://zhuanlan.zhihu.com
3.5K40编辑于 2023-01-09 - 来自专栏编程从踩坑到跳坑
Clickhouse添加bitmap分页函数
# 开干 通过阅读Clickhouse的源码，步骤如下： 实现分页 在Clickhouse中bitmap指向的class是RoaringBitmapWithSmallSet ，bitmap底层使用的是RoaringBitmap ，github地址：https://github.com/RoaringBitmap/CRoaring.gitopen in new window ，RoaringBitmapWithSmallSet对
69930编辑于 2023-10-21 - 来自专栏得物技术
得物推荐引擎 - DGraph
图片 图7 Invert 索引 基于开源 RoaringBitmap RoaringBitmap 将一个文档 ID(uint32)分为高位和低位，高 16 位的 ID 用来建一级索引，低 16 位的 ID 用来构建二级索引(原文称之为 Container)，在二级索引中， Kmeans 聚类后，引擎会以每个中心向量(centroids)为基点，构建倒排，倒排的数据结构也是 RoaringBitmap，同一个聚簇的向量都回插入同一个 RoaringBitmap 里面。
80420编辑于 2023-08-30 - 来自专栏京东技术
百万并发场景中倒排索引与位图计算的实践
举一个极端case，若千万规则库中命中的行ID是第1000万位，按照传统方式BitSet进行存储，需要消耗1.2MB空间，在内存中占用存在严重浪费，有没有压缩优化方案，在RoaringBitMap压缩位图方案中我们找到 ，相同场景在压缩位图方式下仅占144bytes；即使在1000万的位图空间，随机存储1万个值，两者比也是在31K vs 2MB，近100倍的差距，总的来说RoaringBitMap压缩率非常大。 RoaringBitMap本质上是将大块的bitmap拆分成各个小块，其中每个小块在需要存储数据的时候才会存在，所以当进行交集或并集运算的时候，RoaringBitMap只需要去计算存在的块而不需要像bitmap
77810编辑于 2024-01-23 - 来自专栏京东技术
营销系统黑名单优化：位图的应用解析
2.RoaringBitmap 遗憾的是，BitSet会占用过多内存。 RoaringBitmap是一种压缩位图，其性能往往优于 WAH、EWAH 或Concise等传统压缩位图。在某些情况下，RoaringBitmap的速度可以快上数百倍，而且压缩效果往往要好得多。 如果使用RoaringBitmap只存储一个数值 200000000，只需要144B的内存。 RoaringBitmap将一个int数值x划分为高16位和低16位，高16位下标可以通过x >>> 16得到，高位container中维护了一个数组，数组的元素中存储了低位container，低位container
61110编辑于 2024-03-06 - 来自专栏vivo互联网技术
超有趣！上周六的 es 深圳 Meetup 发生了什么事儿？
内容包括技术选型、如何基于 Hive + ES 构建数据系统、亿级用户下系统的瓶颈及优化、RoaringBitmap 在该系统的落地、自定义 ES Plugin 的实现。 分享嘉宾比较细致地介绍了在ES的查询优化中，如何借助开源的 RoaringBitmap 来实现ES插件，从而把ES查询转换为位运算来显著加速查询速度。可谓是今天的“Bitmap”达人了！
98350发布于 2019-05-15 - 来自专栏山行AI
一文读懂比BitMap有更好性能的Roaring Bitmap
经过测试对比后发现Roaringbitmap与其他bitmap压缩算法相比往往表现得更好。8. 原生的 RoaringBitmap 只存储整形数据，32 位的 RoaringBitmap 最大的数据存储量是 2147483647。 像订单、流量这样的数据量可以采用 64 位的 RoaringBitmap，但在性能上 32 位的效率在同等条件下要优于 64 位。 概要 Bitmap索引经常被用在数据库和搜索引擎中。 我们的Roaring-bitmap实现的代码和数据在http://roaringbitmap.org/上免费提供。 高低位实现 32位的RoaringBitmap获取高低16位的实现： public static RoaringBitmap addOffset(final RoaringBitmap x
10.6K20发布于 2020-11-26 - 来自专栏一名叫大蕉的程序员
大数据计数原理1+0=1这你都不会算(八)No.60
论文连接：链接: https://pan.baidu.com/s/1pKGrNcf 密码: s449 GitHub地址：https://github.com/RoaringBitmap/RoaringBitmap
1K70发布于 2018-02-05 - 来自专栏张叔叔讲互联网
画像平台人群创建方式-规则人群创建
其中代码重点是将字符串格式的数据转换为RoaringBitMap，并通过其自带的and函数进行交集计算。 rs.next()) {long userId = rs.getLong(1);crowd.add(userId);}-- 通过BitMap返回所筛选的UserId，返回格式为byte[]，需要反序列化为RoaringBitMap
1.7K00编辑于 2023-10-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号