位图
Redis除了之前介绍的5中数据类型之外，我们还可以使用另一种数据结构，位图
位图不是一个真实的数据类型，而是定义在字符串类型上的面向位的操作的集合。由于字符串类型是二进制安全的二进制大对象，并且最大长度是 512MB，适合于设置 2^32个不同的位
基本用法：
setbit：设置特定key对应的比特位的值。
getbit：获取特定key对应的比特位的值。
bitcount：统计给定key对应的字符串比特位为1的数量。
使用以上的命令我们不仅能够记录每天人员签到的情况，还可以使用bitcount来统计一定时间范围内某人的签到次数
适用场景：
位图最大的特点就是节省空间，例如我们需求是用户签到功能，bool类型的数据，签到了为1，没签为0，每一个用户365天，如果使用普通的key/value，每个用户要记录365条数据，而上亿用户的时候则需要很大的存储空间，而使用位图，一人365天就是365个位，46字节
HyperLoglog
在之前的统计页面访问的UV数量的案例中，提到可以使用set的方式，但是如果一个页面的统计量很大的时候，set就需要使用很大的空间，这时就可以使用一种新的命令HyperLoglog，它就是用于解决这种统计数据的问题的，但是响应的，它也有自己的缺点，就是统计的数量不是特别精准，可能是真实值的0.81%的误差，但是对于这种UV统计的场景来说，完全可以忽略
- pfadd：作用就是set集合中的sadd方法（HyperLoglog的发明人名叫Philippe Flajolet，所以操作是已pf开头的）
- pfcount：作用就是set集合中的scard的用法
- pfmerge：将多个pf值累加起来形成新的pf值
使用场景：进行访问页面的UV统计，或者多个页面访问量的聚合统计
注意：HyperLoglog需要占用12KB的空间，所以他不太适合单个用户数据的统计
Bloom Filter布隆过滤器
HyperLoglog通过使用pfadd，和pfcount可以进行数据的统计，但是如果要判断HyperLoglog中是否存在某个值得时候，他并没有提供pfcontains方法，如果一个新闻推荐系统，需要给用户推荐新闻时，需要过滤掉用户看过的新闻，如果使用数据库的exit，那么并发量大的时候数据库是扛不住的，如果使用reids的set,当用户数量很大的时候，set集合就会变的很大，这时我们可以使用Bloom Filter，他是专门用于处理这种去重的问题的。
概念
可以把他理解成为一个不怎么精确的set结构，当使用contains操作的时候，可能会出现误判（小小的误判，精确度还可以），当布隆过滤器判断某个值存在的时候，他有可能不存在，当其判断某个值不存在的时候他一定不存在，所以布隆过滤器能精确的判断上面新闻推送的场景
使用方式
- bfadd：添加一个元素
- bfmadd：添加多个元素
- bfexists：判断一个元素是否存在
- bfmexists：判断多个元素是否存在
