https://www.bilibili.com/video/BV1vU4y1q7KR/?spm_id_from=333.788&vd_source=fa36a95b3c3fa4f32dd400f8cabddeaf
原因跟 RoaringBitmap64 的实现有关，RoaringBitmap64 是由一系列 RoaringBitmap32 表示。实现方式有很多种，一种比较通用的做法用 map 存储，是把前 32 位存成 key，value 是 后 32 所对应的 RoaringBitmap32，RoaringBitmap32 的实现如图中所示。
第一层称之为 Chunk（高 16 位），如果该取值范围内没有数据就不会创建 Chunk。
第二层称之为 Container（低 16 位），会依据数据分布进行创建。
RoaringBitmap32 使用两种容器结构： Array Container 和 Bitmap Container。Array Container 存放稀疏的数据，Bitmap Container 存放稠密的数据。若一个 Container 里面的元素数量小于 4096，就使用 Array Container；反之，就用 Bitmap 来存储值。
当数据比较稀疏的时候，我们发现一个人群包对应的 RoaringBitmap64 由很多个 RoaringBitmap32 组成，每个 RoaringBitmap32 内部又由很多个 array container 组成。而对有序数组的交并补计算尽管也比较高效，但是相比于 bitmap 计算来说还是有明显的差异。这样导致计算性能提升不上去。因此我们就在想，能不能通过编码的方式，对区间内的数据进行编码，让数据更加集中，从而提升计算效率。事实上我们也是这么做的，我们实现了一种高效的编码，希望达到如下效果：
编码后同一个区间内的用户相对集中
不同区间的用户编码后同样在不同的区间内
编码后同一个人群包同一个区间内的用户 id 相对集中
通过编码，能够非常好地加速计算，计算速度提升 1~2 个量级
作者：字节跳动技术团队
链接：https://juejin.cn/post/6859570827051368462
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
