如果使用 Bitmap 存储 100 个用户 ID，而这些用户 ID 的数值范围很大，会引发哪些具体问题？有哪些可行的解决方案？
考察说明
考查对 Bitmap 数据结构在大稀疏数据场景下空间效率的理解，以及优化策略的掌握。
回答思路
- 【回答框架 1】Bitmap 基于位数组，每一位代表一个可能的 ID，存储 100 个用户 ID 所需位数组长度由 ID 范围决定，范围很大时位数组会占用大量内存。
- 【回答框架 2】问题在于空间浪费：即使只有 100 个实际 ID，位数组也要覆盖整个范围，如 ID 范围是 1 到 10 亿，位数组需约 125MB，远大于实际存储需求。
- 【回答框架 3】解决方案：1. 使用 Roaring Bitmap，它根据数据密度在不同层级采用数组或位图存储，压缩稀疏数据；2. 改用哈希表或有序集合直接存储实际 ID，更节省空间；3. 对 ID 做映射压缩，如使用字典编码将大范围 ID 映射到小范围；4. 使用布隆过滤器等概率结构，但会有误差。
- 【回答框架 4】选择方案需权衡空间、时间和精度需求，Roaring Bitmap 在查询效率上优于纯哈希，适合大量稀疏 ID 场景。
- 【关键点 1】Bitmap 空间由 ID 最大值决定，而非实际存储数量。
- 【关键点 2】Roaring Bitmap 能有效压缩稀疏数据，平衡空间和查询性能。
- 【关键点 3】哈希表只存储实际 ID，空间小但可能牺牲有序性和特定集合运算效率。
- 【关键点 4】方案选择需根据数据量和操作类型权衡。
- 【易错点 1】盲目使用 Bitmap 而不考虑 ID 范围，导致内存开销过大。
- 【易错点 2】认为布隆过滤器可完全替代 Bitmap，忽略其误判率问题。
- 【易错点 3】忽略 ID 分布特征，直接采用单一方案，未进行实际评估。