BitSet去重核心是“标存在”而非存数据，仅用1 bit标记非负整数是否出现，空间达理论下限；但必须同时满足：数据可映射为非负整数、值域可控、分布稠密，否则易浪费资源或崩溃。
BitSet 做海量数据去重，核心不是“存数据”，而是“标存在”——用 1 个 bit 表示 1 个非负整数是否出现过。它不存值本身，只记“有或没有”，所以空间直接压到理论下限：1 bit/元素。40 亿个可能取值（如 QQ 号），只需 512 MB 内存；1000 万个 ID，仅占约 1.25 MB。但这个优势只在条件匹配时成立，用错场景反而浪费资源。
适用前提：三个硬约束缺一不可
BitSet 不是通用集合替代品，必须同时满足：
- 数据类型可映射为非负整数：原始数据要是 int、long 范围内的非负整数；字符串需经一致性哈希 + 取模（注意冲突校验），浮点数需先离散化（如 ×10 取整）再偏移归零；负数一律加偏移量（如温度 −50~50 → 映射为 0~100）
- 值域范围可控：最大值 N 决定内存用量（≈ N / 8 字节）。N = 1 亿 → ~12.5 MB；N = 100 亿 → ~1.25 GB。超过 2³¹（约 21.47 亿）会抛 IndexOutOfBoundsException（Java）或越界未定义行为（C++）
- 分布相对稠密：若 1 亿范围内只出现几百个离散大整数（如 ID 是 10⁹、2×10⁹、3×10⁹），位图中几乎全是 0，空间严重浪费，此时 RoaringBitmap 或布隆过滤器更合适
安全使用：边界防护与操作顺序不能错
常见崩溃和逻辑错误多源于疏忽检查：
-
永远先 test() / get()，再 set()：C++ 中
seen.test(x)比seen[x]安全，后者不检查越界；Java 中bitSet.get(x)对超限索引返回 false 而不报错，容易掩盖负数误传（如 -1 自动转成极大正数） -
输入必须过滤：循环中加
if (x = MAX_N) continue;，否则 C++std::vector<bool></bool>或 JavaBitSet都可能静默失败或行为异常 -
避免重复计数陷阱：不要写
bitSet.set(x); count++，而应if (!bitSet.get(x)) { bitSet.set(x); count++; }
突破限制：分桶、协同与手动优化
现实数据常超出单 BitSet 承载能力，可用组合策略拓展边界：
- 高位分桶 + ConcurrentHashMap：把 0~10¹⁰ 拆成 1000 个桶（每桶覆盖 10⁷），用高位哈希定位桶，低位作桶内索引；桶按需加载，避免一次性分配巨量内存
- BitSet + 布隆过滤器两级筛选：先用极小内存的布隆过滤器快速拦截 95% 重复项；仅当布隆返回“可能存在”时，才查 BitSet 精确判定——降低 BitSet 访问频次，提升吞吐
-
C++ 手写 uint64_t[] 替代 std::bitset：运行时才知道规模？用
std::unique_ptr<uint64_t></uint64_t>分配对齐内存，手动算字偏移与位掩码，比std::bitset（编译期定长）或std::vector<bool></bool>（代理对象缺陷）更可控、更快
避坑提醒：什么情况坚决别用
以下场景强行套用 BitSet 会适得其反：
- 原始数据是 UUID、长文本、任意长度字符串——哈希后易碰撞，且值域爆炸，内存失控
- ID 高度稀疏（如只出现 100 个跨度在 0~Long.MAX_VALUE 的整数）——分配几 GB 内存却几乎全空
- 需要线程安全且高并发写入——
BitSet无内置同步，synchronized全局锁吞吐暴跌；应改用分段 BitSet + 细粒度锁，或ConcurrentHashMap<integer boolean></integer> - 需遍历所有去重结果——位图不存值，遍历本质是扫描 + 解码（逐位查 1），比 HashSet 迭代慢得多；如需输出全部唯一值，建议边处理边收集到
ArrayList
