Redis-06-Redis6的新数据类型

男娘i 2023-09-30 08:08 17阅读 0赞

### 文章目录 ###

*  一：Bitmaps
 *   *  1：简介
     *  2：命令
     *   *  1：setbit
         *  2：getbit
         *  3：bitcount
         *  4：bitop 计算多个botmaps的集并返给新bitmaps
     *  3:Bitmaps与set对比
 *  二：HyperLogLog
 *   *  1：简介
     *  2：命令
     *   *  1：pfadd < element> \[element ...\] 添加指定元素到 HyperLogLog 中
         *  2：pfcount \[key ...\] 计算HLL的近似基数，可以计算多个HLL
         *  3：pfmerge \[sourcekey ...\] 将一个或多个HLL合并后的结果存储在另一个HLL中
 *  三：Geospatial
 *   *  1：简介
     *  2：命令
     *   *  1：geoadd< longitude> \[longitude latitude member...\] 添加地理位置（经度，纬度，名称）
         *  2：geopos \[member...\] 获得指定地区的坐标值
         *  3：geodist \[m|km|ft|mi \] 获取两个位置之间的直线距离
         *  4:georadius< longitude>radius m|km|ft|mi 以给定的经纬度为中心，找出某一半径内的元素

# 一：Bitmaps #

## 1：简介 ##

现代计算机用二进制（位） 作为信息的基础单位， 1个字节等于8位， 例如“abc”字符串是由3个字节组成， 但实际在计算机存储时将其用二进制表示， “abc”分别对应的ASCII码分别是97、 98、 99， 对应的二进制分别是01100001、 01100010和01100011，如下图  
![在这里插入图片描述][9116cdd0dbc3401db5ca509d9033e723.png]  
合理地使用操作位能够有效地提高内存使用率和开发效率。  
Redis提供了Bitmaps这个“数据类型”可以实现对位的操作：  
（1）Bitmaps本身不是一种数据类型， 实际上它就是字符串（key-value） ， 但是它可以对字符串的位进行操作。  
（2）Bitmaps单独提供了一套命令， 所以在Redis中使用Bitmaps和使用字符串的方法不太相同。 可以把Bitmaps想象成一个以位为单位的数组， 数组的每个单元只能存储0和1， 数组的下标在Bitmaps中叫做偏移量。

## 2：命令 ##

### 1：setbit ###

格式：setbit设置Bitmaps中某个偏移量的值（0或1）  
实例：  
每个独立用户是否访问过网站存放在Bitmaps中， 将访问的用户记做1， 没有访问的用户记做0， 用偏移量作为用户的id。  
设置键的第offset个位的值（从0算起） ， 假设现在有20个用户，userid=1， 6， 11， 15， 19的用户对网站进行了访问，  
![在这里插入图片描述][4b0290d312de4cb1a5768d5613888955.png]  
注：  
很多应用的用户id以一个指定数字（例如10000） 开头， 直接将用户id和Bitmaps的偏移量对应势必会造成一定的浪费， 通常的做法是每次做setbit操作时将用户id减去这个指定数字。  
在第一次初始化Bitmaps时， 假如偏移量非常大， 那么整个初始化过程执行会比较慢， 可能会造成Redis的阻塞。

### 2：getbit ###

格式  
getbit获取Bitmaps中某个偏移量的值  
格式  
getbit获取Bitmaps中某个偏移量的值  
![在这里插入图片描述][df1870df477a440b89621cf5b7d2cb10.png]  
注：因为100根本不存在，所以也是返回0

### 3：bitcount ###

统计字符串被设置为1的bit数。一般情况下，给定的整个字符串都会被进行计数，通过指定额外的 start 或 end 参数，可以让计数只在特定的位上进行。start 和 end 参数的设置，都可以使用负数值：比如 -1 表示最后一个位，而 -2 表示倒数第二个位，start、end 是指bit组的字节的下标数，二者皆包含。  
格式  
bitcount\[start end\] 统计字符串从start字节到end字节比特值为1的数量  
![在这里插入图片描述][14bfa329c2ec4c7db58392582f43df4b.png]

### 4：bitop 计算多个botmaps的集并返给新bitmaps ###

格式  
bitop and(or/not/xor) \[key…\]  
bitop是一个复合操作， 它可以做多个Bitmaps的and（交集） 、 or（并集） 、 not（非） 、 xor（异或） 操作并将结果保存在destkey中。

## 3:Bitmaps与set对比 ##

假设网站有1亿用户， 每天独立访问的用户有5千万， 如果每天用集合类型和Bitmaps分别存储活跃用户可以得到表  
![在这里插入图片描述][02b53d7bba7e4793a8a16a1047fa0e33.png]  
很明显， 这种情况下使用Bitmaps能节省很多的内存空间， 尤其是随着时间推移节省的内存还是非常可观的,但Bitmaps并不是万金油， 假如该网站每天的独立访问用户很少， 例如只有10万（大量的僵尸用户） ， 那么两者的对比如下表所示， 很显然， 这时候使用Bitmaps就不太合适了， 因为基本上大部分位都是0。  
![在这里插入图片描述][d9e0ca69e93a46f1912cb844dd3a483d.png]

# 二：HyperLogLog #

## 1：简介 ##

在工作当中，我们经常会遇到与统计相关的功能需求，比如统计网站PV（PageView页面访问量）,可以使用Redis的incr、incrby轻松实现。  
但像UV（UniqueVisitor，独立访客）、独立IP数、搜索记录数等需要去重和计数的问题如何解决？这种求集合中不重复元素个数的问题称为基数问题。  
解决基数问题有很多种方案：  
（1）数据存储在MySQL表中，使用distinct count计算不重复个数  
（2）使用Redis提供的hash、set、bitmaps等数据结构来处理  
以上的方案结果精确，但随着数据不断增加，导致占用空间越来越大，对于非常大的数据集是不切实际的。  
能否能够降低一定的精度来平衡存储空间？Redis推出了HyperLogLog  
Redis HyperLogLog 是用来做基数统计的算法，HyperLogLog 的优点是，在输入元素的数量或者体积非常非常大时，计算基数所需的空间总是固定的、并且是很小的。  
在 Redis 里面，每个 HyperLogLog 键只需要花费 12 KB 内存，就可以计算接近 2^64 个不同元素的基数。这和计算基数时，元素越多耗费内存就越多的集合形成鲜明对比。  
但是，因为 HyperLogLog 只会根据输入元素来计算基数，而不会储存输入元素本身，所以 HyperLogLog 不能像集合那样，返回输入的各个元素。

什么是基数?  
比如数据集 \{1, 3, 5, 7, 5, 7, 8\}， 那么这个数据集的基数集为 \{1, 3, 5 ,7, 8\}, 基数(不重复元素)为5。 基数估计就是在误差可接受的范围内，快速计算基数。

## 2：命令 ##

### 1：pfadd < element> \[element …\] 添加指定元素到 HyperLogLog 中 ###

![在这里插入图片描述][7f8907448c8a406dbb870ca1164087e1.png]

### 2：pfcount \[key …\] 计算HLL的近似基数，可以计算多个HLL ###

![在这里插入图片描述][47fb52388eeb4ebd85482072b6c5d4e1.png]

### 3：pfmerge \[sourcekey …\] 将一个或多个HLL合并后的结果存储在另一个HLL中 ###

![在这里插入图片描述][903f86a3408041da954982597b01b643.png]

# 三：Geospatial #

## 1：简介 ##

Redis 3.2 中增加了对GEO类型的支持。GEO，Geographic，地理信息的缩写。该类型，就是元素的2维坐标，在地图上就是经纬度。redis基于该类型，提供了经纬度设置，查询，范围查询，距离查询，经纬度Hash等常见操作。

## 2：命令 ##

### 1：geoadd< longitude> \[longitude latitude member…\] 添加地理位置（经度，纬度，名称） ###

![在这里插入图片描述][ca4218750eab4ee680ee02645cef9e3b.png]

### 2：geopos \[member…\] 获得指定地区的坐标值 ###

![在这里插入图片描述][5229a109cc2c4dcb893bd1083dadd06b.png]

### 3：geodist \[m|km|ft|mi \] 获取两个位置之间的直线距离 ###

![在这里插入图片描述][db55e448048d47c7a529d6536178a05e.png]

### 4:georadius< longitude>radius m|km|ft|mi 以给定的经纬度为中心，找出某一半径内的元素 ###

![在这里插入图片描述][03c12c66ec2048f9accc5258ae5edef8.png]

[9116cdd0dbc3401db5ca509d9033e723.png]: https://img-blog.csdnimg.cn/9116cdd0dbc3401db5ca509d9033e723.png
[4b0290d312de4cb1a5768d5613888955.png]: https://img-blog.csdnimg.cn/4b0290d312de4cb1a5768d5613888955.png
[df1870df477a440b89621cf5b7d2cb10.png]: https://img-blog.csdnimg.cn/df1870df477a440b89621cf5b7d2cb10.png
[14bfa329c2ec4c7db58392582f43df4b.png]: https://img-blog.csdnimg.cn/14bfa329c2ec4c7db58392582f43df4b.png
[02b53d7bba7e4793a8a16a1047fa0e33.png]: https://img-blog.csdnimg.cn/02b53d7bba7e4793a8a16a1047fa0e33.png
[d9e0ca69e93a46f1912cb844dd3a483d.png]: https://img-blog.csdnimg.cn/d9e0ca69e93a46f1912cb844dd3a483d.png
[7f8907448c8a406dbb870ca1164087e1.png]: https://img-blog.csdnimg.cn/7f8907448c8a406dbb870ca1164087e1.png
[47fb52388eeb4ebd85482072b6c5d4e1.png]: https://img-blog.csdnimg.cn/47fb52388eeb4ebd85482072b6c5d4e1.png
[903f86a3408041da954982597b01b643.png]: https://img-blog.csdnimg.cn/903f86a3408041da954982597b01b643.png
[ca4218750eab4ee680ee02645cef9e3b.png]: https://img-blog.csdnimg.cn/ca4218750eab4ee680ee02645cef9e3b.png
[5229a109cc2c4dcb893bd1083dadd06b.png]: https://img-blog.csdnimg.cn/5229a109cc2c4dcb893bd1083dadd06b.png
[db55e448048d47c7a529d6536178a05e.png]: https://img-blog.csdnimg.cn/db55e448048d47c7a529d6536178a05e.png
[03c12c66ec2048f9accc5258ae5edef8.png]: https://img-blog.csdnimg.cn/03c12c66ec2048f9accc5258ae5edef8.png