Redis6篇（三）Redis新数据类型

朴灿烈づ我的快乐病毒、 2023-10-03 13:47 11阅读 0赞

## 五、Redis新数据类型 ##

### 5.1 Bitmaps ###

#### 5.1.1 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][60424e743cb64d28ac26156633efc915.png_pic_center]
> 
> 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，所以在中使用和使用字符串的方法不太相同。**可以把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，数组的下标在中叫做偏移量**

![在这里插入图片描述][32bc72709ae047bd82259e498105eef8.png_pic_center]

#### 5.1.2 命令 ####

*  **setbit**

语法

setbit<key><offset><value>设置Bitmaps中某个偏移量的值（0或1）# offset:偏移量从0开始

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， 那么当前Bitmaps初始化结果如图

![在这里插入图片描述][9070a0aa234e458a92da950e5b337752.png_pic_center]

users:20000911代表2000-09-11这天的独立访问用户的Bitmaps

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NDA4Mzkw_size_16_color_FFFFFF_t_70_pic_center]

**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。

--------------------

*  **getbit**

getbit<key><offset> # 获取Bitmaps中某个偏移量的值

**实例**

获取id=8的用户是否在2020-11-06这天访问过， 返回0说明没有访问过

![在这里插入图片描述][bde50fce3cbf4610ae024606c85f49bf.png_pic_center]

注：因为12根本不存在，所以也是返回0

*  **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。

**实例**

计算2000年9月11访问量

![在这里插入图片描述][af697288314240c1a35add6ea147ad6f.png_pic_center]

start和end代表起始和结束字节数， 下面操作计算用户id在第1个字节到第3个字节之间的独立访问用户数， 对应的用户id是 15，9

![在这里插入图片描述][8dabb5decb844ce7ae41a4d6378267cd.png_pic_center]

**举例**： K1 【01000001 01000000 00000000 00100001】，对应【0，1，2，3】

1、bitcount K1 1 2 ： 统计下标1、2字节组中bit=1的个数，即01000000 00000000

–》bitcount K1 1 2 　　--》1

2、bitcount K1 1 3 ： 统计下标1、2字节组中bit=1的个数，即01000000 00000000 00100001

–》bitcount K1 1 3　　--》3

3、bitcount K1 0 -2 ： 统计下标0到下标倒数第2，字节组中bit=1的个数，即01000001 01000000 00000000

–》bitcount K1 0 -2　　--》3

注意：redis的setbit设置或清除的是bit位置，而bitcount计算的是byte位置。

*  **bitop**

bitop  and(or/not/xor) <destkey> [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。

**实例**

2020-11-04 日访问网站的userid=1,2,5,9。

setbit unique:users:20201104 1 1

setbit unique:users:20201104 2 1

setbit unique:users:20201104 5 1

setbit unique:users:20201104 9 1

2020-11-03 日访问网站的userid=0,1,4,9。

setbit unique:users:20201103 0 1

setbit unique:users:20201103 1 1

setbit unique:users:20201103 4 1

setbit unique:users:20201103 9 1

**计算出两天都访问过网站的用户数量**

bitop and unique:users:and:20201104_03  unique:users:20201103unique:users:20201104

![在这里插入图片描述][17d5ade95cdd4bd98317f7a875a5187c.png_pic_center]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NDA4Mzkw_size_16_color_FFFFFF_t_70_pic_center 1]

#### 5.1.3 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

<table> 
 <thead> 
  <tr> 
   <th>set和Bitmaps存储一天活跃用户对比</th> 
   <th></th> 
   <th></th> 
   <th></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>数据类型</td> 
   <td>每个用户id占用空间</td> 
   <td>需要存储的用户量</td> 
   <td>全部内存量</td> 
  </tr> 
  <tr> 
   <td>集合类型</td> 
   <td>64位</td> 
   <td>50000000</td> 
   <td>64位*50000000 = 400MB</td> 
  </tr> 
  <tr> 
   <td>Bitmaps</td> 
   <td>1位</td> 
   <td>100000000</td> 
   <td>1位*100000000 = 12.5MB</td> 
  </tr> 
 </tbody> 
</table>

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

<table> 
 <thead> 
  <tr> 
   <th>set和Bitmaps存储独立用户空间对比</th> 
   <th></th> 
   <th></th> 
   <th></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>数据类型</td> 
   <td>一天</td> 
   <td>一个月</td> 
   <td>一年</td> 
  </tr> 
  <tr> 
   <td>集合类型</td> 
   <td>400MB</td> 
   <td>12GB</td> 
   <td>144GB</td> 
  </tr> 
  <tr> 
   <td>Bitmaps</td> 
   <td>12.5MB</td> 
   <td>375MB</td> 
   <td>4.5GB</td> 
  </tr> 
 </tbody> 
</table>

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。

<table> 
 <thead> 
  <tr> 
   <th>set和Bitmaps存储一天活跃用户对比（独立用户比较少）</th> 
   <th></th> 
   <th></th> 
   <th></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>数据类型</td> 
   <td>每个userid占用空间</td> 
   <td>需要存储的用户量</td> 
   <td>全部内存量</td> 
  </tr> 
  <tr> 
   <td>集合类型</td> 
   <td>64位</td> 
   <td>100000</td> 
   <td>64位*100000 = 800KB</td> 
  </tr> 
  <tr> 
   <td>Bitmaps</td> 
   <td>1位</td> 
   <td>100000000</td> 
   <td>1位*100000000 = 12.5MB</td> 
  </tr> 
 </tbody> 
</table>

### 5.2 HyperLogLog ###

#### 5.2.1 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(**不重复元素个**数)为5。 基数估计就是在误差可接受的范围内，快速计算基数。

#### 5.2.2 命令 ####

*  **pfadd**
 *  **pfcount**

pfadd <key>< element> [element ...]   #添加指定元素到 HyperLogLog 中
    pfcount<key> [key ...] # 计算HLL的近似基数，可以计算多个HLL，比如用HLL存储每天的UV，计算一周的UV可以使用7天的UV合并计算即可

实例

![在这里插入图片描述][c23f0f23825946829d849acc0b150d1b.png_pic_center]

*  **pfmerge**

pfmerge<destkey><sourcekey> [sourcekey ...]  #将一个或多个HLL合并后的结果存储在另一个HLL中，比如每月活跃用户可以使用每天的活跃用户来合并计算可得

**实例**

![在这里插入图片描述][1b845dfaec8e4303b4d8a36b40325b55.png_pic_center]

### 5.3 Geospatial ###

#### 5.3.1 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。

#### 5.3.2 命令 ####

*  **geoadd**

geoadd<key>< longitude><latitude><member> [longitude latitude member...]  # 添加地理位置（经度，纬度，名称）

**实例**

geoadd china:city 121.47 31.23 shanghai
    geoadd china:city 106.50 29.53 chongqing 114.05 22.52 shenzhen 116.38 39.90 beijing

![在这里插入图片描述][858dfe0f441148fc97da41b37ebc62c7.png_pic_center]

> 1.  两极无法直接添加，一般会下载城市数据，直接通过 Java 程序一次性导入。
> 2.  有效的经度从 -180 度到 180 度。有效的纬度从 -85.05112878 度到 85.05112878 度。
> 3.  当坐标位置超出指定范围时，该命令将会返回一个错误。
> 4.  已经添加的数据，是无法再次往里面添加的。

*  **geopos**

geopos  <key><member> [member...]  #获得指定地区的坐标值

![在这里插入图片描述][9182ade18ffb44cbab39e98abfae98e9.png_pic_center]

*  **geodist**

geodist<key><member1><member2>  [m|km|ft|mi ]  #获取两个位置之间的直线距离

获取两个位置之间的直线距离

![在这里插入图片描述][e3d1223b4e1245d5b13aef5a0f8d57f5.png_pic_center]

> 单位：
> 
> m 表示单位为米\[默认值\]。
> 
> km 表示单位为千米。
> 
> mi 表示单位为英里。
> 
> ft 表示单位为英尺。
> 
> 如果用户没有显式地指定单位参数， GEODIST

*  **georadius**

georadius<key>< longitude><latitude>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 四个参数 -》经度 纬度 距离 单位

![在这里插入图片描述][ac2625720536437d9fc4662caa6c7f42.png_pic_center]

[60424e743cb64d28ac26156633efc915.png_pic_center]: https://img-blog.csdnimg.cn/60424e743cb64d28ac26156633efc915.png#pic_center
[32bc72709ae047bd82259e498105eef8.png_pic_center]: https://img-blog.csdnimg.cn/32bc72709ae047bd82259e498105eef8.png#pic_center
[9070a0aa234e458a92da950e5b337752.png_pic_center]: https://img-blog.csdnimg.cn/9070a0aa234e458a92da950e5b337752.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NDA4Mzkw_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/d4c2aabecab14fd5a789969c55632f1d.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NDA4Mzkw,size_16,color_FFFFFF,t_70#pic_center
[bde50fce3cbf4610ae024606c85f49bf.png_pic_center]: https://img-blog.csdnimg.cn/bde50fce3cbf4610ae024606c85f49bf.png#pic_center
[af697288314240c1a35add6ea147ad6f.png_pic_center]: https://img-blog.csdnimg.cn/af697288314240c1a35add6ea147ad6f.png#pic_center
[8dabb5decb844ce7ae41a4d6378267cd.png_pic_center]: https://img-blog.csdnimg.cn/8dabb5decb844ce7ae41a4d6378267cd.png#pic_center
[17d5ade95cdd4bd98317f7a875a5187c.png_pic_center]: https://img-blog.csdnimg.cn/17d5ade95cdd4bd98317f7a875a5187c.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NDA4Mzkw_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/0c3826e1020144fb86bfc547ddf1c50b.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NDA4Mzkw,size_16,color_FFFFFF,t_70#pic_center
[c23f0f23825946829d849acc0b150d1b.png_pic_center]: https://img-blog.csdnimg.cn/c23f0f23825946829d849acc0b150d1b.png#pic_center
[1b845dfaec8e4303b4d8a36b40325b55.png_pic_center]: https://img-blog.csdnimg.cn/1b845dfaec8e4303b4d8a36b40325b55.png#pic_center
[858dfe0f441148fc97da41b37ebc62c7.png_pic_center]: https://img-blog.csdnimg.cn/858dfe0f441148fc97da41b37ebc62c7.png#pic_center
[9182ade18ffb44cbab39e98abfae98e9.png_pic_center]: https://img-blog.csdnimg.cn/9182ade18ffb44cbab39e98abfae98e9.png#pic_center
[e3d1223b4e1245d5b13aef5a0f8d57f5.png_pic_center]: https://img-blog.csdnimg.cn/e3d1223b4e1245d5b13aef5a0f8d57f5.png#pic_center
[ac2625720536437d9fc4662caa6c7f42.png_pic_center]: https://img-blog.csdnimg.cn/ac2625720536437d9fc4662caa6c7f42.png#pic_center