NoSQL-Redis详细介绍

一.Redis 知识点介绍

nosql 概述
阿里巴巴的数据架构演进
nosql 四大分类
Redis 入门及安装（Window & Linux服务器）
​
五大基本数据类型
    String
    List
    Set
    Hash
    Zset
​
三种特殊数据类型
    geospatial
    hyperloglog
    bitmap
​
​
Redis 事务操作
​
基础API 之 Jedis 详解

二.NoSQL概述

2.1 数据存储的发展

1 、单机MySQL的年代

用户通过应用访问 --> 数据库的访问层 --> 再进入mysql的实例。

90年代，一个基本的网站访问量一般不会太大，单个数据库完全足够。此时更多的是使用静态网页Html，服务器根本没有太大的压力。

思考一下，这种情况下：整个网站的瓶颈是什么？
​
1 、数据量如果太大、一个机器放不下了。
​
2 、当mysql数据超过300万条，需要建立索引 （B+ Tree），一个机器内存也放不下。
​
3 、访问量（读写混合），一个服务器承受不了。
​
只要你开始出现以上的三种情况之一，那么你就必须要晋级！

2 、Memcached（缓存） + MySQL + 垂直拆分 （读写分离）

网站80%的情况都是在读，每次都要去查询数据库的话就十分的麻烦。所以说我们希望减轻数据的压力，我们可以使用缓存来保证效率。

发展过程： 优化数据结构和索引--> 文件缓存（IO）---> Memcached（当时最热门的技术）

3 、分库分表 + 水平拆分 + MySQL集群

技术和业务在发展的同时，对人的要求也越来越高。

本质：数据库（读，写）

早些年MyISAM： 表锁（例如user表有100万条数据，当有用户通过密码查询信息，会将整张表锁起来，其它进程若要进行查询就必须等待，将会影响效率），高并发下就会出现严重的锁问题。

转战Innodb：行锁（比表锁效率高，查询时只锁当前行）。

MySQL推出了表分区，使用分库分表来解决写的压力，这个并没有多少公司使用！后来推出了MySQL的集群，很好满足了所有需求！

4 、如今的年代

2010--2020 十年之间，世界已经发生了翻天覆地的变化；其中例如定位功能，音乐抖音热榜等也是一种数据。此时，MySQL等关系型数据库就不够用了，数据量很多，变化很快。 有的使用MySQL来存储一些比较大的文件，例如文字量较大的博客，大量的图片等，导致数据库表很大，效率就低了。如果有一种数据库来专门处理这种数据，MySQL压力就变得十分小（研究如何处理这些问题）。大数据的IO压力下，表几乎没法更改。

基本的互联网项目：

2.2 为什么要用NoSQL？

例如用户的个人信息，社交网络，地理位置等，用户自己产生的数据、用户日志等等爆发式增长。这时候我们就需要使用NoSQL数据库，NoSQL可以很好的处理以上的情况。

2.3 什么是NoSQL？

关系型数据库：表格 ，行 ，列。

NoSQL = Not Only SQL （不仅仅是SQL）。泛指非关系型数据库的，随着web2.0互联网的诞生，传统的关系型数据库很难应付web2.0时代，尤其是超大规模的高并发的社区， 暴露出来很多难以克服的问题。NoSQL在当今大数据环境下发展的十分迅速，Redis是发展最快的，而且是我们当下必须要掌握的一个技术！

例如很多的数据类型用户的个人信息，社交网络（大量文本），地理位置（拓扑图），流媒体（视频和音频）等，这些数据类型的存储不需要一个固定的格式（即表格数据存储进行列中），不需要多余的操作就可以横向扩展（即允许多台机器来控制的，例如集群）的 ，类似于 Map<String,Object> 使用键值对来控制。

2.4 NoSQL 特点

1、方便扩展（数据之间没有关系，很好扩展）

2、大数据量高性能（Redis 一秒写 8 万次，读取 11 万次，NoSQL的缓存记录级，是一种细粒度的缓存，性 能会比较高）

3 、数据类型是多样型的（不需要事先设计数据库，随取随用；如果是数据量十分大的表，很多人就无法设计了）

4、传统关系型数据库RDBMS 和 非关系型数据库NoSQL

传统关系型数据库RDBMS 
        - 结构化组织，例如：表、行、列
        - SQL
        - 数据和关系都存在单独的表中
        - 数据定义语言、数据操作语言、数据查询语言、事务控制语言、数据控制语言
        - 严格的ACID
        - 基础的事务操作

非关系型数据库NoSQL
        - 不仅仅是数据
        - 没有固定的查询语言
        - 键值对存储、列存储、文档存储、图形数据库(例如社交关系的拓扑图)
        - 最终一致性，允许过程中有误差，结果一致即可
        - CAP定理和BASE理论(例如异地多活，保证整个服务器不会宕机)
        - 高性能、高可用、高可扩

了解：3V+3高

大数据时代的3V：主要是描述问题的

1. 海量数据Volume
2. 多样性Variety
3. 实时性Velocity

大数据时代的3高：主要是对程序的要求

1. 高并发（支持大量用户访问）
2. 高可扩（随时搭建集群，进行水平拆分，拓展机器来解决）
3. 高性能（保证用户体验和性能）

真正在公司中的实践：NoSQL + RDBMS 一起使用才是最强的

三.阿里巴巴的数据架构演进

思考问题：页面中大量的数据都是在一个数据库中的吗?

 

敏捷开发、极限编程、协同开发 、开源等

随着这样的竞争，业务是越来越完善，然后对于开发者的要求也是越来越高

没有什么是加一层解决不了的

例如：商城案例

# 1、商品的基本信息
  名称、价格、商家信息，这些信息在关系型数据库中存储即可。
  例如： MySQL / Oracle
  
# 2、商品的描述、评论
    文字比较多，使用文档型数据库，例如：MongoDB
    
# 3、图片
    分布式文件系统 FastDFS
    - 淘宝自己的 TFS
    - Gooale的 GFS
    - Hadoop HDFS
    - 阿里云  oss
    - 七牛云  oss
    
# 4、商品的关键字 （搜索）
    - 搜索引擎 solr ElasticSearch
    - ISerach：多隆（淘宝）
   
# 5、商品热门的波段信息（秒杀）
    - 内存数据库 Redis Tair、memecache...
    
# 6、商品的交易，外部的支付接口
    - 三方应用  支付宝支付、银行支付接口、微信支付...

大型互联网应用问题：
​
    - 数据类型太多了
​
    - 数据源繁多，经常重构
​
    - 数据要改造，大面积改造

 

四.NoSQL的四大分类

KV键值对：

新浪：Redis
美团：Redis + Tair
阿里、百度：Redis + memecache

文档型数据库（bson格式和json一样）：

MongoDB
    - MongoDB 是一个基于分布式文件存储的数据库，C++ 编写，主要用来处理大量的文档 
    - MongoDB 是一个介于关系型数据库和非关系型数据中中间的产品
    - MongoDB 是非关系型数据库中功能最丰富，最像关系型数据库的产品
ConthDB

列存储数据库

HBase (大数据)  分布式文件系统

图关系数据库

他不是存图形，放的是关系，比如：社交拓扑图，朋友圈社交网络，广告推荐

Neo4j 
InfoGrid

四者对比

分类	Examples举例	典型应用场景	数据模型	优点	缺点
键值（key-value）	Tokyo Cabinet/Tyrant, Redis, Voldemort, Oracle BDB	内容缓存，主要用于处理大量数据的高访问负载，也用于一些日志系统等等。	Key 指向 Value 的键值对，通常用hash table来实现	查找速度快	数据无结构化，通常只被当作字符串或者二进制数据
列存储数据库	Cassandra, HBase, Riak	分布式的文件系统	以列簇式存储，将同一列数据存在一起	查找速度快，可扩展性强，更容易进行分布式扩展	功能相对局限
文档型数据库	CouchDB, MongoDb	Web应用（与Key-Value类似，Value是结构化的，不同的是数据库能够了解Value的内容）	Key-Value对应的键值对，Value为结构化数据	数据结构要求不严格，表结构可变，不需要像关系型数据库一样需要预先定义表结构	查询性能不高，而且缺乏统一的查询语法。
图形(Graph)数据库	Neo4J, InfoGrid, Infinite Graph	社交网络，推荐系统等。专注于构建关系图谱	图结构	利用图结构相关算法。比如最短路径寻址，N度关系查找等	很多时候需要对整个图做计算才能得出需要的信息，而且这种结构不太好做分布式的集群方案。