文章目录
String
基本介绍
String是Redis最基本的类型,一个key对应一个value,一个Redis中字符串value最多可以是512M。
String类型是二进制安全的。意味着Redis的string可以包含任何数据。比如jpg图片或者序列化的对象。
使用场景:常用在需要计数的场景,比如用户的访问次数、热点文章的点赞转发数量等等。
数据结构
String的数据结构为简单动态字符串(Simple Dynamic String,缩写SDS)。是可以修改的字符串,内部结构实现上类似于Java的ArrayList,采用预分配冗余空间的方式来减少内存的频繁分配。
如图中所示,内部为当前字符串实际分配的空间capacity一般要高于实际字符串长度len。
当字符串长度小于1M时,扩容都是加倍现有的空间,如果超过1M,扩容时一次只会多扩1M的空间。需要注意的是字符串最大长度为512M。
List
基本介绍
Redis 列表是简单的字符串列表,按照插入顺序排序。你可以添加一个元素到列表的头部(左边)或者尾部(右边)。它是单键多值的。
它的底层实际是个双向链表,对两端的操作性能很高,通过索引下标的操作中间的节点性能会较差。
应用场景: 发布与订阅或者说消息队列、慢查询。
数据结构
List的数据结构为快速链表quickList。
- 首先在列表元素较少的情况下会使用一块连续的内存存储,这个结构是ziplist,也即是压缩列表。它将所有的元素紧挨着一起存储,分配的是一块连续的内存。
- 当数据量比较多的时候才会改成quicklist。因为普通的链表需要的附加指针空间太大,会比较浪费空间。比如这个列表里存的只是int类型的数据,结构上还需要两个额外的指针prev和next。
Redis将链表和ziplist结合起来组成了quicklist。也就是将多个ziplist使用双向指针串起来使用。这样既满足了快速的插入删除性能,又不会出现太大的空间冗余。
linkedList
与Java
中的LinkedList
类似,Redis
中的linkedList
是一个双向链表,也是由一个个节点组成的。Redis
中借助C
语言实现的链表节点结构如下所示:
//定义链表节点的结构体
typedf struct listNode{
//前一个节点
struct listNode *prev;
//后一个节点
struct listNode *next;
//当前节点的值的指针
void *value;
}listNode;
pre
指向前一个节点,next
指针指向后一个节点,value
保存着当前节点对应的数据对象。listNode
的示意图如下所示:
链表的结构如下:
typedf struct list{
//头指针
listNode *head;
//尾指针
listNode *tail;
//节点拷贝函数
void *(*dup)(void *ptr);
//释放节点函数
void *(*free)(void *ptr);
//判断两个节点是否相等的函数
int (*match)(void *ptr,void *key);
//链表长度
unsigned long len;
}
head
指向链表的头节点,tail
指向链表的尾节点,dup
函数用于链表转移复制时对节点value
拷贝的一个实现,一般情况下使用等号足以,但在某些特殊情况下可能会用到节点转移函数,默认可以给这个函数赋值NULL
即表示使用等号进行节点转移。free
函数用于释放一个节点所占用的内存空间,默认赋值NULL
的话,即使用Redis
自带的zfree
函数进行内存空间释放。match
函数是用来比较两个链表节点的value
值是否相等,相等返回1,不等返回0。len
表示这个链表共有多少个节点,这样就可以在O(1)
的时间复杂度内获得链表的长度。
链表的结构如下所示:
ZipList
Redis
的zipList
结构如下所示:
typedf struct ziplist<T>{
//压缩列表占用字符数
int32 zlbytes;
//最后一个元素距离起始位置的偏移量,用于快速定位最后一个节点
int32 zltail_offset;
//元素个数
int16 zllength;
//元素内容
T[] entries;
//结束位 0xFF
int8 zlend;
}ziplist
zipList
的结构如下所示:
注意到zltail_offset
这个参数,有了这个参数就可以快速定位到最后一个entry
节点的位置,然后开始倒序遍历,也就是说zipList
支持双向遍历。
下面是entry
的结构:
typede struct entry{
//前一个entry的长度
int<var> prelen;
//元素类型编码
int<var> encoding;
//元素内容
optional byte[] content;
}entry
prelen
保存的是前一个entry
节点的长度,这样在倒序遍历时就可以通过这个参数定位到上一个entry
的位置。encoding
保存了content
的编码类型。content
则是保存的元素内容,它是optional
类型的,表示这个字段是可选的。当content
是很小的整数时,它会内联到content
字段的尾部。entry
结构的示意图如下所示:
好了,那现在我们思考一个问题,为什么有了linkedList
还有设计一个zipList
呢?就像zipList
的名字一样,它是一个压缩列表,是为了节约内存而开发的。相比于linkedList
,其少了pre
和next
两个指针。在Redis
中,pre
和next
指针就要占用16个字节(64位系统的一个指针就是8个字节)。另外,linkedList
的每个节点的内存都是单独分配,加剧内存的碎片化,影响内存的管理效率。与之相对的是,zipList
是由连续的内存组成的,这样一来,由于内存是连续的,就减少了许多内存碎片和指针的内存占用,进而节约了内存。
zipList
遍历时,先根据zlbytes
和zltail_offset
定位到最后一个entry
的位置,然后再根据最后一个entry
里的prelen
时确定前一个entry
的位置。
连锁更新
上面说到了,entry
中有一个prelen
字段,它的长度要么是1个字节,要么都是5个字节:
- 前一个节点的长度小于254个字节,则
prelen
长度为1字节; - 前一个节点的长度大于254字节,则
prelen
长度为5字节;
假设现在有一组压缩列表,长度都在250~253字节之间,突然新增一个entry
节点,这个entry
节点长度大于等于254字节。由于新的entry
节点大于等于254字节,这个entry
节点的prelen
为5个字节,随后会导致其余的所有entry
节点的prelen
增大为5字节。
同样地,删除操作也会导致出现连锁更新这种情况,假设在某一时刻,插入一个长度大于等于254个字节的entry
节点,同时删除其后面的一个长度小于254个字节的entry
节点,由于小于254的entry
节点的删除,大于等于254个字节的entry
节点将会与后面小于254个字节的entry
节点相连,此时就与新增一个长度大于等于254个字节的entry
节点时的情况一样,将会发生连续更新。发生连续更新时,Redis
需要不断地对压缩列表进行内存分配工作,直到结束。
quickList
在Redis
3.2版本之后,list
的底层实现方式又多了一种,quickList
。qucikList
是由zipList
和双向链表linkedList
组成的混合体。它将linkedList
按段切分,每一段使用zipList
来紧凑存储,多个zipList
之间使用双向指针串接起来。示意图如下所示:
节点quickListNode
的定义如下:
typedf struct quicklistNode{
//前一个节点
quicklistNode* prev;
//后一个节点
quicklistNode* next;
//压缩列表
ziplist* zl;
//ziplist大小
int32 size;
//ziplist 中元素数量
int16 count;
//编码形式 存储 ziplist 还是进行 LZF 压缩储存的zipList
int2 encoding;
...
}quickListNode
quickList
的定义如下所示:
typedf struct quicklist{
//指向头结点
quicklistNode* head;
//指向尾节点
quicklistNode* tail;
//元素总数
long count;
//quicklistNode节点的个数
int nodes;
//压缩算法深度
int compressDepth;
...
}quickList
上述代码简单地表示了quickList
的大致结构,为了进一步节约空间,Redis
还会对zipList
进行压缩存储,使用LZF算法进行压缩,可以选择压缩深度。
每个zipList可以存储多少个元素?
想要了解这个问题,就得打开redis.conf
文件了。在DVANCED CONFIG
下面有着清晰的记载。
# Lists are also encoded in a special way to save a lot of space.
# The number of entries allowed per internal list node can be specified
# as a fixed maximum size or a maximum number of elements.
# For a fixed maximum size, use -5 through -1, meaning:
# -5: max size: 64 Kb <-- not recommended for normal workloads
# -4: max size: 32 Kb <-- not recommended
# -3: max size: 16 Kb <-- probably not recommended
# -2: max size: 8 Kb <-- good
# -1: max size: 4 Kb <-- good
# Positive numbers mean store up to _exactly_ that number of elements
# per list node.
# The highest performing option is usually -2 (8 Kb size) or -1 (4 Kb size),
# but if your use case is unique, adjust the settings as necessary.
list-max-ziplist-size -2
quickList
内部默认单个zipList
长度为8k字节,即list-max-ziplist-size
的值设置为**-2**,超出了这个阈值,就会重新生成一个zipList
来存储数据。根据注释可知,性能最好的时候就是就是list-max-ziplist-size
为**-1和-2**,即分别是4kb和8kb的时候,当然,这个值也可以被设置为正数,当list-max-ziplist-szie
为正数n时,表示每个quickList
节点上的zipList
最多包含n个数据项。
压缩深度
上面提到过,quickList
中可以使用压缩算法对zipList
进行进一步的压缩,这个算法就是**LZF算法**,这是一种无损压缩算法,具体可以参考上面的链接。使用压缩算法对zipList
进行压缩后,zipList
的结构如下所示:
typedf struct ziplist_compressed{
//元素个数
int32 size;
//元素内容
byte[] compressed_data
}
此时quickList
的示意图如下所示:
]
当然,在redis.conf
文件中的DVANCED CONFIG
下面也可以对压缩深度进行配置。
# Lists may also be compressed.
# Compress depth is the number of quicklist ziplist nodes from *each* side of
# the list to *exclude* from compression. The head and tail of the list
# are always uncompressed for fast push/pop operations. Settings are:
# 0: disable all list compression
# 1: depth 1 means "don't start compressing until after 1 node into the list,
# going from either the head or tail"
# So: [head]->node->node->...->node->[tail]
# [head], [tail] will always be uncompressed; inner nodes will compress.
# 2: [head]->[next]->node->node->...->node->[prev]->[tail]
# 2 here means: don't compress head or head->next or tail->prev or tail,
# but compress all nodes between them.
# 3: [head]->[next]->[next]->node->node->...->node->[prev]->[prev]->[tail]
# etc.
list-compress-depth 0
list-compress-depth
这个参数表示**一个quickList
两端不被压缩的节点个数。**需要注意的是,这里的节点个数是指quicklist
双向链表的节点个数,而不是指ziplist
里面的数据项个数。实际上,一个quicklist
节点上的ziplist
,如果被压缩,就是整体被压缩的。
quickList
默认的压缩深度为0,也就是不开启压缩- 当
list-compress-depth
为1,表示quickList
的两端各有1个节点不进行压缩,中间结点进行压缩; - 当
list-compress-depth
为2,表示quickList
的首尾2个节点不进行压缩,中间结点进行压缩; - 以此类推
从上面可以看出,对于quickList
来说,其首尾两个节点永远不会被压缩。
Hash
基本介绍
Redis hash是一个string类型的field和value的映射表,hash特别适合用于存储对象。类似Java里面的 Map<String,Object>
用户ID为查找的key,存储的value用户对象包含姓名,年龄,生日等信息,如果用普通的key/value结构来存储,主要如下:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9EPmqm0m-1639482453860)(C:\Users\rsw\AppData\Roaming\Typora\typora-user-images\image-20211109165533101.png)]
应用场景: 系统中对象数据的存储。
数据结构
Hash类型对应的数据结构是两种:ziplist(压缩列表),dict(哈希表)。当field-value长度较短且个数较少时,使用ziplist,否则使用dict。
Dict
字典dict
作为一种常用的数据结构,C
语言内部并不具备,因而Redis
的开发人员自己设计和开发了Redis
中的dict
结构。
dict
其定义如下:
typedf struct dict{
dictType *type;//类型特定函数,包括一些自定义函数,这些函数使得key和
//value能够存储
void *private;//私有数据
dictht ht[2];//两张hash表
int rehashidx;//rehash索引,字典没有进行rehash时,此值为-1
unsigned long iterators; //正在迭代的迭代器数量
}dict;
type
和private
这两个属性是为了实现字典多态而设置的,当字典中存放着不同类型的值,对应的一些复制,比较函数也不一样,这两个属性配合起来可以实现多态的方法调用;ht[2]
,两个hash
表rehashidx
,这是一个辅助变量,用于记录rehash
过程的进度,以及是否正在进行rehash
等信息,当此值为**-1**时,表示该dict
此时没有rehash
过程iterators
,记录此时dict
有几个迭代器正在进行遍历过程
dictht
由上面可以看出,dict
本质上是对哈希表dictht
的一个简单封装,dictht
的定义如下所示:
typedf struct dictht{
dictEntry **table;//存储数据的数组 二维
unsigned long size;//数组的大小
unsigned long sizemask;//哈希表的大小的掩码,用于计算索引值,总是等于
//size-1
unsigned long used; 哈希表中中元素个数
}dictht;
table
是一个dictEntry
类型的数组,用于真正存储数据;size
表示table
这个数组的大小;sizemask
用于计算索引位置,且总是等于size-1
;used
表示dictht
中已有的节点数量,其示意图如下所示:
dictEntry
上面分析dictht
时说到,真正存储数据的结构是dictEntry
数组,其结构定义如下:
typedf struct dictEntry{
void *key;//键
union{
void val;
unit64_t u64;
int64_t s64;
double d;
}v;//值
struct dictEntry *next;//指向下一个节点的指针
}dictEntry;
其示意图如下所示:
最后整个dict
的结构示意图如上所示:
上图是一个没有处于rehash
状态下的字典dict
,整个dict
中有两个哈希表dictht
,其中一个哈希表存储数据,另一个哈希表为空。
扩容和缩容
当哈希表中元素数量逐渐增加时,此时产生hash冲突
的概率逐渐增大,且由于dict
也是采用拉链法解决hash冲突
的,随着hash冲突
概率上升,链表会越来越长,这就会导致查找效率下降。相反,当元素不断减少时,元素占用dict
的空间就越少,出于对内存的极致利用,此时就需要进行缩容操作。
既然说到扩容和缩容,熟悉Java
集合的小伙伴是不是想到了什么。不错,那就是负载因子。负载因子一般用于描述集合当前被填充的程度。在Redis
的字典dict
中,负责因子=哈希表中已保存节点数量/哈希表的大小,即:
load factor = ht[0].used / ht[0].size
Redis
中,三条关于扩容和缩容的规则:
- 没有执行BGSAVE和BGREWRITEAOF指令的情况下,哈希表的负载因子大于等于1时进行扩容;
- 正在执行BGSAVE和BGREWRITEAOF指令的情况下,哈希表的负载因大于等于5时进行扩容;
- 负载因子小于0.1时,
Redis
自动开始对哈希表进行收缩操作;
其中,扩容和缩容的数量大小也有一定的规则:
- 扩容:扩容后的
dictEntry
数组数量为第一个大于等于ht[0].used*2
的2^n
; - 缩容:缩容后的
dictEntry
数组数量为第一个大于等于ht[0].used
的2^n
;
Set
基本介绍
Redis set对外提供的功能与list类似是一个列表的功能,特殊之处在于set是可以自动排重的,当你需要存储一个列表数据,又不希望出现重复数据时,set是一个很好的选择,并且set提供了判断某个成员是否在一个set集合内的重要接口,这个也是list所不能提供的。
Redis的Set是string类型的无序集合。它 底层其实是一个value为null的hash表 ,所以添加,删除,查找的 复杂度都是O(1)。
使用场景:可以基于 set 轻易实现交集、并集、差集的操作。比如:你可以将一个用户所有的关注人存在一个集合中,将其所有粉丝存在一个集合。Redis 可以非常方便的实现如共同关注、共同粉丝、共同喜好等功能。这个过程也就是求交集的过程。
数据结构
Set数据结构是dict字典,字典是用哈希表实现的。
Java中HashSet的内部实现使用的是HashMap,只不过所有的value都指向同一个对象。Redis的set结构也是一样,它的内部也使用hash结构,所有的value都指向同一个内部值。
ZSet
基本介绍
Redis有序集合zset与普通集合set非常相似,是一个没有重复元素的字符串集合。不同之处是有序集合的每个成员都关联了一个评分(score),这个评分(score)被用来按照从最低分到最高分的方式排序集合中的成员。集合的成员是唯一的,但是评分可以是重复的 。
因为元素是有序的,所以你也可以很快的根据评分(score)或者次序(position)来获取一个范围的元素。
访问有序集合的中间元素也是非常快的,因此你能够使用有序集合作为一个没有重复成员的智能列表。
应用场景: 需要对数据根据某个权重进行排序的场景。比如在直播系统中,实时排行信息包含直播间在线用户列表,各种礼物排行榜,弹幕消息(可以理解为按消息维度的消息排行榜)等信息。
数据结构
SortedSet(zset)是Redis提供的一个非常特别的数据结构,一方面它等价于Java的数据结构 Map<String, Double>
,可以给每一个元素value赋予一个权重score,另一方面它又类似于TreeSet
,内部的元素会按照权重score进行排序,可以得到每个元素的名次,还可以通过score的范围来获取元素的列表。
zset底层使用了两个数据结构:
-
hash,hash的作用就是关联元素value和权重score,保障元素value的唯一性,可以通过元素value找到相应的score值。
-
跳跃表,跳跃表的目的在于给元素value排序,根据score的范围获取元素列表。
zset也有两种不同的实现,分别是zipList
和skipList
:
- zipList:满足以下两个条件
[score,value]
键值对数量少于128个;- 每个元素的长度小于64字节;
- skipList:不满足以上两个条件时使用跳表、组合了hash和skipList
hash
用来存储value
到score
的映射,这样就可以在O(1)
时间内找到value
对应的分数;skipList
按照从小到大的顺序存储分数skipList
每个元素的值都是[socre,value]
对
跳跃表
有序集合在生活中比较常见,例如根据成绩对学生排名,根据得分对玩家排名等。对于有序集合的底层实现,可以用数组、平衡树、链表等。数组不便元素的插入、删除;平衡树或红黑树虽然效率高但结构复杂;链表查询需要遍历所有效率低。
Redis采用的是跳跃表。跳表可以保证增、删、查等操作时的时间复杂度为O(logN)
,这个性能可以与平衡树相媲美,但实现方式上却更加简单,唯一美中不足的就是跳表占用的空间比较大,其实就是一种空间换时间的思想。
实例:对比有序链表和跳跃表,从链表中查询出51
(1) 有序链表:
要查找值为51的元素,需要从第一个元素开始依次查找、比较才能找到。共需要6次比较。
(2) 跳跃表
- 从第2层开始,1节点比51节点小,向后比较。
- 21节点比51节点小,继续向后比较,后面就是NULL了,所以从21节点向下到第1层
- 在第1层,41节点比51节点小,继续向后,61节点比51节点大,所以从41向下
- 在第0层,51节点为要查找的节点,节点被找到,共查找4次。
从此可以看出跳跃表比有序链表效率要高。
Bitmaps
基本介绍
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
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。
相关命令
1、setbit
设置Bitmaps中某个偏移量的值(0或1)(offset:偏移量从0开始)
setbit<key><offset><value>
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:
unique:users:20201106代表2020-11-06这天的独立访问用户的Bitmaps.
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
获取Bitmaps中某个偏移量的值(偏移量不存在,也是返回0)
getbit<key><offset>
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。
# 统计字符串从start字节到end字节比特值为1的数量
bitcount<key>[start end]
4、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:20201103 unique:users:20201104
计算出任意一天都访问过网站的用户数量(例如月活跃就是类似这种) , 可以使用or求并集:bitop or unique:users:20201103 unique:users:20201104
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:
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。
HyperLogLog
基本介绍
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。
相关命令
1、pfadd
添加指定元素到 HyperLogLog 中
pfadd <key>< element> [element ...]
将所有元素添加到指定HyperLogLog数据结构中。如果执行命令后HLL估计的近似基数发生变化,则返回1,否则返回0。
2、pfcount
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
pfcount<key> [key ...]
3、pfmerge
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
pfmerge<destkey><sourcekey> [sourcekey ...]
Geospatial
基本介绍
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。
相关命令
命令 | 描述 |
---|---|
Redis GEOHASH 命令 | 返回一个或多个位置元素的 Geohash 表示 |
Redis GEOPOS 命令 | 从key里返回所有给定位置元素的位置(经度和纬度) |
Redis GEODIST 命令 | 返回两个给定位置之间的距离 |
Redis GEORADIUS 命令 | 以给定的经纬度为中心, 找出某一半径内的元素 |
Redis GEOADD 命令 | 将指定的地理空间位置(纬度、经度、名称)添加到指定的key中 |
Redis GEORADIUSBYMEMBER 命令 | 找出位于指定范围内的元素,中心点是由给定的位置元素决定 |