Redis高级数据结构

最新推荐文章于 2024-07-23 20:41:32 发布

weixin_42376049

最新推荐文章于 2024-07-23 20:41:32 发布

阅读量47

点赞数

文章标签： redis 数据库缓存

本文链接：https://blog.csdn.net/weixin_42376049/article/details/131930543

版权

1.Bitmaps

首先想说的时，现代计算机用的是二进制（位）作为信息的基础单位。许多的开发语言都提供了位操作，合理的利用位操作，可以有效的提高内存的使用率和开发效率。

Resis 提供的Bitmaps这种 “数据结构”（本身不是数据结构，是字符串，但是它可以对字符串进行位操作）可以实现对位的操作。

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。

操作命令

setbit 设置值

setbit key offset value

设置键的第 offset 个位的值(从0算起)。

getbit 获取值

getbit key offset

bitcount 获取Bitmaps指定范围值为1的个数

bitcount [start] [end]

bitop Bitmaps 间的运算

bitop op destkey key [key . ...]

Bitmaps优势

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，很明显，假如用户id是Long型，64位，则集合类型占据的空间为64位x50 000 000= 400MB，而Bitmaps则需要1位×100 000 000=12.5MB，可见Bitmaps能节省很多的内存空间。

布隆过滤器

这种算法由一个二进制数组和一个 Hash 算法组成。用来判断一个元素是否在一个集合中。

本质上布隆过滤器是一种数据结构，比较巧妙的概率型数据结构（probabilistic data structure），特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”。

相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少，但是缺点是其返回的结果是概率性的，而不是确切的。

实际上，布隆过滤器广泛应用于网页黑名单系统、垃圾邮件过滤系统、爬虫网址判重系统等，Google 著名的分布式数据库 Bigtable 使用了布隆过滤器来查找不存在的行或列，以减少磁盘查找的IO次数，Google Chrome浏览器使用了布隆过滤器加速安全浏览服务。

2.HyperLogLog

HyperLogLog(Hyper[ˈhaɪpə(r)])并不是一种新的数据结构(实际类型为字符串类型)，而是一种基数算法,通过HyperLogLog可以利用极小的内存空间完成独立总数的统计，数据集可以是IP、Email、ID等。

HyperLogLog 提供不精确的去重计数方案，虽然不精确但是也不是非常不精确，Redis官方给出标准误差是0.81%，这样的精确度已经可以满足大多数的统计需求了

操作命令

HyperLogLog提供了3个命令: pfadd、pfcount、pfmerge。

pfadd

pfadd key element [element …]

pfadd用于向HyperLogLog 添加元素,如果添加成功返回1:

pfcount

pfcount key [key …]

pfcount用于计算一个或多个HyperLogLog的独立总数

pfmerge

pfmerge destkey sourcekey [sourcekey ... ]

pfmerge可以求出多个HyperLogLog的并集并赋值给destkey

3.GEO

Redis 3.2版本提供了GEO(地理信息定位)功能，支持存储地理位置信息用来实现诸如附近位置、摇一摇这类依赖于地理位置信息的功能。

业界比较通用的地理位置距离排序算法是GeoHash 算法，Redis 也使用GeoHash 算法。GeoHash 算法将二维的经纬度数据映射到一维的整数，这样所有的元素都将在挂载到一条线上，距离靠近的二维坐标映射到一维后的点之间距离也会很接近。当我们想要计算「附近的人时」，首先将目标位置映射到这条线上，然后在这个一维的线上获取附近的点就行了。