Redis的数据类型

1. Redis键（key）

keys *查看当前库所有 key (匹配：keys *1)
exists key 判断某个 key 是否存在
type key 查看你的 key 是什么类型
del key 删除指定的 key 数据
unlink key 根据 value 选择非阻塞删除
仅将 keys 从 keyspace 元数据中删除，真正的删除会在后续异步操作。
expire key 10 10 秒钟：为给定的 key 设置过期时间
ttl key 查看还有多少秒过期，-1 表示永不过期，-2 表示已过期

2. Redis 字符串(String)

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。

数据结构
String 的数据结构为简单动态字符串，是可以修改的字符串，内部结构实现上类似于 Java 的 ArrayList

常用命令
incr
将 key 中储存的数字值增 1，只能对数字值操作，如果为空，新增值为 1
decr
将 key 中储存的数字值减 1，只能对数字值操作，如果为空，新增值为-1
incrby / decrby <步长>将 key 中储存的数字值增减。自定义步长。

自增自减属于原子操作

所谓原子操作是指不会被线程调度机制打断的操作；这种操作一旦开始，就一直运行到结束，中间不会有任何 context switch （切换到另一个线程）。
（1）在单线程中， 能够在单条指令中完成的操作都可以认为是"原子操作"，因为中
断只能发生于指令之间。
（2）在多线程中，不能被其它进程（线程）打断的操作就叫原子操作。
Redis 单命令的原子性主要得益于 Redis 的单线程。

3. Redis 列表(List)
单键多值（String 单键单值）
Redis 列表是简单的字符串列表，按照插入顺序排序。

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。

常用命令
lrange mylist 0 -1 0 左边第一个，-1 右边第一个，（0-1 表示获取所有）
lindex 按照索引下标获得元素(从左到右)
llen 获得列表长度
linsert before 在的后面插入插入值
lrem 从左边删除 n 个 value(从左到右)
lset将列表 key 下标为 index 的值替换成 value

4. . Redis 集合(Set)

set提供的功能和列表类似，特殊之处在于set有自动排重的功能。储存数据的时候会排除掉重复数据，也可以拿来判断数据是否重复存在

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)。意味着随着数据的增加，查找数据的时间不变（但是占用的内存越来越大）

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。

常用命令
sismember 判断集合是否为含有该值，有 1，没有 0
smove value 把集合中一个值从一个集合移动到另一个集合
sinter 返回两个集合的交集元素。
sunion 返回两个集合的并集元素。
sdiff 返回两个集合的差集元素(key1 中的，不包含 key2 中的)

5. . Redis 哈希(Hash)
Redis hash 是一个键值对集合。
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>

数据结构
Hash 类型对应的数据结构是两种：ziplist（压缩列表），hashtable（哈希表）。当field-value 长度较短且个数较少时，使用 ziplist，否则使用 hashtable。

6. Redis 有序集合 Zset(sorted set)
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了 。

数据结构
zset 底层使用了两个数据结构
（1）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。
（2）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。

跳表（skiplist）的理解

7. Bitmaps
（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 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。

常用命令
bitcount[start end] 统计字符串从 start 字节到 end 字节比特值为 1 的数量

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。

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。

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

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

set 和 Bitmaps 存储一天活跃用户对比

数据类型	每个用户 id 占用空间	需要存储的用户量	全部内存量
集合类型	64位	50000000	64位*5000000=400MB
Bitmaps	1位	100000000	1位*10000000=12.5MB

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 set 和 Bitmaps 存储独立用户对比

数据类型	一天	一个月	一年
集合类型	400M	12GB	144GB
Bitmaps	12.5MB	375MB	4.5GB

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。

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

set 和 Bitmaps 存储一天活跃用户对比（独立用户比较少）

数据类型	每个用户 id 占用空间	需要存储的用户量	全部内存量
集合类型	64位	100000	64位*100000=800KB
Bitmaps	1位	100000000	1位*10000000=12.5MB

8. HyperLogLog
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。

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。

9. Geospatial
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。

geopos [member…] 获得指定地区的坐标值

geodist [m|km|ft|mi ] 获取两个位置之间的直线距离

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