数据库
首页 > 数据库> > Redis新数据类型

Redis新数据类型

作者：互联网

文章目录

Redis新数据类型

Bitmaps

1个字节等于8位，下面是“abc”字符串对应的二进制

在这里插入图片描述
Redis提供Bitmaps数据类型可以实现对位的操作：

在这里插入图片描述

命令

setbit

（1）格式

setbit<key><offset><value>设置Bitmaps中某个偏移量的值（0或1）
在这里插入图片描述

（2）实例

每个独立用户是否访问过网站存在Bitmaps中，将访问的用户记作1，没有访问的用户记作0，用偏移量作为用户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
在这里插入图片描述
在第一次初始化Bitmap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

（1）格式

getbit<key><offset>获取Bitmaps中某个偏移量的值
在这里插入图片描述

获取键的第offset位的值（从0开始算起）。

（2）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
注：因为100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指Bit数组的字节下标数。

（1）格式

bitcount<key>[start end]统计字符串从start字节到end字节比特值为1的数量

在这里插入图片描述

（2）实例

计算2022-11-06这天的独立访问用户数量
在这里插入图片描述

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11， 15， 19。

在这里插入图片描述

举例

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

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

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

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

bitop

（1）格式

bitop and(or/not/xor) <destkey> [key…]
在这里插入图片描述

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。

（2）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:20201103 unique:users:20201104

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

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。

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
set64位5000000064位*50000000 = 400MB
Bitmaps1位1000000001位*100000000 = 12.5MB

很明显，这种情况下使用Bitmaps能节省很多内存空间。

如果网站每天独立访问用户很少，例如只有10万（大量的僵尸用户），那么两者的对比如下，这时候，使用Bitmaps就不太合适了，因为基本上大部分位都是0。

数据类型每个userid占用空间需要存储的用户量全部内存量
set64位10000064位*100000 = 800KB
Bitmaps1位1000000001位*100000000 = 12.5MB

HyperLogLog

在工作当中，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。

但是对于求集合中不重复元素个数的问题，这种问题称为基数问题。

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

但是随着数据不断增加，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12KB内存，就可以计算接近 2 64 2^{64} 264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。

命令

pfadd

（1）格式

pfadd <key>< element> [element ...]，添加指定元素到HyperLogLog中

在这里插入图片描述

（2）实例

在这里插入图片描述

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。

pfcount

（1）格式

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
在这里插入图片描述
（2）实例
在这里插入图片描述

pfmerge

（1）格式

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

在这里插入图片描述

（2）实例

在这里插入图片描述

Geospatial

GEO，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。

标签：HyperLogLog,数据类型,Redis,setbit,Bitmaps,unique,users
来源： https://blog.csdn.net/qq_36553387/article/details/120614847