很哇塞的Redis（一）高级数据类型

一、Bitmaps

基础

1. 特点： 伪数据类型，基于String实现，最大长度512M，适合设置成2^32个不同字节。
2. 常用命令：SETBIT，GETBIT，BITCOUNT

使用场景

1. 给定范围内bit统计（例如人口统计）
2. 日活统计，ip登录统计。
3. 布隆过滤器。

注意事项

1. 存储与对象ID关联的节省空间并且高性能的布尔信息。
2. 如果用户起始id很大，会造成前面的空间浪费。

实现原理

Bitmaps不是真实的数据结构，而是String类型上的一组面向bit操作的集合； 因为redis的key和value本身就支持二进制的存储方式，所以bitmaps只是string的独特扩展。

二、HyperLogLog

基础

1. 特点： 基数统计的算法，不是真实数据结构。
2. 常用命令：PFADD，PFCOUNT，PFMERGE。

使用场景

1. 日活统计，ip统计。
2. 统计APP或网页的一个页面，访问情况

注意事项

1. HLL准错误小于1％的估计度量，通常是0.81%左右。
2. HLL只会根据输入元素来计算基数，而不会储存输入元素本身；因此HLL不能像集合那样，返回输入的元素。
3. 每个HLL键最多只需要花费12KB内存。

实现原理

1. HLL每个KEY最多占用12K的内存空间，可以计算接近2^64个不同元素的基数；
2. HLL存储空间采用稀疏矩阵存储，空间占用很小，仅仅在计数基数个数慢慢变大，稀疏矩阵占用空间渐渐超过了阈值时才会一次性转变成稠密矩阵，转变成稠密矩阵之后才会占用12K的内存空间。

三、Geo

基础

1. 特点：地理信息定位。
2. 常用命令：GEOADD，GEOHASH，GEOPOS

使用场景

1. 实附近的人、两地理位置间距离计算等功能。

注意事项

1. 支持某一个事物的经纬度位置保存。
2. 支持点附近点的匹配。
3. 支持根据事物的ID查询事物具体信息。

实现原理

Redis GEO的底层实现是zset；GeoHash原理简单来看:二分区间，区间编码。

总结

在实际的应用开发中redis高级数据类型用的不多，bitmaps实现的布隆过滤器，HyperLogLog统计日活、埋点。Geo略显鸡肋，Elastic search的geo要更具有一些优势。redis的geo在数据量很大的情况下，会造成整个redis查询缓慢，要另起一个集群维护成本比较高，es不需要。