Redis（一）：Redis中的数据类型

TSuperman
94 阅读6分钟

Redis 是一个高性能的键值数据库，但它远超普通的 key-value，因为它的值支持 5 大核心数据结构，包括：String、Hash、List、Set、ZSet，以及高级的结构：Bitmaps、HyperLogLog、GEO。每个都适用于不同的场景。理解它们的底层结构和行为差异，是写出高性能 Redis 应用的前提。

基本数据类型

String（字符串）

特点：

● 最常用的数据结构，占据 Redis 使用的 90% ● value 最大支持 512MB

底层结构：

使用 SDS（Simple Dynamic String） 实现（而不是 C 字符串）

struct sdshdr {
    int len;       // 实际长度
    int free;      // 剩余空间
    char buf[];    // 字符数组，结尾不带 \0
}

O(1) 获取长度，不需遍历 支持动态扩容和缩容，避免内存碎片

应用形式

● 普通值（name → "Tom"） ● 数字型（可以做 INCR/DECR） ● 二进制（可存图片、压缩包等）

SET key value
GET key
INCR age
APPEND key "abc"
GETRANGE key 0 3

List（双端链表）

特点：

● 有序、可重复，适合队列、消息流等场景 ● 可从两端插入/弹出（LPUSH / RPUSH）

底层结构：

  1. QuickList（Redis 3.2+）：由多个 ZipList 压缩表组成的链表
  2. 老版本用 LinkedList，但性能差、内存碎

插入复杂度：

操作时间复杂度
LPUSH/ RPUSHO(1)
LPOP / RPOPO(1)
LINDEO(N)
LRANGEO(N)

示例命令：

LPUSH queue task1
RPUSH queue task2
LPOP queue
LRANGE queue 0 -1

Set（无序集合）

特点：

● 无序、去重 ● 支持交集、并集、差集操作

底层结构：

● 小数据量：intset（整数集合，总元素数量不超过 set-max-intset-entries（默认是 512）） ● 大数据量或者非整数成员：hashtable（哈希表） 自动切换，无需手动干预。

示例命令：

SADD tags "java"
SADD tags "redis"
SMEMBERS tags
SISMEMBER tags "java"
SUNION set1 set2

SortedSet（有序集合）

特点：

  • 元素唯一，分值（score）可重复
  • 按分值排序 → 实现排行榜、延迟队列

底层结构：

组合结构：

  • 跳表（SkipList）：支持按分数排序
  • 哈希表：支持快速查找

复杂度：

操作时间复杂度
ZADD/ZREMO(logN)
ZRANGE/ZREVRANKO(logN + M)
ZSCORE/ZCARDO(1)

示例命令：

ZADD rank 100 "Alice"
ZADD rank 200 "Bob"
ZRANGE rank 0 -1 WITHSCORES
ZREVRANK rank "Alice"
ZREM rank "Bob"

Hash（键值对集合）

特点：

  • 存储对象结构（如用户信息、商品信息）
  • 可以看成小型的 Redis 本身：user:1001 → {name:Tom, age:18}

底层结构：

  • 小数据量：ziplist（压缩列表）
  • 大数据量：hashtable 自动转换触发条件：
  • 单个键值 > 64 字节
  • 元素数量 > 512 个
HSET user:1001 name "Tom"
HSET user:1001 age 18
HGETALL user:1001
HINCRBY user:1001 age 1
HDEL user:1001 name

重点汇总表

数据结构是否有序是否唯一是否支持分数典型场景底层结构
String否否否缓存、计数器SDS
List是否否消息队列QuickList
Set否✅ 是否标签系统intset/hashtable
SortedSet✅ 是✅ 是✅ 是排行榜、延迟队列跳表 + 哈希表
Hash无序key 唯一否用户对象缓存ziplist/hashtable

高级类型

Bitmaps

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“big”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,“big”分别对应的ASCII码分别是98、105、103，对应的二进制分别是01100010、01101001和 01100111。 Bitmaps本身不是一种数据结构，实际上它就是字符串，但是它可以对字符串的位进行操作。 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。

布隆过滤器

1970 年布隆提出了一种布隆过滤器的算法，用来判断一个元素是否在一个集合中。 这种算法由一个二进制数组和一个 Hash 算法组成。 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。

HyperLogLog

HyperLogLog（简称 HLL）是 Redis 提供的一种基数估计（Cardinality Estimation）数据结构，用于统计唯一元素的数量，比如：

有多少个不同的 IP 访问了网站？有多少个独立用户点击了广告？

命令：
pfadd
PFADD uv:2025-07-28 user_id_001
(integer) 1
PFADD uv:2025-07-28 user_id_002
(integer) 1
pfcount
PFCOUNT uv:2025-07-28
(integer) 2
pfmerge
PFADD uv:2025-07-27 user_id_003
PFMERGE uv:all uv:2025-07-27 uv:2027-07-28
(integer) 3

HyperLogLog 基于概率论中伯努利试验并结合了极大似然估算方法，并做了分桶优化。

  1. List item 转为比特串 通过hash函数，将数据转为64位二进制的比特串。
  2. 分桶 前14位作为桶编号， 分布不同数据，避免局部集中偏差。 Redis 开发者（antirez）根据实验选择了 p=14（即 m=16384），因为这在误差与空间上达到了最佳平衡。
哈希值（64位）：1010 1100 0110 0101 ...（64位总长）

→ 前 14 位（桶编号）：10101110011001 → bucket 11257
→ 后 50 位（估稀有性）：00000010011... → 前导 0 = 6 → register[11257] = max(当前, 6)
Redis 为什么选 14 记录桶的编号？

Redis 开发者（antirez）根据实验选择了 p=14（即 m=16384），因为这在误差与空间上达到了最佳平衡：

p桶数m误差（约）空间消耗（每个桶 6 bits）
101024~3.25%0.75 KB
124096~1.63%3 KB
✅14✅16384✅~0.81%✅12 KB（Redis 使用的）
1665536~0.40%48 KB
18262144~0.20%192 KB

主要特点

特性描述
功能统计去重后的元素数量（基数）
占用内存永远不超过 12 KB，无论添加多少元素
是否精确❌ 不精确（误差约 0.81%），但足够用于大数据统计场景
支持命令PFADD、PFCOUNT、PFMERGE
典型用途UV统计、独立用户量、唯一访问者、唯一交易用户等

GEO

Redis GEO 用于 存储地理坐标（经纬度） 并支持基于位置的 距离计算、范围查询、附近搜索 等操作。

# 添加两个坐标
GEOADD locations 116.397128 39.916527 beijing
GEOADD locations 121.473701 31.230416 shanghai

# 计算两地距离（默认单位：米）
GEODIST locations beijing shanghai

# 指定单位为千米
GEODIST locations beijing shanghai km
avatar
文章
阅读
粉丝