Redis隐藏的三大杀手锏：Bitmap、HyperLogLog、GEO实战解析

用极低的内存消耗，实现签到统计、UV统计、附近的人功能，这才是Redis的真正实力！

在Redis生态中，String、Hash、List、Set、Sorted Set这五种基础类型占据了90%以上的使用场景。但当遇到以下需求时，它们可能会显得笨重或低效：

• 记录用户每天签到状态，需要存储上亿条记录，且查询某天签到人数
• 统计网站UV（独立访客），要求极低的内存占用，允许一定误差
• 实现"附近的人"功能，需要地理位置索引和范围查询

此时，Redis提供的三种特殊数据类型——Bitmap、HyperLogLog、GEO便闪亮登场。它们专为这类场景设计，在保证性能的同时，将内存消耗降到最低。

---

🔥 一、Bitmap：位图——签到统计的终极方案

📌 原理简介

Bitmap本质上是对String类型的扩展，它把字符串的每个bit位当作一个独立的单位进行读写。一个字节（byte）包含8个bit，因此一个10万位的Bitmap仅占用约12.5KB内存。

核心命令：

SETBIT key offset value    # 设置指定偏移位的值（0/1）
GETBIT key offset          # 获取指定偏移位的值
BITCOUNT key [start end]   # 统计值为1的bit数量
BITOP operation destkey key [key...]  # 对多个Bitmap进行与、或、非、异或操作

🛠️ 业务场景：用户签到统计

需求：记录用户每日签到，统计月度签到次数，展示签到日历，以及统计某天总签到人数。

设计思路：

• 每个用户一个Bitmap，key为sign:userId:yearMonth（如sign:1001:202403）
• 偏移量（offset）使用当月的第几天（1~31），bit值为1表示已签到

Spring Boot实现：

@Service
public class SignService {
    @Autowired
    private RedisTemplate<String, String> redisTemplate;
    
    /** 
     * 用户签到 
     * @param userId 用户ID 
     * @param date 签到日期（格式 yyyy-MM-dd） 
     */
    public void sign(Long userId, LocalDate date) {
        String key = buildSignKey(userId, date);
        int offset = date.getDayOfMonth() - 1;
        redisTemplate.opsForValue().setBit(key, offset, true);
    }
    
    /** 
     * 获取用户某月的签到次数 
     */
    public long getSignCount(Long userId, YearMonth yearMonth) {
        String key = buildSignKey(userId, yearMonth);
        return redisTemplate.opsForValue().bitCount(key);
    }
    
    /** 
     * 获取用户某月的签到记录（用于前端日历展示） 
     */
    public String getSignRecord(Long userId, YearMonth yearMonth) {
        String key = buildSignKey(userId, yearMonth);
        byte[] bytes = redisTemplate.opsForValue().get(key).getBytes();
        if (bytes == null) return " ";
        
        StringBuilder sb = new StringBuilder();
        for (byte b : bytes) {
            sb.append(String.format("%8s", Integer.toBinaryString(b & 0xFF)).replace(' ', '0'));
        }
        
        int days = yearMonth.lengthOfMonth();
        return sb.substring(0, days);
    }
    
    private String buildSignKey(Long userId, YearMonth yearMonth) {
        return "sign:" + userId + ":" + yearMonth.toString().replace("-", "");
    }
}

⚠️ 注意事项

• 签到记录存储在Bitmap中，无需额外索引，查询效率极高
• 适合千万级用户签到数据，内存占用仅几十MB
• 统计某天总签到人数时，建议使用另一个Bitmap存储每日签到汇总，避免对所有用户Bitmap做BITOP操作

---

🔥 二、HyperLogLog：基数统计——UV统计的轻量级王者

📌 原理简介

HyperLogLog是一种概率性数据结构，用于统计集合中不重复元素的数量（即基数），误差约为0.81%。每个HyperLogLog键只占用12KB内存，无论存储多少元素，内存固定。

核心命令：

PFADD key element [element...]  # 添加元素
PFCOUNT key [key...]           # 返回基数的估算值
PFMERGE destkey sourcekey [sourcekey...]  # 合并多个HyperLogLog

🛠️ 业务场景：网站UV统计

需求：统计某个页面每天的独立访客数（UV），允许一定误差。

设计思路：

• 每天一个HyperLogLog键，如uv:20240330
• 用户访问时，将用户ID（或IP）添加到对应的HyperLogLog中
• 使用PFCOUNT获取当天UV

Spring Boot实现：

@Service
public class UVService {
    @Autowired
    private RedisTemplate<String, String> redisTemplate;
    
    /** 
     * 记录用户访问 
     * @param date 访问日期 
     * @param userId 用户ID 
     */
    public void visit(LocalDate date, Long userId) {
        String key = "uv:" + date.toString().replace("-", "");
        redisTemplate.opsForHyperLogLog().add(key, userId.toString());
    }
    
    /** 
     * 获取某天的UV 
     */
    public long getUV(LocalDate date) {
        String key = "uv:" + date.toString().replace("-", "");
        return redisTemplate.opsForHyperLogLog().size(key);
    }
    
    /** 
     * 获取多天累计UV（去重） 
     */
    public long getMultiDayUV(LocalDate start, LocalDate end) {
        List<String> keys = new ArrayList<>();
        for (LocalDate date = start; !date.isAfter(end); date = date.plusDays(1)) {
            keys.add("uv:" + date.toString().replace("-", ""));
        }
        
        String tempKey = "uv:temp:" + System.currentTimeMillis();
        redisTemplate.opsForHyperLogLog().union(tempKey, keys.toArray(new String[0]));
        long count = redisTemplate.opsForHyperLogLog().size(tempKey);
        redisTemplate.delete(tempKey);
        return count;
    }
}

⚠️ 注意事项

• HyperLogLog适合海量数据、允许误差的场景，不适合精确计数
• 合并操作（PFMERGE）会消耗CPU，建议在离线任务中执行
• 实际使用中，可以设置PFADD的元素为userId:ip，避免同一用户多次访问导致重复计数

---

🔥 三、GEO：地理位置——附近的人、商户查询

📌 原理简介

GEO是Redis 3.2引入的数据类型，基于Sorted Set实现，支持存储经纬度坐标，并提供距离计算、半径查询等功能。

核心命令：

GEOADD key longitude latitude member [longitude latitude member ...]  # 添加位置
GEOPOS key member [member ...]  # 获取指定成员的坐标
GEODIST key member1 member2 [unit]  # 计算两个成员之间的距离
GEORADIUS key longitude latitude radius unit [WITHCOORD] [WITHDIST] [COUNT count]  # 查询指定半径内的成员
GEORADIUSBYMEMBER key member radius unit ...  # 以某个成员为中心进行半径查询

🛠️ 业务场景：附近的人

需求：基于用户当前经纬度，查询附近一定范围内的其他用户，并按距离排序。

设计思路：

• 存储用户位置：GEOADD location:city 经度 纬度 用户ID
• 查询附近用户：GEORADIUS location:city 经度 纬度 半径 km/km WITHDIST COUNT 20

Spring Boot实现：

@Service
public class GeoService {
    @Autowired
    private RedisTemplate<String, String> redisTemplate;
    
    private static final String GEO_KEY = "location:beijing";
    
    /** 
     * 更新用户位置 
     */
    public void updateLocation(Long userId, double lng, double lat) {
        redisTemplate.opsForGeo().add(
            GEO_KEY, 
            new Point(lng, lat), 
            userId.toString()
        );
    }
    
    /** 
     * 获取附近的人（按距离排序） 
     * @param userId 当前用户ID 
     * @param radius 半径（米） 
     * @param limit 最多返回数量 
     * @return 列表，元素为 (userId, distance) 
     */
    public List<NearbyUser> getNearbyUsers(Long userId, double radius, int limit) {
        List<Point> points = redisTemplate.opsForGeo().position(GEO_KEY, userId.toString());
        if (points == null || points.isEmpty()) {
            return Collections.emptyList();
        }
        
        Point center = points.get(0);
        RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs
            .newGeoRadiusArgs()
            .includeDistance()
            .sortAscending()
            .limit(limit);
        
        GeoResults<RedisGeoCommands.GeoLocation<String>> results = redisTemplate.opsForGeo()
            .radius(GEO_KEY, new Circle(center, new Distance(radius, Metrics.METERS)), args);
        
        if (results == null) return Collections.emptyList();
        
        List<NearbyUser> list = new ArrayList<>();
        for (GeoResult<RedisGeoCommands.GeoLocation<String>> result : results) {
            RedisGeoCommands.GeoLocation<String> location = result.getContent();
            if (location.getName().equals(userId.toString())) continue;
            
            double distance = result.getDistance().getValue();
            list.add(new NearbyUser(Long.parseLong(location.getName()), distance));
        }
        
        return list;
    }
    
    // 内部类
    static class NearbyUser {
        private Long userId;
        private double distance; // 单位：米
        
        public NearbyUser(Long userId, double distance) {
            this.userId = userId;
            this.distance = distance;
        }
        
        // getter, setter
    }
}

⚠️ 注意事项

• GEO的底层是Sorted Set，无法直接修改某个成员的坐标，需要先删除再添加
• 半径查询的精度受geohash编码影响，但Redis内部已做了优化，误差很小
• 对于城市级数据，建议按城市拆分key，避免单key过大导致查询缓慢

---

📊 四、三种特殊数据类型对比总结

数据类型	内存消耗	精确性	典型场景	主要命令
Bitmap	极小（按位存储）	精确	签到统计、布隆过滤器	SETBIT, GETBIT, BITCOUNT
HyperLogLog	固定12KB	近似（0.81%）	UV统计、独立访客	PFADD, PFCOUNT, PFMERGE
GEO	与成员数成正比	精确	附近的人、地理位置查询	GEOADD, GEORADIUS, GEODIST

---

💡 五、实战小结

Bitmap、HyperLogLog、GEO三种特殊数据类型，虽然不是Redis的日常主力，但在特定场景下，它们往往能以极低的成本和极高的性能解决问题：

✅ 用Bitmap做签到，轻松支撑千万用户每日签到，内存占用仅几十MB
✅ 用HyperLogLog统计UV，告别大数据量的去重开销
✅ 用GEO实现LBS功能，无需引入额外组件

在Spring Boot中，借助Spring Data Redis提供的opsForGeo()、opsForHyperLogLog()、opsForValue().setBit()等API，我们可以非常方便地集成这些能力。

"Redis不是缓存，而是内存中的数据库。"

掌握这些"隐藏技能"，让你的Redis使用从"会用"到"精通"，代码更优雅，性能更极致。

---

关注我的微信公众号【卷毛的技术笔记】 我会持续输出后端技术干货，与你一起进阶！
点赞、收藏、转发，让更多开发者受益！