当前位置： 首页 > news >正文

【自学笔记】Redis 快速入门（下篇）

news 2025/10/5 5:49:43

目录

二、实战篇

4.基于Set实现点赞功能

5.基于ZSet实现点赞排行榜

6.基于Set实现用户共同关注

7.基于ZSet实现Feed流

8.基于GEO实现查看附近商户

9.基于BitMap实现用户签到统计

10.UV统计

上篇：【自学笔记】Redis 快速入门（上篇）_键值存储数据库redis-CSDN博客

二、实战篇

4.基于Set实现点赞功能

需求：

对于点赞功能，同一个用户只能点赞依次，再次点击则取消点赞，且如果当前用户已经点赞，则点赞按钮高亮显示。

解决方案：

利用Redis的set集合判断是否点赞过，未点赞过则点赞数+1，已点赞过则点赞数-1，对于根据id查询Blog的业务，判断当前登录用户是否点赞过，赋值给isLike字段；对于分页查询Blog业务，判断当前登录用户是否点赞过，赋值给isLike字段

核心代码：

BlogServiceImpl

/*** 对当前博客点赞*/
@Override
public Result likeBlog(Long id) {// 1.获取登录用户Long userId = UserHolder.getUser().getId();// 2.判断当前登录用户是否已经点赞String key = BLOG_LIKED_KEY + id;Boolean isMember = stringRedisTemplate.opsForSet().isMember(key, userId.toString());if (score == null) {//3.如果未点赞，可以点赞//3.1 数据库点赞数+1boolean isSuccess = update().setSql("liked=liked+1").eq("id", id).update();//3.2 保存用户到Redis的set集合if (isSuccess) {stringRedisTemplate.opsForSet().add(key, userId.toString(), System.currentTimeMillis());}} else {//4.如果已点赞，取消点赞//4.1 数据库点赞数-1boolean isSuccess = update().setSql("liked=liked-1").eq("id", id).update();//4.2 把用户从Redis的set集合移除if (isSuccess) {stringRedisTemplate.opsForSet().remove(key, userId.toString());}}return Result.ok();
}

5.基于ZSet实现点赞排行榜

需求：

在探店笔记的详情页面，应该把给该笔记点赞的人显示出来，比如最早点赞的TOP5，形成点赞排行榜

解决方案：

之前的点赞是放到set集合，但是set集合是不能排序的，所以这个时候，咱们可以采用一个可以排序的set集合，就是咱们的sortedSet（即ZSet）

核心代码：

BlogServiceImpl

修改点赞代码逻辑，改为使用ZSet

/*** 对当前博客点赞*/
@Override
public Result likeBlog(Long id) {// 1.获取登录用户Long userId = UserHolder.getUser().getId();// 2.判断当前登录用户是否已经点赞String key = BLOG_LIKED_KEY + id;// 不仅要保证点赞唯一，还要将点赞先后进行排行// 获取 Sorted Set（有序集合）中指定成员的分数（score）Double score = stringRedisTemplate.opsForZSet().score(key, userId.toString());if (score == null) {//3.如果未点赞，可以点赞//3.1 数据库点赞数+1boolean isSuccess = update().setSql("liked=liked+1").eq("id", id).update();//3.2 保存用户到Redis的set集合if (isSuccess) {stringRedisTemplate.opsForZSet().add(key, userId.toString(), System.currentTimeMillis());}} else {//4.如果已点赞，取消点赞//4.1 数据库点赞数-1boolean isSuccess = update().setSql("liked=liked-1").eq("id", id).update();//4.2 把用户从Redis的set集合移除if (isSuccess) {stringRedisTemplate.opsForZSet().remove(key, userId.toString());}}return Result.ok();
}

查询对当前博客的点赞用户

/*** 查询对当前博客的点赞用户*/
@Override
public Result queryBlogLikes(Long id) {// 1.查询top5的点赞用户 zrange key 0 4String key = BLOG_LIKED_KEY + id;Set<String> top5 = stringRedisTemplate.opsForZSet().range(key, 0, 4);if (top5 == null || top5.isEmpty()) {return Result.ok(Collections.emptyList());}// 2.解析出其中的用户idList<Long> ids = top5.stream().map(Long::valueOf).collect(Collectors.toList());String idStr = StrUtil.join(",", ids);// 3.根据用户id查询用户 WHERE id IN ( 5 , 1 ) ORDER BY FIELD(id, 5, 1)List<User> userList = userService.query().in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list();//脱敏List<UserDTO> userDTOS = userList.stream().map(user -> BeanUtil.copyProperties(user, UserDTO.class)).collect(Collectors.toList());// 4.返回结果return Result.ok(userDTOS);
}

6.基于Set实现用户共同关注

需求：

点进用户的主页，可以展示出当前用户与博主的共同关注的博主

解决方案：

使用Redis的Set结构，在set集合中，有交集并集补集的api，我们可以把两人的关注的人分别放入到一个set集合中，然后再通过api去查看这两个set集合中的交集数据。

核心代码：

FollowServiceImpl

关注/取关用户

/*** 关注/取关用户*/
@Override
public Result follow(Long followUserId, Boolean isFollow) {// 1.获取登录用户Long userId = UserHolder.getUser().getId();String key = FOLLOWS_KEY + userId;// 2.判断到底是关注还是取关if (isFollow) {// 2.关注，新增数据Follow follow = new Follow();follow.setUserId(userId);follow.setFollowUserId(followUserId);boolean isSuccess = save(follow);if(isSuccess){// 把关注用户的id，放入redis的set集合// sadd userId followerUserIdstringRedisTemplate.opsForSet().add(key,followUserId.toString());}} else {// 3.取关，删除数据// delete from tb_follow where user_id = ? and follow_user_id = ?boolean isSuccess = remove(new QueryWrapper<Follow>().eq("user_id", userId).eq("follow_user_id", followUserId));if(isSuccess){// 把关注用户的id从Redis集合中移除stringRedisTemplate.opsForSet().remove(key,followUserId.toString());}}return Result.ok();
}

查看两个用户的关注列表的交集（共同关注）

/*** 查看两个用户的关注列表的交集*/
@Override
public Result followCommons(Long id) {// 1.获取当前用户idLong userId = UserHolder.getUser().getId();String key=FOLLOWS_KEY+userId;String key2=FOLLOWS_KEY+id;// 2.求交集//intersect(K key, K otherKey)返回两个集合的交集Set<String> intersect = stringRedisTemplate.opsForSet().intersect(key, key2);if(intersect==null||intersect.isEmpty()){//返回一个不可变的空列表。return Result.ok(Collections.emptyList());}// 3.解析id集合List<Long> ids = intersect.stream().map(Long::valueOf).collect(Collectors.toList());// 4.查询用户List<UserDTO> userDTOS = userService.listByIds(ids).stream().map(user -> BeanUtil.copyProperties(user, UserDTO.class)).collect(Collectors.toList());return Result.ok(userDTOS);
}

7.基于ZSet实现Feed流

需求：

关注推送也叫做Feed流，直译为投喂，当我们关注了用户后，这个用户发了动态，那么我们应该把这些数据推送给用户，为用户持续的提供“沉浸式”的体验，通过无限下拉刷新获取新的信息。

解决方案：

这里我们不做内容筛选，简单的按照内容发布时间排序，也就是Timeline 模式

该模式有三种实现方案：

1）拉模式：也叫读扩散。如当张三和李四和王五发了消息后，都会保存在自己的邮箱中，假设赵六要读取信息，那么他会从读取他自己的收件箱，此时系统会从他关注的人群中，把他关注人的信息全部都进行拉取，然后在进行排序

2）推模式：也叫做写扩散。推模式是没有写邮箱的，当张三写了一个内容，此时会主动的把张三写的内容发送到他的粉丝收件箱中去，假设此时李四再来读取，就不用再去临时拉取了

3）推拉结合模式：也叫做读写混合，兼具推和拉两种模式的优点。如果是个普通的人，那么我们采用写扩散的方式，直接把数据写入到他的粉丝中去，因为普通的人他的粉丝关注量比较小，所以这样做没有压力；如果是大V，那么他是直接将数据先写入到一份到发件箱里边去，然后再直接写一份到活跃粉丝收件箱里边去，现在站在收件人这端来看；如果是活跃粉丝，那么大V和普通的人发的都会直接写入到自己收件箱里边来；而如果是普通的粉丝，由于他们上线不是很频繁，所以等他们上线时，再从发件箱里边去拉信息。

衍生问题：

传统了分页在feed流是不适用的，因为我们的数据会随时发生变化

假设在t1 时刻，我们去读取第一页，此时page = 1 ，size = 5 ，那么我们拿到的就是10~6 这几条记录，假设现在t2时候又发布了一条记录，此时t3 时刻，我们来读取第二页，读取第二页传入的参数是page=2 ，size=5 ，那么此时读取到的第二页实际上是从6 开始，然后是6~2 ，那么我们就读取到了重复的数据，所以feed流的分页，不能采用原始方案来做。

解决方案：

我们需要记录每次操作的最后一条，然后从这个位置开始去读取数据

举个例子：我们从t1时刻开始，拿第一页数据，拿到了10~6，然后记录下当前最后一次拿取的记录，就是6，t2时刻发布了新的记录，此时这个11放到最顶上，但是不会影响我们之前记录的6，此时t3时刻来拿第二页，第二页这个时候拿数据，还是从6后一点的5去拿，就拿到了5-1的记录。我们这个地方可以采用sortedSet来做，可以进行范围查询，并且还可以记录当前获取数据时间戳最小值，就可以实现滚动分页了

核心代码：

BlogServiceImpl

我们在保存完探店笔记后，获得到当前博主的粉丝，然后把数据推送到粉丝的redis中去，发到谁的邮箱，谁就是key，这样才能对他收到的邮件进行按时间排序

/*** 保存博文* 同时将博文推送到粉丝的redis中去*/
@Override
public Result saveBlog(Blog blog) {// 1.获取登录用户UserDTO user = UserHolder.getUser();blog.setUserId(user.getId());// 2.保存探店笔记boolean isSuccess = save(blog);if (!isSuccess) {return Result.fail("新增笔记失败！");}// 3.查询笔记作者的所有粉丝// select * from tb_follow where follow_user_id = ?List<Follow> follows = followService.query().eq("follow_user_id", user.getId()).list();// 4.推送笔记id给所有粉丝for (Follow follow : follows) {// 4.1.获取粉丝idLong userId = follow.getUserId();// 4.2.推送// （发到谁的邮箱，谁就是key，这样才能对他收到的邮件进行按时间排序）String key = FEED_KEY + userId;stringRedisTemplate.opsForZSet().add(key, blog.getId().toString(), System.currentTimeMillis());}// 5.返回idreturn Result.ok(blog.getId());
}

定义出来具体的返回值实体类

@Data
public class ScrollResult {private List<?> list;//小于指定时间戳的博客列表private Long minTime;//最小时间戳，作为下一次查询的条件private Integer offset;//与上一次查询相同的查询个数作为偏移量
}

用户从自己邮箱中取邮件，每次查询完成后，我们要分析出查询出数据的最小时间戳，这个值会作为下一次查询的条件，同时需要找到与上一次查询相同的查询个数作为偏移量，下次查询时，跳过这些查询过的数据，拿到我们需要的数据

/*** 查看被推送的博客* （取出已关注的人新发布的博客）*/
@Override
public Result queryBlogOfFollow(Long max, Integer offset) {// 1.获取当前用户Long userId = UserHolder.getUser().getId();// 2.查询收件箱// ZREVRANGEBYSCORE key Max Min LIMIT offset countString key=FEED_KEY+userId;//reverseRangeByScoreWithScores()：按照分数从高到低获取指定分数范围内的元素及其对应的分数。//参数：有序集合的键名、分数范围的最小值（包含）、分数范围的最大值（包含）、结果集的偏移量（从第几条开始）、 返回结果的数量Set<ZSetOperations.TypedTuple<String>> typedTuples = stringRedisTemplate.opsForZSet().reverseRangeByScoreWithScores(key, 0, max, offset, 2);// 3.非空判断if(typedTuples==null||typedTuples.isEmpty()){return Result.ok();}// 4.解析数据：blogId、minTime（时间戳）、offsetList<Long> ids = new ArrayList<>(typedTuples.size());long minTime=0;int os=1;for(ZSetOperations.TypedTuple<String> tuple:typedTuples){// 4.1.获取idids.add(Long.valueOf(tuple.getValue()));// 4.2.获取分数(时间戳）long time=tuple.getScore().longValue();if(time == minTime){os++; // 相同时间戳计数增加}else{minTime = time; // 更新最小时间os = 1; // 重置计数}}os = minTime == max ? os : os + offset;// 计算最终偏移量// 5.根据id查询blogString idStr=StrUtil.join(",",ids);List<Blog> blogs =query().in("id", ids).last("ORDER.BY FIELD(id," + idStr + ")").list();for(Blog blog: blogs){// 5.1.查询blog有关的用户queryBlogUser(blog);// 5.2.查询blog是否被当前用户点赞isBlogLiked(blog);}// 6.封装并返回ScrollResult r=new ScrollResult();r.setList(blogs);      // 博客列表r.setOffset(os);       // 下一次查询的偏移量r.setMinTime(minTime); // 下一次查询的最大时间戳return Result.ok(r);
}

8.基于GEO实现查看附近商户

需求：

当我们点击美食之后，会出现一系列的商家，商家中可以按照多种排序方式，我们此时关注的是距离，实现按距离远近来推荐附近商户

解决方案：

使用Redis的GEO结构来存储地理坐标信息，帮助我们根据经纬度来检索数据。

常见的命令有：

  • GEOADD：添加一个地理空间信息，包含：经度（longitude）、纬度（latitude）、值（member）

  • GEODIST：计算指定的两个点之间的距离并返回

  • GEOHASH：将指定member的坐标转为hash字符串形式并返回

  • GEOPOS：返回指定member的坐标

  • GEORADIUS：指定圆心、半径，找到该圆内包含的所有member，并按照与圆心之间的距离排序后返回。6.以后已废弃

  • GEOSEARCH：在指定范围内搜索member，并按照与指定点之间的距离排序后返回。范围可以是圆形或矩形。6.2.新功能

  • GEOSEARCHSTORE：与GEOSEARCH功能一致，不过可以把结果存储到一个指定的key。 6.2.新功能

向后台传入当前app收集的地址(我们此处是写死的) ，以当前坐标作为圆心，同时绑定相同的店家类型type，以及分页信息，把这几个条件传入后台，后台查询出对应的数据再返回。

将数据库表中的数据导入到redis中去，GEO在redis中就一个menber和一个经纬度，我们把x和y轴传入到redis做的经纬度位置去，但我们不能把所有的数据都放入到menber中去，毕竟作为redis是一个内存级数据库，如果存海量数据，redis还是力不从心，所以我们在这个地方存储他的id即可。

但是redis中并没有存储type，所以我们无法根据type来对数据进行筛选，所以我们可以按照商户类型做分组，类型相同的商户作为同一组，以typeId为key存入同一个GEO集合中即可

核心代码：

ShopServiceImpl

跟据类型和坐标分页查询商户

/*** 跟据类型和坐标分页查询商户*/
@Override
public Result queryShopByType(Integer typeId, Integer current, Double x, Double y) {// 1.判断是否需要根据坐标查询if (x == null || y == null) {// 不需要坐标查询，按类型id查询Page<Shop> page = query().eq("type_id", typeId).page(new Page<>(current, SystemConstants.DEFAULT_PAGE_SIZE));return Result.ok(page.getRecords());}// 2.计算分页参数int from = (current - 1) * SystemConstants.DEFAULT_PAGE_SIZE;//跳过的元素数量（偏移量）int end = current * SystemConstants.DEFAULT_PAGE_SIZE;//要获取的元素数量上限// 3.查询redis、按照距离排序、分页。结果：shopId、distanceString key = SHOP_GEO_KEY + typeId;GeoResults<RedisGeoCommands.GeoLocation<String>> results =stringRedisTemplate.opsForGeo().search(key,GeoReference.fromCoordinate(x, y),// 以用户位置为中心new Distance(5000),// 搜索半径5公里RedisGeoCommands.GeoRadiusCommandArgs.newGeoSearchArgs().includeDistance()// 包含距离信息.limit(end)// 获取前end个结果);// 4.解析出idif (results == null) {return Result.ok(Collections.emptyList());}List<GeoResult<RedisGeoCommands.GeoLocation<String>>> list = results.getContent();// 检查是否还有数据可获取if (list.size() <= from) {// 没有下一页了，结束return Result.ok(Collections.emptyList());}// 4.1.截取 from ~ end的部分List<Long> ids = new ArrayList<>(list.size());Map<String, Distance> distanceMap = new HashMap<>(list.size());list.stream().skip(from).forEach(result -> {// 4.2.获取店铺idString shopIdStr = result.getContent().getName();ids.add(Long.valueOf(shopIdStr));// 4.3.获取到每个店铺的距离Distance distance = result.getDistance();distanceMap.put(shopIdStr, distance);});// 5.根据店铺id查询ShopString idStr = StrUtil.join(",", ids);List<Shop> shops = query().in("id", idStr).last("ORDER BY FIELD(id," + idStr + ")")//确保查询结果顺序与Redis返回的顺序一致.list();for (Shop shop : shops) {shop.setDistance(distanceMap.get(shop.getId().toString()).getValue());}// 6.返回return Result.ok(shops);
}

9.基于BitMap实现用户签到统计

需求：

实现用户签到功能和签到统计功能（包括连续签到天数和本月签到天数）

解决方案：

我们按月来统计用户签到信息，签到记录为1，未签到则记录为0，把每一个bit位对应当月的每一天，形成了映射关系。用0和1标示业务状态，这种思路就称为位图（BitMap）。这样我们就用极小的空间，来实现了大量数据的表示

Redis中是利用string类型数据结构实现BitMap，因此最大上限是512M，转换为bit则是 2^32个bit位。允许你将 Redis 的字符串值当作一个巨大的位数组来处理，可以对其中特定位进行置 1 或置 0 的操作

BitMap的操作命令有：

  • SETBIT：向指定位置（offset）存入一个0或1

  • GETBIT ：获取指定位置（offset）的bit值

  • BITCOUNT ：统计BitMap中值为1的bit位的数量

  • BITFIELD ：操作（查询、修改、自增）BitMap中bit数组中的指定位置（offset）的值

  • BITFIELD_RO ：获取BitMap中bit数组，并以十进制形式返回

  • BITOP ：将多个BitMap的结果做位运算（与 、或、异或）

  • BITPOS ：查找bit数组中指定范围内第一个0或1出现的位置

签到功能：我们可以把年和月作为bitMap的key，然后保存到一个bitMap中，每次签到就到对应的位上把数字从0变成1，只要对应是1，就表明说明这一天已经签到了，反之则没有签到。

签到统计功能：

1）连续签到天数：

我们先规定从最后一次签到开始向前统计，直到遇到第一次未签到为止，计算总的签到次数，就是连续签到天数。

Java逻辑代码：获得当前这个月的最后一次签到数据，定义一个计数器，然后不停的向前统计，直到获得第一个非0的数字即可，每得到一个非0的数字计数器+1，直到遍历完所有的数据，就可以获得当前月的签到总天数了

如何从后往前遍历？bitMap返回的数据是10进制，哪假如说返回一个数字8，那么我哪儿知道到底哪些是0，哪些是1呢？我们只需要让得到的10进制数字和1做与运算就可以了，因为1只有遇见1 才是1，其他数字都是0 ，我们把签到结果和1进行与操作，每与一次，就把签到结果向右移动一位，依次内推，我们就能完成逐个遍历的效果了。

2）本月签到天数：

假设今天是10号，那么我们就可以从当前月的第一天开始，获得到当前这一天的位数，是10号，那么就是10位，去拿这段时间的数据，就能拿到所有的数据了，那么这10天里边签到了多少次呢？统计有多少个1即可。（如何统计？跟上面的如何从后往前遍历一样的思路）

核心代码：

UserServiceImpl

本月签到天数

/*** 统计每月签到*/
@Override
public Result signCount() {// 1.获取当前登录用户Long userId = UserHolder.getUser().getId();// 2.获取日期LocalDateTime now = LocalDateTime.now();// 3.拼接keyString keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));String key = USER_SIGN_KEY + userId + keySuffix;//如：sign:user:1001:202408// 4.获取今天是本月的第几天int dayOfMonth = now.getDayOfMonth();// 5.获取本月截止今天为止的所有的签到记录，返回的是一个十进制的数字// BITFIELD sign:5:202203 GET u14 0// bitField() 方法是对 Redis BITFIELD 命令的封装。它允许你在一个 Redis 字符串（位图）上执行多个连续的位操作，这些操作在一次原子命令中完成。List<Long> result=stringRedisTemplate.opsForValue().bitField(key,BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)).valueAt(0));if(result==null||result.isEmpty()){// 没有任何签到结果return Result.ok(0);}Long num=result.get(0);if(num==null||num==0){return Result.ok(0);}// 6.循环遍历//bitMap返回的数据是10进制，哪假如说返回一个数字8，签到数不一定是8，要看1的个数int count=0;while (true){// 6.1.让这个数字与1做与运算，得到数字的最后一个bit位if((num&1)==0){// 如果为0，说明未签到，结束break;}else{// 如果不为0，说明已签到，计数器+1count++;}// 把数字右移一位，抛弃最后一个bit位，继续下一个bit位num>>>=1;}return Result.ok(count);
}

这里没写统计连续签到天数。。。不过逻辑已经讲清楚了，大同小异

拓展

关于使用bitmap来解决缓存穿透的方案，也就是布隆过滤器

问题：

发起了一个数据库不存在的，redis里边也不存在的数据，通常你可以把他看成一个攻击

解决方案：

1）判断id<0

2）如果数据库是空，那么就可以直接往redis里边把这个空数据缓存起来

衍生问题：

1）如果用户访问的是id不存在的数据，则此时就无法生效

2）如果是不同的id那就可以防止下次过来直击数据

解决方案：

我们可以将数据库的数据，所对应的id写入到一个list集合中，当用户过来访问的时候，我们直接去判断list中是否包含当前的要查询的数据，如果说用户要查询的id数据并不在list集合中，则直接返回，如果list中包含对应查询的id数据，则说明不是一次缓存穿透数据，则直接放行。

衍生问题：

现在的问题是这个主键其实并没有那么短，而是很长的一个主键，如果采用以上方案，这个list也会很大

解决方案：

我们可以把list数据抽象成一个非常大的bitmap，我们不再使用list，而是将db中的id数据利用哈希思想：（本质就是利用模运算计算出桶的位置，即id对应应该落在哪个桶）

id % bitmap.size = 算出当前这个id对应应该落在bitmap的哪个索引上，然后将这个值从0变成1，然后当用户来查询数据时，此时已经没有了list，让用户用他查询的id去用相同的哈希算法， 算出来当前这个id应当落在bitmap的哪一位，然后判断这一位是0，还是1，如果是0则表明这一位上的数据一定不存在， 采用这种方式来处理，需要重点考虑一个事情，就是误差率，所谓的误差率就是指当发生哈希冲突的时候，产生的误差。

10.UV统计

两个概念：

  • UV：全称Unique Visitor，也叫独立访客量，是指通过互联网访问、浏览这个网页的自然人。1天内同一个用户多次访问该网站，只记录1次。

  • PV：全称Page View，也叫页面访问量或点击量，用户每访问网站的一个页面，记录1次PV，用户多次打开页面，则记录多次PV。往往用来衡量网站的流量。

通常来说UV会比PV大很多，所以衡量同一个网站的访问量，我们需要综合考虑很多因素，所以我们只是单纯的把这两个值作为一个参考值

问题：

UV统计在服务端做会比较麻烦，因为要判断该用户是否已经统计过了，需要将统计过的用户信息保存。但是如果每个访问的用户都保存到Redis中，数据量会非常恐怖

解决方案：

Hyperloglog(HLL)是从Loglog算法派生的概率算法，用于确定非常大的集合的基数，而不需要存储其所有值。相关算法原理大家可以参考：https://juejin.cn/post/6844903785744056333#heading-0

Redis中的HLL是基于string结构实现的，单个HLL的内存永远小于16kb，内存占用低的令人发指！作为代价，其测量结果是概率性的，有小于0.81％的误差。不过对于UV统计来说，这完全可以忽略。

测试：

测试百万数据的统计，我们直接利用单元测试，向HyperLogLog中添加100万条数据，看看内存占用和统计效果如何

@Test
void testHyperLogLog() {// 准备数组，装用户数据String[] users = new String[1000];// 数组角标int index = 0;for (int i = 1; i <= 1000000; i++) {// 赋值users[index++] = "user_" + i;// 每1000条发送一次if (i % 1000 == 0) {index = 0;stringRedisTemplate.opsForHyperLogLog().add("hll1", users);}}// 统计数量Long size = stringRedisTemplate.opsForHyperLogLog().size("hll1");System.out.println("size = " + size);
}

我们会发生他的误差是在允许范围内，并且内存占用极小（偷懒了。。。）

本文到此结束，如果对你有帮助，可以点个赞~

后续会在合集里持续更新 Redis 相关的知识，欢迎关注~

http://www.dtcms.com/a/441964.html

相关文章：

  • 微信网站怎么开发东莞品牌营销型网站建设
  • 在QT中实现线程暂停
  • vivado自定义IP显示只读解决办法
  • 当 AI 走进图像编辑：Bing 照片编辑器的实用价值与体验观察
  • Java Linux --- 基本命令，部署Java web程序到线上访问
  • 天安云谷网站建设企业邮箱忘记密码怎么找回
  • SQL 多表查询场景速查：一对一、一对多、多对多
  • 从 0 到 1 搭建 Python 语言 Web UI自动化测试学习系列 7--基础知识 3--常用函数 1
  • Amazon S3 Vectors：向量存储、索引与多亚马逊云科技服务协同的智能桥梁解决方案
  • 第二章 prompt思维链
  • 大模型面经（一） Prompt + RAG + 微调
  • 第一章——了解prompt以及一些基础技巧方法
  • 做牛津布面料在哪个网站找客户找人一起做素材网站
  • 土豆家族工具使用适配表格大全【windows提权】
  • PyQt5 QPushButton组件详解：按钮控件的完整指南
  • Linux中do_wait函数的实现
  • 第1章 线程安全的对象生命期管理
  • Codeforces Round 1027 A. Square Year (2114)
  • 公司网站备案信息查询嵌入式开发培训
  • mysql--核心日志文件详解
  • 营销型网站要多少钱广告联盟app
  • 浙江建设职业技术学院官方网站中信建设有限责任公司资质等级
  • Vidmy 1.0.129| 无限制下载国外视频，支持高速下载、即时抓取高清视频。使用需要科学
  • （CVPR2025）DEIM模型训练自己的数据集教程（基于Pycharm）
  • 13.排序（上）
  • 《KelpBar海带Linux智慧屏项目》
  • 二叉树的层序遍历--力扣
  • 解决Linux下操作无权限问题——chmod: 正在更改...的权限：不允许的操作
  • 哈尔滨论坛建站模板ftp上传网站后怎么弄
  • 使用D3.js画人物关系图