【Redis】特殊的数据类型

每一个版本都会有不同的功能，根据所需要的点去官方文档查询学习

官方学习文档Commands

geospatial

命令学习

地图空间索引，见名知意，适用于进行经纬度记录，统计地理空间位置的功能；

我当前使用的redis版本为Redis 5.0.10；其中的部分功能如下显示：

1. geoadd添加坐标
2. geopos查询地理坐标
3. geodist查询两个坐标之间的距离
4. geohash将地理坐标返回为hash值进行返回，比较大时候可以通过hash值的相近度区分附近的人，值相差越大，位置相差偏差越大；

代码如下：

127.0.0.1:6379>  geoadd myaddress 115 39 address1 110 20 address2
(integer) 2
127.0.0.1:6379> geopos myaddress address1 address2
1) 1) "114.99999850988388062"2) "38.99999918434559731"
2) 1) "110.00000149011611938"2) "20.00000058910486445"
127.0.0.1:6379> geodist myaddress address1 address2
"2167037.9521"
127.0.0.1:6379> geodist myaddress address1 address2 km
"2167.0380"
127.0.0.1:6379> geohash myaddress address1 address2
1) "wwcvbgsrqn0"
2) "w7w1z0gs3y0"
127.0.0.1:6379> geoadd myaddress 115 33 address3 114 39 address4
(integer) 2
127.0.0.1:6379> geohash myaddress address1 address2 address3 address4
1) "wwcvbgsrqn0"
2) "w7w1z0gs3y0"
3) "wtcg8zkqyj0"
4) "wwcjf5sr2w0"

总结

• GEO 使用了 Sorted Set 集合类型，并通过 GeoHash 编码方法实现了经纬度到 Sorted Set 中元素权重分数的转换，涵盖两个关键能力就是就是对二维地图做区间划分，以及对区间进行编码。
• 具体可应用的场景如下：
  • 计算用户的精准的地理坐标位置
  • 统计用户定点坐标一定范围内的其他地理位置，并计算出距离
  • 对一定范围内的地理位置进行排序，并由近到远筛选
• 真实的地图数据存储，场景比这复杂的多，数据量会达到惊人的巨量，所以还是会使用分治原理进行拆分，细化到一个市甚至一个区，来提高存储和检索的效率。

hyperloglog 海量数据统计

HyperLogLog 是在redis2.8.9介入的功能，用于进行基数记录，

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。

基数

整个数组集合中的所有的基础数据，称之为基数，即不重复的元素；

{1,2,2,3,4,4,5} >> {1,2,3,4,5}

命令学习

应用场景：页面显示当日访问量，如果是是同一个人记录为1次

1. pfadd 添加到key中内容；
2. pfcount 统计key中的基数数量，误差值±5，允许容错的时候是可以的；
3. pfmerge 将一个key的内容merge到 另一个key中；

127.0.0.1:6379> pfadd myopf aa1001 aa1003 aa002 0022a aa2002 aa1001 aa1001 aa1003
(integer) 1
127.0.0.1:6379> pfcount myopf
(integer) 5
127.0.0.1:6379> pfadd mypf2 aa1001 aa1002 bb1001 bb1002
(integer) 1
127.0.0.1:6379> pfcount mypf2
(integer) 4
127.0.0.1:6379> pfmerge myopf mypf2
OK
127.0.0.1:6379> pfcount mypf2
(integer) 4
127.0.0.1:6379> pfcount myopf
(integer) 8
127.0.0.1:6379>

bitmaps

位图 位存储

参照学习博客：https://www.cnblogs.com/wzh2010/p/15886801.html

应用场景：存储打卡数据，统计打卡数据

简述

位图（BitMap）的底层数据结构是使用String类型的SDS数据结构来存储。

一个字节8bit，为了将字节中的位都利用到位，使用数组结构来保存；

BitMap 是通过一个 bit 位来表示某个元素对应的值或者状态, 它的结构如下，key 对应元素本身；offset即是偏移量，固定整型，一般存数组下表或者唯一值；value存储的是二值（要么0要么1），一般用来表示状态，如性别、是否登录、是否打卡等。

SETBIT key offset value

key是元素名称，

offset 必须是数值类型，

value 只能是 0 或者 1，

如果我们存储一个用户的在线状态，用户，代码如下：

//设置在线状态 
// $redis->setBit('online', $uid, 1);$redis->setBit('online', 5, 1);
$redis->setBit('online', 9, 1);

命令学习

1. setbit设置bit的value内容
2. getbit获取bit的value内容

127.0.0.1:6379> setbit mysbit 0 1
(integer) 1
127.0.0.1:6379> getbit mysbit 0
(integer) 1
127.0.0.1:6379> setbit mysbit 0 0
(integer) 1
127.0.0.1:6379> getbit mysbit 0
(integer) 0
127.0.0.1:6379>

场景

状态统计

我们使用一个 online_statu用来存储 用户登录后的状态集合

如果1024用户登录系统，那么设置ID为1024的用户为在线的代码如下：

SETBIT online_statu 1024 1

如果想看1024的用户是否是在线状态（这边注意，key可能不存在，代表没有这个用户，这时候默认返回0），代码如下：

GETBIT online_statu 1024

如果1024的用户退出系统，则为他执行下线，代码如下：

SETBIT online_statu 1024 0

127.0.0.1:6379> SETBIT online_statu 1024 1
(integer) 0
127.0.0.1:6379> GETBIT online_statu 1024
(integer) 1
127.0.0.1:6379> SETBIT online_statu 1024 0
(integer) 1
127.0.0.1:6379>

空间上的有效利用，1亿 人的状态存储只需要 100000000/8/1024/1024 = 11.92 M，简单的数据结构也保证了性能上的优势。

根据实际的数据量获取存储空间：(offset/8/1024/1024)M

固定周期的签到情况统计（周/月/年）

固定周期可能是年/月/周，按照不同维度，可能有 365，31，7的bit位的统计周期。

假设这时候我们如果对于某个用户（如1024）全年的签到情况做统计，可以这么设计:

• 设计key 为 {bus_type}{uid} ，及业务类型+用户id+年份

比如：sign_1024_2022

• 签到则执行对应代码

1. 1024用户在2022 年的第1天和最后一天如果有签到：

# 22年第一天
SETBIT sign_1024_2022 0 1# 22年最后一天
SETBIT sign_1024_2022 364 1

2. 判断某用户（1024）在某一天（150）是否有签到

GETBIT sign_1024_2022 150

3. 统计某用户（1024） 全面的签到次数，使用 BITCOUNT 指令，统计给定的 bit 数组中，值 = 1 的所有bit位数量。

BITCOUNT sign_1024_2022

4. 那如果你想限定范围了怎么办，比如原来设计的是一年的统计。但是你想获得某个月第一次打卡的数据，这时候就要使用BITPOS了。
   通过 BITPOS key value [start] [end] 指令，返回数据表示 Bitmap 中第一个值为 给定value 的 offset 位置。
   在默认情况下，命令会检测整个位图，但用户也可以通过可选的start参数和end参数指定要检测的范围。
   比如第2个月的第3天是2月的第一次签到日，则下面的返回结果为30（第一个月31天）+ 3（二月第3天签到） = 33 ：

$index = BITPOS sign_1024_2022 30

offset也是从0开始的，所以返回的值最好加个1，不会让用户看的晕头转向。

连续签到用户信息

1. 可以把每天的日期当成位图（BitMap）的key，如 20251111；
2. 用户的唯一键当成（UserId）当成offset，如编号 1024 的用户；
3. 如果 1024 的用户在 2022.10.23 有签到，则位图的value为1，否则为0；

只有指定周期内的所有值都是1（签到）的时候，结果才是1，否则是我们整周或者整个月都拿起来【与】运算，得到的结果是不是1就能确是否满勤。

# 与运算：  0&0=0；0&1=0；1&0=0；1&1=1
# 下面为伪代码，类似：
(20221022 1024)  & ( 20221023 1024)  & ...

总结

1个byte等于8个bit，每个bit位只使用0或者1来表示，这样能够有效的降低存储空间，而Redis是存储在高速缓存中的，所以实际上是大大减少了内存占用。

很多场景都可以使用位图计算，比如我们上面说到的 是否登录、是否在线、是否签到、用户性别状态、IP黑名单、是否VIP用户统计 等等场景，但凡涉及到二值状态识别、海量统计的数据都可以考虑使用。