1.Bitmaps(位图)

1.1 简介

现代计算机用二进制(位)作为信息的基础单位,1字节等于8位,例如"abc"字符串是由3个字节组成,但再计算机中存储时则是用二进制表示,"abc"分别对应ASCII码97,98,99.对应的二进制则是01100001,01100010和01100011

合理地使用操作位能够有效地提高内存使用率和开发效率。

Redis提供了Bitmaps这个“数据类型”可以实现对位的操作：

• Bitmaps本身不是一种数据类型,实际上它就是字符串(key-value),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和使用字符串的方式不太相同.可以吧Bitmaps想想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叫做偏移量.

1.2 命令

1.setbit

1.格式

setbit设置Bitmaps中某个偏移量的值（0或1）

• offset:偏移量从0开始

2.实例

每个独立用户是否访问过网站存放在Bitmaps中,将访问的用户记做1,没有访问的用户记做0,用偏移量作为用户的id。

设置键的第offset个位的值（从0算起）,假设现在有20个用户,userid=1， 6,11,15,19的用户对网站进行了访问， 那么当前Bitmaps初始化结果如图

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tnCcVVzX-1620625792167)(https://cdn.nlark.com/yuque/0/2021/png/21395003/1620617666778-d989a2b5-6e19-4b4a-bc19-04722baae703.png)]

unique:users:20210101代表2021-01-01这天的独立访问用户的Bitmaps

node-1:6379> setbit users:20210101 1 1
(integer) 0
node-1:6379> setbit users:20210101 6 1
(integer) 0
node-1:6379> setbit users:20210101 11 1
(integer) 0
node-1:6379> setbit users:20210101 15 1
(integer) 0
node-1:6379> setbit users:20210101 19 1
(integer) 0
node-1:6379> getbit users:20210101 1

注意:

很多应用的用户id以一个指定数字（例如10000）开头， 直接将用户id和Bitmaps的偏移量对应势必会造成一定的浪费， 通常的做法是每次做setbit操作时将用户id减去这个指定数字。

在第一次初始化Bitmaps时， 假如偏移量非常大， 那么整个初始化过程执行会比较慢， 可能会造成Redis的阻塞。

2.getbit

1.格式

getbit获取Bitmaps中某个偏移量的值

• 获取键的第offset位的值（从0开始算）

2.实例

获取id=1,6,8的用户是否在2021-01-01这天访问过， 返回0说明没有访问过：

node-1:6379> getbit users:20210101 1
(integer) 1
node-1:6379> getbit users:20210101 6
(integer) 1
node-1:6379> getbit users:20210101 8
(integer) 0

3.bitcount

统计字符串被设置为1的bit数。一般情况下，给定的整个字符串都会被进行计数，通过指定额外的 start 或 end 参数，可以让计数只在特定的位上进行。start 和 end 参数的设置，都可以使用负数值：比如 -1 表示最后一个位，而 -2 表示倒数第二个位，start、end 是指bit组的字节的下标数，二者皆包含。

1.格式

bitcount[start end] 统计字符串从start字节到end字节比特值为1的数量

2.实例

计算2021-01-01这天的独立访问用户数量

node-1:6379> bitcount users:20210101
(integer) 5

start和end代表起始和结束字节数， 下面操作计算用户id在第1个字节到第3个字节之间的独立访问用户数，对应的用户id是11， 15， 19。

bitcount users:20210101 1 3

举例： K1 【01000001 01000000 00000000 00100001】，对应【0，1，2，3】

bitcount K1 1 2 ： 统计下标1、2字节组中bit=1的个数，即01000000 00000000

–》bitcount K1 1 2 　　--》1

bitcount K1 1 3 ： 统计下标1、2字节组中bit=1的个数，即01000000 00000000 00100001

–》bitcount K1 1 3　　--》3

bitcount K1 0 -2 ： 统计下标0到下标倒数第2，字节组中bit=1的个数，即01000001 01000000 00000000

–》bitcount K1 0 -2　　--》3

注意：redis的setbit设置或清除的是bit位置，而bitcount计算的是byte位置。

4.bitop

bitop是一个复合操作,它可以做多个Bitmaps的and（交集）,or（并集）,not（非）,xor（异或）操作并将结果保存在destkey中。

1.格式

bitop and(or/not/xor) [key…]

2.实例

2020-11-04 日访问网站的userid=1,2,5,9。

2020-11-03 日访问网站的userid=0,1,4,9。

计算出两天都访问过网站的用户数量

node-1:6379> setbit unique:users:20201104 1 1
(integer) 0
node-1:6379> setbit unique:users:20201104 2 1
(integer) 0
node-1:6379> setbit unique:users:20201104 5 1
(integer) 0
node-1:6379> setbit unique:users:20201104 9 1
(integer) 0
node-1:6379> setbit unique:users:20201103 0 1
(integer) 0
node-1:6379> setbit unique:users:20201103 1 1
(integer) 0
node-1:6379> setbit unique:users:20201103 4 1
(integer) 0
node-1:6379> setbit unique:users:20201103 9 1
(integer) 0
node-1:6379> bitop and unique:users:and:20201104_03 unique:users:20201103 unique:users:20201104
(integer) 2

计算出任意一天都访问过网站的用户数量（例如月活跃就是类似这种） ， 可以使用or求并集

node-1:6379> bitop or unique:users:or:20201104_03 unique:users:20201103 unique:users:20201104
(integer) 2
node-1:6379> bitcount unique:users:or:20201104_03 
(integer) 6

1.3 Bitmaps****与set对比

假设网站有1亿用户， 每天独立访问的用户有5千万， 如果每天用集合类型和Bitmaps分别存储活跃用户可以得到表

很明显， 这种情况下使用Bitmaps能节省很多的内存空间，尤其是随着时间推移节省的内存还是非常可观的

但Bitmaps并不是万金油， 假如该网站每天的独立访问用户很少，例如只有10万（大量的僵尸用户） ， 那么两者的对比如下表所示， 很显然， 这时候使用Bitmaps就不太合适了，因为基本上大部分位都是0。

1.4 使用场景

1. 用户签到

很多网站都提供了签到功能，并且需要展示最近一个月的签到情况，这种情况可以使用 BitMap 来实现。

根据日期 offset = （今天是一年中的第几天） % （今年的天数），key = 年份：用户id。

如果需要将用户的详细签到信息入库的话，可以考虑使用一个一步线程来完成。

2. 统计活跃用户（用户登陆情况）

使用日期作为 key，然后用户 id 为 offset，如果当日活跃过就设置为1。具体怎么样才算活跃这个标准大家可以自己指定。

假如 20201009 活跃用户情况是： [1，0，1，1，0]

20201010 活跃用户情况是 ：[ 1，1，0，1，0 ]

统计连续两天活跃的用户总数：

bitop and dest1 20201009 20201010 
# dest1 中值为1的offset，就是连续两天活跃用户的ID
bitcount dest1

统计20201009 ~ 20201010 活跃过的用户：

bitop or dest2 20201009 20201010

3. 统计用户是否在线

如果需要提供一个查询当前用户是否在线的接口，也可以考虑使用 BitMap 。即节约空间效率又高，只需要一个 key，然后用户 id 为 offset，如果在线就设置为 1，不在线就设置为 0。

4. 实现布隆过滤器

2.HyperLogLog(统计)

2.1 简介

在工作当中，我们经常会遇到与统计相关的功能需求，比如统计网站PV（PageView页面访问量）,可以使用Redis的incr、incrby轻松实现。

但像UV（UniqueVisitor，独立访客）、独立IP数、搜索记录数等需要去重和计数的问题如何解决？这种求集合中不重复元素个数的问题称为基数问题。

解决基数问题有很多种方案：

（1）数据存储在MySQL表中，使用distinct count计算不重复个数

（2）使用Redis提供的hash、set、bitmaps等数据结构来处理

以上的方案结果精确，但随着数据不断增加，导致占用空间越来越大，对于非常大的数据集是不切实际的。

能否能够降低一定的精度来平衡存储空间？Redis推出了HyperLogLog

Redis HyperLogLog 是用来做基数统计的算法，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。

在 Redis 里面，每个 HyperLogLog 键只需要花费 12 KB 内存，就可以计算接近 2^64 个不同元素的基数。这和计算基数时，元素越多耗费内存就越多的集合形成鲜明对比。

但是，因为 HyperLogLog 只会根据输入元素来计算基数，而不会储存输入元素本身，所以 HyperLogLog 不能像集合那样，返回输入的各个元素。

什么是基数?

比如数据集 {1, 3, 5, 7, 5, 7, 8}， 那么这个数据集的基数集为 {1, 3, 5 ,7, 8}, 基数(不重复元素)为5。 基数估计就是在误差可接受的范围内，快速计算基数。

2.2 命令

1.pfadd

pfadd < element> [element …] 添加指定元素到 HyperLogLog 中

将所有元素添加到指定HyperLogLog数据结构中。如果执行命令后HLL估计的近似基数发生变化，则返回1，否则返回0

node-1:6379> pfadd program "java"
(integer) 1
node-1:6379> pfadd program "PHP"
(integer) 1
node-1:6379> pfadd program "java"
(integer) 0
node-1:6379> pfadd program "c++" "mysql"
(integer) 1

2.pfcount

pfcount [key …] 计算HLL的近似基数，可以计算多个HLL，比如用HLL存储每天的UV，计算一周的UV可以使用7天的UV合并计算即可

node-1:6379> pfcount program
(integer) 4

3.pfmerge

pfmerge [sourcekey …] 将一个或多个HLL合并后的结果存储在另一个HLL中，比如每月活跃用户可以使用每天的活跃用户来合并计算可得

node-1:6379> pfadd k1 "a"
(integer) 1
node-1:6379> pfadd k1 "b"
(integer) 1
node-1:6379> pfcount k1
(integer) 2
node-1:6379> pfmerge k100 k1 program
OK
node-1:6379> pfcount k100
(integer) 6

2.3 使用场景

一般使用：

• 统计注册 IP 数
• 统计每日访问 IP 数
• 统计页面实时 UV 数
• 统计在线用户数
• 统计用户每天搜索不同词条的个数

3.Geospatial(地理)

3.1 简介

Redis 3.2 中增加了对GEO类型的支持。GEO，Geographic，地理信息的缩写。该类型，就是元素的2维坐标，在地图上就是经纬度。redis基于该类型，提供了经纬度设置，查询，范围查询，距离查询，经纬度Hash等常见操作。

3.2 命令

1.geoadd

geoadd< longitude> [longitude latitude member…] 添加地理位置（经度，纬度，名称）

node-1:6379> geoadd china:city 121.47 31.23 shanghai
(integer) 1
node-1:6379> geoadd china:city 106.50 29.53 chongqing 114.05 22.52 shenzhen 116.38 39.90 beijing
(integer) 3

两极无法直接添加，一般会下载城市数据，直接通过 Java 程序一次性导入。

有效的经度从 -180 度到 180 度。有效的纬度从 -85.05112878 度到 85.05112878 度。

当坐标位置超出指定范围时，该命令将会返回一个错误。

已经添加的数据，是无法再次往里面添加的

2.geopos

geopos [member…] 获得指定地区的坐标值

node-1:6379> geopos china:city shanghai
1) 1) "121.47000163793563843"
   2) "31.22999903975783553"
node-1:6379> geopos china:city chongqing
1) 1) "106.49999767541885376"
   2) "29.52999957900659211"
node-1:6379> geopos china:city shenzhen beijing
1) 1) "114.04999762773513794"
   2) "22.5200000879503861"
2) 1) "116.38000041246414185"
   2) "39.90000009167092543"

3.geodist

geodist [m|km|ft|mi ] 获取两个位置之间的直线距离

node-1:6379> geodist china:city chongqing beijing km
"1462.9505"

单位：

m 表示单位为米[默认值]。

km 表示单位为千米。

mi 表示单位为英里。

ft 表示单位为英尺。

如果用户没有显式地指定单位参数， 那么 GEODIST 默认使用米作为单位

4.georadius

georadius< longitude>radius m|km|ft|mi 以给定的经纬度为中心，找出某一半径内的元素

node-1:6379> georadius china:city 100 30 1000 km
1) "chongqing"
node-1:6379> georadius china:city 110 30 1000 km
1) "chongqing"
2) "shenzhen"

3.3 使用场景

微信位置共享，附近的人等地图功能。