12 Redis 常用的集合统计模式

• 前言
• 一、聚合统计
• 排序统计
• 三、值状态统计
• 四、基数统计
• 总结

前言

需要保存这样一种信息：一个 key 对应了一 个数据集合。例如：

1. 手机 App 中的每天的用户登录信息：一天对应一系列用户 ID 或移动设备 ID；
2. 电商网站上商品的用户评论列表：一个商品对应了一系列的评论；
3. 用户在手机 App 上的签到打卡信息：一天对应一系列用户的签到记录；
4. 应用网站上的网页访问信息：一个网页对应一系列的访问点击。

Redis 集合类型的特点就是一个键对应一系列的数据，非常适合用来存取这些数据。除了记录信息，还需要对集合中的数据进行统计，例如：

1. 在移动应用中，需要统计每天的新增用户数和第二天的留存用户数；
2. 在电商网站的商品评论中，需要统计评论列表中的最新评论；
3. 在签到打卡中，需要统计一个月内连续打卡的用户数；
4. 在网页访问记录中，需要统计独立访客（Unique Visitor，UV）量。

面临的用户数量以及访问量都是巨大的，比如百万、千万级别的用户数量，或者千万级别、甚至亿级别的访问信息。所以必须要选择能够非常高效地统计大量数据（例如亿级）的集合类型。

一、聚合统计

聚合统计指统计多个集合元素的聚合结果，包括：交集统计；差集统计；并集统计。

统计手机 App 每天的新增用户数和第二天的留存用户数，可以用一个集合记录所有登录过 App 的用户 ID，用另一个集合记录每一天登录过 App 的用户 ID。再对这两个集合做聚合统计。

记录所有登录过 App 的用户 ID，使用 Set 类型，把 key 设置为 user:id，表示记录的是用户 ID，value 是一个 Set 集合，里面是所有登录过 App 的用户 ID，这个 Set 叫作累计用户 Set，如下图：

累计用户 Set 中没有日期信息，是不能直接统计每天的新增用户的。 还需要把每一天登录的用户 ID，记录到一个新集合中，叫作每日用户 Set，它有两个特点：

1. key 是 user:id 以及当天日期，例如 user : id : 20200803；
2. key 是 user:id 以及当天日期，例如 user : id : 20200803；

在统计每天的新增用户时，只用计算每日用户 Set 和累计用户 Set 的差集就行。

假设手机 App 在 2020 年 8 月 3 日上线，8 月 3 日前是没有用户的。累计用户 Set 是空集，当天登录的用户 ID 会被记录到 key 为 user : id : 20200803 的 Set 中。所以，user : id : 20200803 这个 Set 中的用户就是当天的新增用户。

计算累计用户 Set 和 user : id : 20200803 Set 的并集结果，结果保存在 user:id 这个累计用户 Set 中，如下所示：

SUNIONSTORE user:id user:id user:id:20200803 

user:id 这个累计用户 Set 中就有了 8 月 3 日的用户 ID。等到 8 月 4 日再统计时， 我们把 8 月 4 日登录的用户 ID 记录到 user : id : 20200804 的 Set 中。执行SDIFFSTORE 命令计算累计用户 Set 和 user : id : 20200804 Set 的差集，结果保存在 key 为 user:new 的 Set（新增用户Set集合） 中，如下所示：

SDIFFSTORE user:new user:id:20200804 user:id 

差集中的用户 ID 在 user : id : 20200804 的 Set 中存在，但是不在累计用户 Set 中。所以user:new 这个 Set 中记录的就是 8 月 4 日的新增用户。

计算 8 月 4 日的留存用户时，需要再计算 user : id : 20200803 和 user : id : 20200804 两个 Set 的交集，可以得到同时在这两个集合中的用户 ID 了，在 8 月 3 日登录也在 8 月 4 日留存的用户。执行的命令如下：

SINTERSTORE user:id:rem user:id:20200803 user:id:20200804 

当你需要对多个集合进行聚合计算时，Set 类型会是一个非常不错的选择。不过，我要提醒 你一下，这里有一个潜在的风险。

Set 的差集、并集和交集的计算复杂度较高，在数据量较大的情况下，如果直接执行这些计 算，会导致 Redis 实例阻塞。所以，我给你分享一个小建议：你可以从主从集群中选择一 个从库，让它专门负责聚合计算，或者是把数据读取到客户端，在客户端来完成聚合统 计，这样就可以规避阻塞主库实例和其他从库实例的风险了。

排序统计

最新评论列表包含了所有评论中的最新留言，要求集合类型能对元素保序，集合中的元素可以按序排列，对元素保序的集合类型叫作有序集合。

在 Redis 常用的 4 个集合类型中（List、Hash、Set、Sorted Set），List 和 Sorted Set 就属于有序集合。

List 是按照元素进入 List 的顺序进行排序的，Sorted Set 可以根据元素的权重来排序，可以自己来决定每个元素的权重值。比如说可以根据元素插入 Sorted Set 的时间确定权重值，先插入的元素权重小，后插入的元素权重大。

每个商品对应一个 List，包含了对这个商品的所有评论，而且会按照评论时间保存这些评论，每来一个新评论，用 LPUSH 命令把它插入 List 的队头。

在只有一页评论的时候，可以看到最新的评论，但是在实际应用中，网站一般会分页显示最新的评论列表，一旦涉及到分页操作，List 就可能会出现问题了。

假设当前的评论 List 是{A, B, C, D, E, F}（其中，A 是最新的评论，以此类推，F 是最早的评论），在展示第一页的 3 个评论时，我们可以用下面的命令，得到最新的三条评论 A、 B、C：

LRANGE product1 0 2 
1) "A" 
2) "B" 
3) "C" 

然后，再用下面的命令获取第二页的 3 个评论，也就是 D、E、F。

LRANGE product1 3 5 
1) "D" 
2) "E" 
3) "F" 

但是，如果在展示第二页前，又产生了一个新评论 G，评论 G 就会被 LPUSH 命令插入到 评论 List 的队头，评论 List 就变成了{G, A, B, C, D, E, F}。再用刚才的命令获取第二页评论时，评论 C 又被展示出来了，也就是 C、D、E。

LRANGE product1 3 5 
1) "C" 
2) "D" 
3) "E" 

C 又被展示出来的原因：List 是通过元素在 List 中的位置来排序的，当有一个新元素插入时，原先的元素在 List 中的位置都后移了一位，比如说原来在第 1 位的元素现在排在了第 2 位。对比新元素插入前后，List 相同位置上的元素就会发生变化，用 LRANGE 读取时，就会读到旧元素。

Sorted Set 就不存在这个问题，因为它是根据元素的实际权重来排序和获取数据的。

可以按评论时间的先后给每条评论设置一个权重值，然后再把评论保存到 Sorted Set 中。Sorted Set 的 ZRANGEBYSCORE 命令就可以按权重排序后返回元素。即使集合中的元素频繁更新，Sorted Set 也能通过 ZRANGEBYSCORE 命令准确地获取到按序排列的数据。

假设越新的评论权重越大，目前最新评论的权重是 N，执行下面的命令时，就可以获得最新的 10 条评论：

ZRANGEBYSCORE comments N-9 N

面对需要展示最新列表、排行榜等场景时，数据更新频繁或者需要分页显示，优先考虑使用 Sorted Set。

三、值状态统计

二值状态统计，二值状态就是指集合元素的取值就只有 0 和 1 两种。在签到打卡的场景中，只用记录签到（1）或未签到（0）是非常典型的二值状态，在签到统计时，每个用户一天的签到用 1 个 bit 位就能表示，一个月（假设是 31 天）的签到情况用 31 个 bit 位就可以，而一年的签到也只需要用 365 个 bit 位，根本不用太复杂的集合类型。可以选择 Bitmap。这是 Redis 提供的扩展数据类型。

Bitmap 的实现原理：

Bitmap 本身是用 String 类型作为底层数据结构实现的一种统计二值状态的数据类型。 String 类型是会保存为二进制的字节数组，所以Redis 就把字节数组的每个 bit 位利用起来，用来表示一个元素的二值状态。把 Bitmap 看作是一个 bit 数组。

Bitmap 提供了 GETBIT/SETBIT 操作，使用一个偏移值 offset 对 bit 数组的某一个 bit 位进行读和写。Bitmap 的偏移量是从 0 开始算的，也就是说 offset 的最小值是 0。当使用 SETBIT 对一个 bit 位进行写操作时，这个 bit 位会被设置为 1。 Bitmap 还提供了 BITCOUNT 操作，用来统计这个 bit 数组中所有“1”的个数。

假设要统计 ID 3000 的用户在 2020 年 8 月份的签到情况，操作步骤：

1. 执行下面的命令，记录该用户 8 月 3 号已签到。

SETBIT uid:sign:3000:202008 2 1

2. 检查该用户 8 月 3 日是否签到。

GETBIT uid:sign:3000:202008 2

3. 统计该用户在 8 月份的签到次数。

BITCOUNT uid:sign:3000:202008

可以得到该用户在 8 月份的签到情况了。

记录了 1 亿个用户 10 天的签到情况，统计出这 10 天连续签到的用户总数：

Bitmap 支持用 BITOP 命令对多个 Bitmap 按位 做“与”“或”“异或”的操作，操作的结果会保存到一个新的 Bitmap 中。

以按位“与”操作为例来具体解释一下。下图中，三个 Bitmap bm1、 bm2 和 bm3，对应 bit 位做“与”操作，结果保存到了一个新的 Bitmap 中（示例中，这 个结果 Bitmap 的 key 被设为“resmap”）。

统计 1 亿个用户连续 10 天的签到情况，可以把每天的日期作为 key，每个 key 对应一个 1 亿位的 Bitmap，每一个 bit 对应一个用户当天的签到情况。

对 10 个 Bitmap 做“与”操作，得到的结果也是一个 Bitmap。只有 10 天都签到的用户对应的 bit 位上的值才会是 1。可以用 BITCOUNT 统计下 Bitmap 中的 1 的个数，这就是连续签到 10 天的用户总数了。

可以计算一下记录了 10 天签到情况后的内存开销：

每天使用 1 个 1 亿位的 Bitmap，大约占 12MB 的内存（10^8/8/1024/1024），10 天的 Bitmap 的内存开销约为 120MB，内存压力不算太大。在实际应用时，最好对 Bitmap 设置过期时间，让 Redis 自动删除不再需要的签到记录，以节省内存开销。

需要统计数据的二值状态，例如商品有没有、用户在不在等，就可以使用 Bitmap，因为它只用一个 bit 位就能表示 0 或 1。在记录海量数据时，Bitmap 能够有效地节省内存空间。

四、基数统计

基数统计指统计一个集合中不重复的元素个数（统计网页的 UV）。

网页 UV 的统计有个独特的地方，就是需要去重，一个用户一天内的多次访问只能算作一次。在 Redis 的集合类型中，看到有去重需求时，优先想到用 Set 类型。

有一个用户 user1 访问 page1 时，把这个信息加到 Set 中：

SADD page1:uv user1

用户 1 再来访问时，Set 的去重功能就保证了不会重复记录用户 1 的访问次数，用户 1 就算是一个独立访客。需要统计 UV 时，可以直接用 SCARD 命令，这个命令会返回一个集合中的元素个数。

如果 page1 非常火爆，UV 达到了千万，一个 Set 就要记录千万个用户 ID。对于一个搞大促的电商网站而言，这样的页面可能有成千上万个，如果每个页面都用这样的一个 Set，就会消耗很大的内存空间。

用 Hash 类型记录 UV：

例如，把用户 ID 作为 Hash 集合的 key，当用户访问页面时，用 HSET 命令，对这个用户 ID 记录一个值“1”，表示一个独立访客，用户 1 访问 page1 后，记录为 1 个独立访客，如下所示：

HSET page1:uv user1 1

即使用户 1 多次访问页面，重复执行这个 HSET 命令，也只会把 user1 的值设置为 1，仍然只记为 1 个独立访客。当要统计 UV 时，我们可以用 HLEN 命令统计 Hash 集合中的所有元素个数。

和 Set 类型相似，当页面很多时，Hash 类型也会消耗很大的内存空间。

Redis 提供的 HyperLogLog 了：

HyperLogLog 是一种用于统计基数的数据集合类型，它的最大优势就在于，当集合元素数量非常多时，它计算基数所需的空间总是固定的，而且还很小。

Redis 中每个 HyperLogLog 只需要花费 12 KB 内存，就可以计算接近 2^64 个元素的基数。和元素越多就越耗费内存的 Set 和 Hash 类型相比，HyperLogLog 就非常节省空间。

统计 UV 时，用 PFADD 命令把访问页面的每个用户都添加到 HyperLogLog 中。

PFADD page1:uv user1 user2 user3 user4 user5

用 PFCOUNT 命令直接获得 page1 的 UV 值了，返回 HyperLogLog 的统计结果。

PFCOUNT page1:uv

HyperLogLog 的统计规则是基于概率完成的，给出的统计结果是有一定误差的，标准误算率是 0.81%。使用HyperLogLog 统计的 UV 是 100 万，但实际的 UV 可能是 101 万。虽然误差率不算大， 但是如果需要精确统计结果的话，最好还是继续用 Set 或 Hash 类型。

总结

这节课，我们结合统计新增用户数和留存用户数、最新评论列表、用户签到数以及网页独 立访客量这 4 种典型场景，学习了集合类型的 4 种统计模式，分别是聚合统计、排序统 计、二值状态统计和基数统计。为了方便你掌握，我把 Set、Sorted Set、Hash、List、 Bitmap、HyperLogLog 的支持情况和优缺点汇总在了下面的表格里，希望你把这张表格 保存下来，时不时地复习一下。

Set 和 Sorted Set 都支持多种聚合统计，但是只有 Set 支持差集计算来说。

Bitmap 也能做多个 Bitmap 间的聚合计算，包括与、或和异或操作。

当需要进行排序统计时，List 中的元素虽然有序，但是一旦有新元素插入，原来的元素在 List 中的位置就会移动，按位置读取的排序结果可能就不准确了。而 Sorted Set 本身是按照集合元素的权重排序，可以准确地按序获取结果，所以优先使用它。

记录的数据只有 0 和 1 两个值的状态，Bitmap 会是一个很好的选择，因为 Bitmap 对于一个数据只用 1 个 bit 记录，可以节省内存。

基数统计，如果集合元素量达到亿级别而且不需要精确统计时，使用 HyperLogLog。