Redis_九大数据类型

1.String 2.Hash 3.Set 4.Zset 5.BitMaps 6.Hyperlogloss 7.Streams 8.Bloom FIlter数据类型 

 

1.String-键值对类型

• Redis存储的时候主动加序列化
• 使用场景：1.Session ,自增和自减　　
• string底层数据结构：在功能中，除了上面场景,否则别使用string 因为string会浪费大量内存空间,（只针对数值类型，int不包括,只有整型才是int类型）
• 为什么会浪费内存空间：
• RAW编码：编码表示用什么方式去开辟内存,而String的Raw编码 当你存>44个字节的时候 可能给你开辟100个字节的空间 所以会浪费大量数据空间 
• embstr编码：如果操作Redis的时候,内容长度小于<=44字节(其他20给字节存放其他标识)。会自动选择embstr编码开辟空间,如果大于44字节 会使用RAW编码浪费空间
• 验证：

                

2.Hash 

• 官网推荐使用的数据类型,1个大key，然后就是key value                 下面是redis里面hash类型的，数据结构
• 
• 使用场景：用户信息（有name,address,iphone等）
• Hash类型底层两种数据结构：
• zipList：(正常的List,每个元素的内存空间一样,假如每个内存空间都是100字节,第1个元素10字节,第二个100字节,第三个20字节,浪费大量空间),而zipList是自动适应内存空间的, 第1个元素10字节,那么存储的内存空间就是10字节,都是在内存空间开辟一连串的空间,只不过zip会自动适应内存空间,但也有问题：每次要插入值的时候,要开辟新的大空间把原先的迁移过来,把新值插入进去,所以每次新值内容,就要开辟一次新的空间,并且没有下标,因为不知道每个值的长度,普通的List有下标。查询的时候,要重头来计算前面的空间大小,所以查询速度变慢了。
• 所以就存在两个问题:1.每次插入都需要开辟新的空间,2.每次查询的时候都需要重头计算,所以查询速度变慢了

• 什么时候会使用HashTable: zip里面对象键值数量大于521个,或者里面任意1个键值长度大于64个字节会转成字典,而字典的结构是两个HashTable

   

• 

   

   

• hash Redis会在全局存两个哈希表：时间复杂度O(1),数组+链表形式，快速查询结果而且节省空间, 
• 问题：因为Redis是通过哈希函数计算Key，Value的指针放入哈希桶的,而哈希桶的数量有限,当Key数量过多就会存在哈希冲突,多个Key存在同一个桶中就形成了链表,而每个链表指向下一个元素,如果链表过长,这样查询的速度就变得慢了起来,
• 那么Redis怎么解决：建立两个哈希表,并且进行reHash(当表1的元素个数等于数组长度的时候,就往表2存数据,表2扩容成表1的两倍)， 但是Redis是单线程的不可能直接全量搬迁,于是每次客户端访问Redis的hash的都会搬迁一点到新的哈希表-渐进式reHash, 再搬迁过程中,查询优先找表1然后是表2 ，删除只能对表1操作,插入只能对表2操作。最后表1快搬迁完了元素个数小于数组长度的10%就进行缩容,如此反复。

3.List

• 队列先进后出,栈先进先出集合
• 使用场景：排队,插队, 分页，消息队列,错误日志。设置过期时间只能给整个集合设置过期时间
• .net里面的泛型List代表的是一种数据结构：安全类型的动态数组。而Redis里面的List是一种数据类型,这个数据类型的底层结构,老版本是双向链表,新版本是QuiltiList(链表+ZipList)

4.Set 

• 也是1个集合，不过是1个去重的集合,相同的元素只会存在1个
• 使用场景:投票,取交集,并集,好友推荐等

5.Zset 

• 也是去重集合具有Set的功能，多了1个自动排序，默认是顺序查询,相当于权重
• 使用场景：服务注册发现,抽奖，限流,排行榜。所以业务尽量使用整型来查询
• 数据结构底层：跳跃表,利用跳跃表解决排序问题,把内容存放在Hash里面,,把数据存放在跳跃表里面,跳跃表顺序存放的，然后排序就根据存放的哈希里面的值来排序。查找顺序是,根据数据查找跳跃表,跳跃表里面的指针,指向hash。跳跃存放数据的时候就排序好了,所以是损失写的性能,提升查询的性能　　
• 查找的顺序是,从最顶层往下找，插入数据的时候通过随机数，是否决定上升,redis跳跃表最多32给级别

 

 

限制流量的Lua脚本

 

 

 

 

 

 

 

 

6.BitMaps 

• 是1个节省内存的数据结构 只存0和1,

• 1.特征： 一串连续的二进制数字,底层时机是基于string,按bit位进行指令操作

   2.场景：大数据下的用户登录

  需求用户：十几个亿统计365天窗口的用户登录情况redis setbit 设置bit位移 1年365天都登录 最大存储量1个用户也就是46个字节

  为什么要做大数据用户统计,因为要做决策,而决策影响营销和成本

   

7.Hyperlogloss 

• 1.特征:海量数据统计 统计过程中不记录独立元素

  2.使用场景：统计每日、每月的 UV 即独立访客数，或者统计海量用户搜索的独立词条数

•  NewLife.Redis有封装相关接口 ：下载地址 新生命团队 (newlifex.com)

8.Streams 

• 发布订阅,kafak的生产和消费就是仿照这个做的
• 提示：Redis 的内存分配是使用 jemalloc 进行分配。jemalloc 将内存空间划分为小、大、巨大三个范围，并在范围中划分了小的内存块，当存储数据时，选择大小最合适的内存块进行分配，有利于减小内存碎片。

9.Bloom FIlter-布隆过滤器

 　1.布隆过滤器厉害在于用更少的内存,存入更多的数据,并且查询效率高,但是判断数据会有误判情况

　 2.相当于redis的插件,  hash+字节占位

　 3.bit数组越长,hash方法越多,占用内存越多,误判越少 .bit数组越短,hash方法越少,占用内存越少,误判越多