redis底层数据结构实现原理 1-4

目录

• redis底层数据结构实现原理
  • 1.hash
  • 2.zset集合的跳表
  • 3.lru实现原理
  • 4.list列表

redis底层数据结构实现原理

1.hash

底层数据结构：数组+单链表

数组：称为buckets，数组的每一个索引都是一个指针，指向单链表。数组大小就是hash表的容量
单链表：hash冲突，单链表就会变长。
单链表存储：key+value+next
key:hash的健
value:值
next:下一个节点指针

hash函数：根据key计算出hash值，hash值就是数组的索引

插入过程：
1.根据key使用hash函数计算hash值
2.hash值就是数据的索引
3.根据索引找到数组的指针，指针指向的是链表的头节点
4.链表中写入key,value,next。如果链表中有值(证明hash冲突),则写入链表的下一个节点

查找过程：
1.1.根据key使用hash函数计算hash值
2.hash值就是数据的索引
3.根据索引找到数组的指针，指针指向的是链表的头节点
4.从链表的头节点开始遍历，比较key是否相等。相等就返回value，不相等就链表的next比较

2.zset集合的跳表

zset原理：有序集合，上层单链表，底层双链表。
跳表查询：跳表可以当做优先队列

基础层：最下层双链表存储数据
上层链表：上层索引链表，平衡二叉搜索树，与mysql索引树类似，插入新元素时需要重新梳理索引树

重新梳理上层链表：新的元素会增加，有些元素会删除(只是标记，惰性更新)

惰性更新
Redis 不会在每次插入或删除时就立即更新上层链表。
而是采取一种"等待时机"的策略,只有在查询时才会触发上层链表的更新。
这样可以把多次小的更新合并成一次较大的更新,提高效率。

跳表查询,skiplist

在这样一个链表中，如果我们要查找某个数据，那么需要从头开始逐个进行比较，直到找到包含数据的那个节点，或者找到第一个比给定数据大的节点为止（没找到）。也就是说，时间复杂度为O(n)。同样，当我们要插入新数据的时候，也要经历同样的查找过程，从而确定插入位置。

假如我们每相邻两个节点增加一个指针，让指针指向下下个节点，如下图：

这样所有新增加的指针连成了一个新的链表,但它包含的节点个数只有原来的一半,(上图中是7, 19, 26）,现在当我们想查找数据的时候，可以先沿着这个新链表进行查找。当碰到比待查数据大的节点时，再回到原来的链表中进行查找。比如，我们想查找23，查找的路径是沿着下图中标红的指针所指向的方向进行的：见下图

查找23:

23首先和7比较，再和19比较，比它们都大，继续向后比较。
但23和26比较的时候，比26要小，因此回到下面的链表（原链表），与22比较。
23比22要大，沿下面的指针继续向后和26比较。23比26小，说明待查数据23在原链表中不存在，而且它的插入位置应该在22和26之间。

在这个查找过程中，由于新增加的指针，我们不再需要与链表中每个节点逐个进行比较了。需要比较的节点数大概只有原来的一半。

利用同样的方式，我们可以在上层新产生的链表上，继续为每相邻的两个节点增加一个指针，从而产生第三层链表。如下图：

在这个新的三层链表结构上，如果我们还是查找23，那么沿着最上层链表首先要比较的是19，发现23比19大，接下来我们就知道只需要到19的后面去继续查找，从而一下子跳过了19前面的所有节点。可以想象，当链表足够长的时候，这种多层链表的查找方式能让我们跳过很多下层节点，大大加快查找的速度。

3.lru实现原理

lru:最早未使用的淘汰
底层数据结构：双向链表+hash
双向链表：链表的头部存放最近访问的元素,尾部存放最久未访问的元素。每个节点：prev、value 和 next。
hash:存数据储健值对，字典的键是 key,值是链表中对应节点的地址


lru淘汰过程：
1.当有新的元素需要加入时,会先查询字典,看该 key 是否已经存在。
2.如果存在,则将对应节点从链表中删除,然后插入到链表头部。
3.如果不存在,则创建一个新节点插入到链表头部,同时在字典中添加映射关系。
4.如果内存使用超出上限,则删除链表尾部(最久未访问)的节点,并在字典中删除对应的键值对

4.list列表

底层数据结构：双链表，每个节点prev、value 和 next
Redis 在链表的头部和尾部分别维护了两个指针,用于快速访问链表的首尾元素。