一个简单的字符串，为什么 Redis 要设计的如此特别

Redis 的 9 种数据类型

本文GitHub已收录：https://zhouwenxing.github.io/

Redis 中支持的数据类型到 5.0.5 版本，一共有 9 种。分别是：

  • 1、Binary-safe strings(二进制安全字符串)
  • 2、Lists(列表)
  • 3、Sets(集合)
  • 4、Sorted sets(有序集合)
  • 5、Hashes(哈希)
  • 6、Bit arrays (or simply bitmaps)(位图)
  • 7、HyperLogLogs
  • 8、 geospatial
  • 9、Streams

虽然这里列出了 9 种，但是基础类型就是前面 5 种。后面的 4 种是基于前面 5 种基本类型及特定的算法来实现的特殊类型。

而在 5 种基础类型之中，又尤其以字符串类型最为常用，且 key 值只能为字符串对象，所以要想深入的了解 Redis 的特性，字符串对象是首先需要学习的。

五种基本数据类型之字符串对象

Redis 当中有五种基础数据类型，而字符串对象又是最重要最常用的一种类型。

二进制安全字符串

Redis 是基于 C 语言进行开发的，而 C 语言中的字符串是二进制不安全的，所以 Redis 就没有直接使用 C 语言的字符串，而是自己编写了一个新的数据结构来表示字符串，这种数据结构称之为：简单动态字符串（Simple dynamic string），简称 SDS。

什么是二进制安全的字符串

在 C 语言中，字符串采用的是一个 char 数组（柔性数组）来存储字符串，而且字符串必须要以一个空字符串 \0 来结尾。而且字符串并不记录长度，所以如果想要获取一个字符串的长度就必须遍历整个字符串，直到遇到第一个 \0 为止（\0 不会计入字符串长度），故而获取字符串长度的时间复杂度为 O(n)。

正因为 C 语言中是以遇到的第一个空字符 \0 来识别是否到了字符串末尾，因此其只能保存文本数据，不能保存图片，音频，视频和压缩文件等二进制数据，否则可能出现字符串不完整的问题，所以其是二进制不安全的。

Redis 中为了实现二进制安全的字符串，对原有 C 语言中的字符串实现做了改进。如下所示就是一个旧版本的 sds 字符串的结构定义：

struct sdshdr{
  int len;//记录buf数组已使用的长度，即SDS的长度(不包含末尾的'\0')
  int free;//记录buf数组中未使用的长度
  char buf[];//字节数组，用来保存字符串
}

经过改进之后，如果想要获取 sds 的长度不用去遍历 buf 数组了，直接读取 len 属性就可以得到长度，时间复杂度一下就变成了 O(1)，而且因为判断字符串长度不再依赖空字符 \0，所以其能存储图片，音频，视频和压缩文件等二进制数据，不用担心读取到的字符串不完整。

需要注意的是，sds 依然遵循了 C 语言字符串以 \0 结尾的惯例，这么做是为了方便复用 C 语言字符串原生的一些API，换言之就是在 C 语言中会以碰到的第一个 \0 字符当做当前字符串对象的结尾，所以如果一些二进制数据就会可能出现读取字符串不完整的现象，而 sds 会以长度来判断是否到字符串末尾。

在 Redis 3.2 之后的版本，Redis 对 sds 又做了优化，按照存储空间的大小拆分成为了 sdshdr5、sdshdr8、sdshdr16、sdshdr32、sdshdr64，分别用来存储大小为：32 字节（2 的 5 次方）,256 字节（2 的 8 次方），64KB（2 的 16 次方），4GB 大小（2 的 32 次方）以及 2 的 64 次方大小的字符串（因为目前版本 key 和 value 都限制了最大 512MB，所以 sdshdr64 暂时并未使用到）。 sdshdr5 只被应用在了 Redis 中的 key 中，value 中不会被使用到，因为sdshdr5和其他类型也不一样，其并没有存储未使用空间，所以其是比较适用于使用大小固定的场景（比如 key 值）：

任意选择其中一种数据类型，其字段代表含义如下：

struct __attribute__ ((__packed__)) sdshdr8 {
    uint8_t len; //已使用空间大小
    uint8_t alloc; //总共申请的空间大小(包括未使用的)
    unsigned char flags; //用来表示当前sds类型是sdshdr8还是sdshdr16等
    char buf[]; //真实存储字符串的字节数组
};

可以看到相比较于 Redis 3.2 版本之前的 sds 主要是修改了 free 属性然后新增了一个 flags 标记来区分当前的 sds 类型。

sds 空间分配策略

C 语言中因为字符串内部没有记录长度，所以如果扩充字符串的时候非常容易造成缓冲区溢出（buffer overflow）。

请看下面这张图，假设下面这张图就是内存里面的连续空间，可以很明显的看到，此时 wolf 和 Redis 两个字符串之间只有三个空位，那么这时候如果我们要将 wolf 字符串修改为 lonelyWolf，那么就需要 6 个空间，这时候下面这个空间是放不下的，所以必须要重新申请空间，但是假如说程序员忘了申请空间，或者说申请到的空间依然不够，那么就会出现后面的 Redis 字符串中的 Red 被覆盖了：

同样的，假如要缩小字符串的长度，那么也需要重新申请释放内存。否则，字符串一直占据着未使用的空间，会造成内存泄露。

C 语言避免缓存区溢出和内存泄露完全依赖于人为，很难把控，但是使用 sds 就不会出现这两个问题，因为当我们操作 sds时，其内部会自动执行空间分配策略，从而避免了上述两种情况的出现。

空间预分配

空间预分配指的是当我们通过 api 对 sds 进行扩展空间的时候，假如未使用空间不够用，那么程序不仅会为 sds 分配必须要的空间，还会额外分配未使用空间，未使用空间分配大小主要有两种情况：

  • 1、假如扩大长度之后的 len 属性小于等于 1MB （即 1024 * 1024），那么就会同时分配和 len 属性一样大小的未使用空间（此时 buf 数组已使用空间 = 未使用空间）。
  • 2、假如扩大长度之后的 len 属性大于 1MB，那么就会分配 1MB 未使用空间大小。

执行空间预分配策略的好处是提前分配了未使用空间备用后，就不需要每次增大字符串都需要分配空间，减少了内存重分配的次数。

惰性空间释放

惰性空间释放指的是当我们需要通过 api 减小 sds 长度的时候，程序并不会立即释放未使用的空间，而只是更新 free 属性的值，这样空间就可以留给下一次使用。而为了防止出现内存溢出的情况，sds 单独提供给了 api 让我们在有需要的时候去真正的释放内存。

sds 和 C 语言字符串区别

下面表格中列举了 Redis 中的 sds 和 C 语言中实现的字符串的区别：

C 字符串 SDS
只能保存文本类不含空字符串 \0 数据 可以保存文本或者二进制数据，允许包含空字符串 \0
获取字符串长度的复杂度为 O(n) 获取字符串长度的复杂度为 O(1)
操作字符串可能会造成缓冲区溢出 不会出现缓冲区溢出情况
修改字符串长度 N 次，必然需要 N次内存重分配 修改字符串长度 N 次，最多需要 N 次内存重分配
可以使用 C 字符串相关的所有函数 可以使用 C 字符串相关的部分函数

sds 是如何被存储的

在 Redis 中所有的数据类型都是将对应的数据结构再进行了再一次包装，创建了一个字典对象来存储的，sds也不例外。每次创建一个 key-value 键值对，Redis 都会创建两个对象，一个是键对象，一个是值对象。而且需要注意的是在 Redis 中，值对象并不是直接存储，而是被包装成 redisObject 对象，并同时将键对象和值对象通过 dictEntry 对象进行封装，如下就是一个 dictEntry 对象：

typedef struct dictEntry {
    void *key;//指向key，即sds
    union {
        void *val;//指向value
        uint64_t u64;
        int64_t s64;
        double d;
    } v;
    struct dictEntry *next;//指向下一个key-value键值对(哈希值相同的键值对会形成一个链表，从而解决哈希冲突问题)
} dictEntry;

redisObject 对象的定义为：

typedef struct redisObject {
    unsigned type:4;//对象类型（4位=0.5字节）
    unsigned encoding:4;//编码（4位=0.5字节）
    unsigned lru:LRU_BITS;//记录对象最后一次被应用程序访问的时间（24位=3字节）
    int refcount;//引用计数。等于0时表示可以被垃圾回收（32位=4字节）
    void *ptr;//指向底层实际的数据存储结构，如：sds等(8字节)
} robj;

当我们在 Redis 客户端中执行命令 set name lonely_wolf ，就会得到下图所示的一个结构（省略了部分属性）：

看到这个图想必大家会有疑问，这里面的 type 和 encoding 到底是什么呢？其实这两个属性非常关键，Redis 就是通过这两个属性来识别当前的 value 到底属于哪一种基本数据类型，以及当前数据类型的底层采用了何种数据结构进行存储。

type 属性

type 属性表示对象类型，其对应了 Redis 当中的 5 种基本数据类型：

类型属性 描述 type 命令返回值
REDIS_STRING 字符串对象 string
REDIS_LIST 列表对象 list
REDIS_HASH 哈希对象 hash
REDIS_SET 集合对象 set
REDIS_ZSET 有序集合对象 zset

可以看到，这就是对应了我们 5 种常用的基本数据类型。

encoding 属性

Redis 当中每种数据类型都是经过特别设计的，相信大家看完这个系列也会体会到 Redis 设计的精妙之处。字符串在我们眼里是非常简单的一种数据结构了，但是 Redis 却把它优化到了极致，为了节省空间，其通过编码的方式定义了三种不同的存储方式：

编码属性 描述 object encoding命令返回值
OBJ_ENCODING_INT 使用整数的字符串对象 int
OBJ_ENCODING_EMBSTR 使用 embstr 编码实现的字符串对象 embstr
OBJ_ENCODING_RAW 使用 raw 编码实现的字符串对象 raw
  • int 编码
    当我们用字符串对象存储的是整型，且能用 8 个字节的 long 类型进行表示（即 2 的 63 次方减 1），则 Redis 会选择使用 int 编码来存储，此时 redisObject 对象中的 ptr 指针直接替换为 long 类型。我们想想 8 个字节如果用字符串来存储只能存 8 位，也就是千万级别的数字，远远达不到 2 的 63 次方减 1 这个级别，所以如果都是数字，用 long 类型会更节省空间。
  • embstr 编码
    当字符串对象中存储的是字符串，且长度小于 44 （Redis 3.2 版本之前是 39）时，Redis 会选择使用 embstr 编码来存储。
  • raw 编码
    当字符串对象中存储的是字符串，且长度大于 44 时，Redis 会选择使用 raw 编码来存储。

讲了半天理论，接下来让我们一起来验证下这些结论，依次输入 set name lonely_wolf，type name，object encoding name 命令：

可以发现当前的数据类型就是 string，普通字符串因为长度小于 44，所以采用的是 embstr 编码。

再依次输入：set num 1111111111，set address aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa（长度 44），set address aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa（长度 45），分别查看类型和编码：

可以发现，当输入纯数字的时候，采用的是 int 编码，而字符串小于等于 44 则为 embstr，大于 44 则为 raw 编码。

字符串对象中除了上面提到的纯整数和字符串，还可以存储浮点型类型，所以字符串对象可以存储以下三种类型：

  • 字符串
  • 整数
  • 浮点数

而当我们的 value 为整数时，还可以使用原子自增命令来实现 value 的自增，这个命令在实际开发过程中非常实用。

  • incr：自增 1。
  • incrby：自增指定数值。

不过这两个命令只能用在 value 为整数的场景，当 value 不是整数时则会报错。

embstr 编码为什么从 39 位修改为 44 位

embstr 编码中，redisObject 和 sds 是连续的一块内存空间，这块内存空间 Redis 限制为了 64 个字节，而redisObject 固定占了16字节（上面定义中有标注），Redis 3.2 版本之前的 sds 占了 8 个字节，再加上字符串末尾 \0 占用了 1 个字节，所以：64-16-8-1=39 字节。

Redis 3.2 版本之后 sds 做了优化，对于 embstr 编码会采用 sdshdr8 来存储，而 sdshdr8 占用的空间只有 24 位：3 字节（len+alloc+flag）+ \0 字符（1字节），所以最后就剩下了：64-16-3-1=44 字节。

embstr 编码和 raw 编码的区别

embstr 编码是一种优化的存储方式，其在申请空间的时候因为 redisObject 和 sds 两个对象是一个连续空间，所以只需要申请 1 次空间（同样的，释放内存也只需要 1 次），而 raw 编码因为 redisObject 和 sds 两个对象的空间是不连续的，所以使用的时候需要申请 2 次空间（同样的，释放内存也需要 2 次）。但是使用 embstr 编码时，假如需要修改字符串，那么因为 redisObject 和 sds 是在一起的，所以两个对象都需要重新申请空间，为了避免这种情况发生，embstr 编码的字符串是只读的，不允许修改。

上图中的示例我们看到，对一个 embstr 编码的字符串对象进行 append 操作时，长度还没有达到 45，但是编码已经被修改为 raw 了，这就是因为 embstr 编码是只读的，如果需要对其修改，Redis 内部会将其修改为 raw 编码之后再操作。同样的，如果是操作 int 编码的字符串之后，导致 long 类型无法存储时（int 类型不再是整数或者长度超过 2 的 63 次方减 1 时)，也会将 int 编码修改为 raw 编码。

PS：需要注意的是，编码一旦升级（int-->embstr-->raw），即使后期再把字符串修改为符合原编码能存储的格式时，编码也不会回退。

总结

本文主要讲述了 Redis 当中最常用的字符创对象，通过二进制安全字符串的特别逐步分析了 sds 的底层存储即编码格式，并分别介绍了每种编码格式的区别，最后通过示例来演示了编码的转换过程。

posted @ 2021-01-11 12:02  双子孤狼  阅读(2702)  评论(0)  编辑  收藏  举报