关于java:史上最全Redis数据结构详解

记得点赞 + 关注呦。
更多更好的文章，请关注公众号【蘑菇睡不着】，外面有知识点干货以及刷题相干的分享。

在 Redis 最重要最根底就属它丰盛的数据结构了，Redis 之所以能怀才不遇很大起因是他数据结构丰盛，能够反对多种场景。并且 Redis 的数据结构实现以及利用场景在面试中是相当常见的，接下来就和大家聊聊 Redis 的数据结构。

Redis 数据结构有：string、list、hash、set、sorted set 这五个是大家都晓得的，但 Redis 还有更高级得数据结构，比方：HyperLogLog、Geo、BloomFilter 这几个数据结构，接下来聊聊 Redis 得这些数据结构吧。

基本概念 ：String 是 Redis 最简略最罕用的数据结构，也是 Memcached 惟一的数据结构。在平时的开发中，String 能够说是应用最频繁的了。
底层实现：

如果一个字符串对象保留的是整数值，并且这个整数值能够用 long 类型来示意，那么字符串对象会将整数值保留在字符串对象构造的 ptr 属性外面（将 void* 转换成 long），并将字符串对象的编码设置为 int。
如果字符串对象保留的是一个字符串值，并且这个字符串值的长度大于 39 字节，那么字符串对象将应用一个简略动静字符串（SDS）来保留这个字符串值，并将对象的编码设置为 raw。
如果字符串对象保留的是一个字符串值，并且这个字符串值的长度小于等于 39 字节，那么字符串对象将应用 embstr 编码的形式来保留这个字符串值。

应用:

> redis_cli            # 启动 redis-cli 客户端
> set hello world      # 将键 hello 的值设置为 world   
OK                     # set 命令胜利后 会返回 OK
> get hello            # 通过 get 命令获取 键为 hello 的值
"world"                # 取得到的值
> del hello            # 删除键为 hello 的值
(integer) 1            # 返回的是删除的数量
> mset a 10 b 20 c 30  # 批量的设置值
OK
> mget a b c           # 批量的返回值
1)"10"
2)"20"
3)"30"
> exists hello         # 是否存在该键
(integer) 1            # 1 示意存在，0 示意不存在
> expire hello 10      # 给 hello 设置过期工夫，单位，秒
(integer) 1            # 返回 1 代表胜利，0 代表 key 不存在或无奈设置过期工夫
> pexpire hello 10     # 给 hello 设置过期工夫，单位，毫秒
(integer) 1            # 返回 1 代表胜利，0 代表 key 不存在或无奈设置过期工夫

接下来会重点讲一下 set key value [EX seconds] [PX milliseconds] [NX|XX] 这个一系列命令，这块还是挺重要的，也很容易混同。
reids 每次对以前的值笼罩时，会清空 TLL 值。（TTL 是过期工夫）

EX second：设置键的过期工夫为 second 秒。SET key value EX second 成果等同于 SETEX key second value。
PX millisecond：设置键的过期工夫为 millisecond 毫秒。SET key value PX millisecond 成果等同于 PSETEX key millisecond value。
NX：只在键不存在时，才对键进行设置操作。SET key value NX 成果等同于 SETNX key value。
XX：只在键曾经存在时，才对键进行设置操作。

# 应用 EX 选项
> set key1 hello EX 1000   # 设置 过期工夫 1000s
OK
> ttl hello                # 获取 hello 的过期工夫
(integer) 1000
# 应用 PX 选项
> set key1 hello PX 1000   # 设置 过期工夫 1000ms
OK
> ttl hello                # 获取 hello 的过期工夫
(integer) 1000
# 应用 NX 选项
> set hello world NX
OK                         # 键不存在，设置胜利
> get hello
"value"
> set hello world NX
(nil)                      # 键曾经存在，设置失败
> get hello
"world"                    # 维持原值不变
# 应用 XX 选项
> exists hello             # 先确定 hello 不存在
(integer) 0
> set hello world XX
(nil)                      # 因为键不存在，设置失败
> set hello wolrd          # 先给 hello 设置一个值
OK
> set hello newWolrd XX
OK                         # 这回设置胜利了
> get hello
"newWorld"
# NX 或 XX 能够和 EX 或者 PX 组合应用
> set hello world EX 1000 NX
OK
> get hello
"world"
> ttl hello
(integer)1000
> set hello wolrd PX 30000 NX
OK
> pttl hello
(integer)30000          # 实际操作中 这个值必定小于 30000，这次是为了成果才这么写的
# EX 和 PX 能够同时呈现，但前面给出的选项会笼罩后面给出的选项
> set hello wolrd EX 1000 PX 30000
OK
> ttl hello
(integer)30            # 这个是 PX 设置的参数，> pttl hello
(integer)30000
> set number 1
OK
> incr number          # 对 number 做自增操作
(integer) 2

在开发过程中，用 redis 来实现锁是很罕用的操作。联合 NX 以及 EX 来实现。

> set hello world NX EX 10     # 胜利加锁，过期工夫是 10s
OK
> set hello wolrd NX EX 10     # 在 10s 内执行这个命令返回谬误，因为上一次的锁还没有开释
(nil)
> del hello                    # 开释了锁
OK
> set hello world NX EX 10     # 胜利加锁，过期工夫是 10s
OK
> setnx hello world            # 也能够这么写
> setex hello 10 wolrd

锁能够通过设置过期工夫以及手动 del 删除来开释锁。
string 的命令比拟罕用就多介绍了点，上面的命令我就挑重点介绍了。

利用场景：

缓存性能：string 最罕用的就是缓存性能，会将一些更新不频繁然而查问频繁的数据缓存起来，以此来加重 DB 的压力。
计数器：能够用来计数，通过 incr 操作，如统计网站的访问量、文章访问量等。
–

基本概念: list 是有序可反复列表，和 Java 的 List 蛮像的，查问速度快，能够通过索引查问；插入删除速度慢。

底层实现：

列表对象的编码能够是 ziplist 或者 linkedlist。
列表对象保留的所有字符串元素的长度都小于 64 字节并且保留的元素数量小于 512 个，应用 ziplist 编码；否则应用 linkedlist；

应用：

> lpush mylist a     # 从右边插入数据
(ineteger)1
> lpush mylist b
(integer)1
> rpush mylist c     # 从左边插入数据
(integer)1
> lrange mylist 0 -1 # 检索数据，lrange 须要两个索引，左闭右闭；0 就是从第 0 个，-1 是倒数第一个，-2 倒数第二个... 以此类推
1)"b"
2)"a"
3)"c"
> lrange mylist 0 -2 # 0 到 倒数第 2 个 
1)"b"
2)"a"
> lpush mylist a b c # 批量插入
(integer)3
> lpop mylist        # 从左侧弹出元素
"b"
> rpop mylist        # 从右侧弹出元素
"c"
> rpop mylist        # 当列表中没有元素时返回 null
(nil)
> brpoop mylist 5    # 从右侧弹出元素，如果列表没有元素，会阻塞住，如果 5 s 后还是没有元素则返回
1)"mylist"   # 列表名        
2)"b"        # 弹出元素
> del mylist         # 删除列表 
(integer)1

应用场景:

音讯队列：Redis 的 list 是有序的列表构造，能够实现阻塞队列，应用左进右出的形式。Lpush 用来生产从左侧插入数据，Brpop 用来生产，用来从右侧阻塞的生产数据。
数据的分页展现：lrange 命令须要两个索引来获取数据，这个就能够用来实现分页，能够在代码中计算两个索引值，而后来 redis 中取数据。
能够用来实现粉丝列表以及最新消息排行等性能。
–

简介 :Redis 散列能够存储多个键值对之间的映射。和字符串一样，散列存储的值既能够是字符串又能够是数值，并且用户同样能够对散列存储的数字值执行自增或自减操作。这个和 Java 的 HashMap 很像，每个 HashMap 有本人的名字，同时能够存储多个 k/v 对。
底层实现:

哈希对象的编码能够是 ziplist 或者 hashtable。
哈希对象保留的所有键值对的键和值的字符串长度都小于 64 字节并且保留的键值对数量小于 512 个，应用 ziplist 编码；否则应用 hashtable；

应用：

> hset student name 张三    # 能够了解为忘名叫 student 的 map 中增加 kv 键值对
(integer)1            # 返回 1 代表 不存在这个 key，并且增加胜利
> hset student sex 男
(integer)1
> hset student name 张三
(integer)0            # 返回 0 因为这个 key 曾经存在
> hgetall student
1)"name"
2)"张三"
3)"sex"
4)"男"
> hdel student name       #删除这 key
(integer)1           # 返回 1 同样代表整个 key 存在 并且删除胜利
> hdel student name
(integer)0           # 返回 0 是因为 该 key 曾经不存在

利用场景：

Hash 更适宜存储结构化的数据，比方 Java 中的对象；其实 Java 中的对象也能够用 string 进行存储，只须要将对象序列化成 json 串就能够，然而如果这个对象的某个属性更新比拟频繁的话，那么每次就须要从新将整个对象序列化存储，这样耗费开销比拟大。可如果用 hash 来存储对象的每个属性，那么每次只须要更新要更新的属性就能够。
购物车场景：能够以用户的 id 为 key，商品的 id 为存储的 field，商品数量为键值对的 value，这样就形成了购物车的三个因素。
–

基本概念 ：Redis 的 set 和 list 都能够存储多个字符串，他们之间的不同之处在于，list 是有序可反复，而 set 是无序不可反复。
底层实现：

汇合对象的编码能够是 intset 或者 hashtable。
汇合对象保留的所有元素都是整数值并且保留的元素数量不超过 512 个，应用 intset 编码；否则应用 hashtable；

应用：

> sadd family mother          # 尝试将 mother 增加进 family 汇合中
(integer)1       # 返回 1 示意增加胜利，0 示意元素曾经存在汇合中
> sadd family father
(integer)1
> sadd family father
(intger)0
> smembers family             # 获取汇合中所有的元素
1)"mother"
2)"father"
> sismember family father     # 判断 father 是否在 family 汇合中 
(integer)1      # 1 存在；0 不存在
> sismber family son
(integer)0
> srem family son             # 移除 family 汇合中元素 son
(integer)1     # 1 示意存在并且移除胜利;0 示意存在该元素
> srem family som
(integer)0
> sadd family1 mother
(integer)1
> smembers family 
1)"mother"
2)"father"
> smember family1
1)"mother"
> sinter family family1     # 获取 family 和 family1 的交加
1)"mother"
> sadd family1 son
(integer)1
> sunion family family1     # 获取 family 和 family1 的并集
1)"mother"
2)"father"
> sdiff family family1      # 获取 family 和 family1 的差集（就是 family 有然而 family1 没有的元素）1)"father"

利用场景：

标签：能够将博客网站每个人的标签用 set 汇合存储，而后还按每个标签将用户进行归并。
存储好友 / 粉丝：set 具备去重性能；还能够利用 set 并集性能失去独特好友之类的性能。
–

基本概念 ：有序汇合和散列一样，都用于存储键值对：其中有序汇合的每个键称为成员（member），都是举世无双的，而有序汇合的每个值称为分值（score），都必须是浮点数。能够依据分数进行排序，有序汇合是 Redis 外面惟一既能够依据成员拜访元素（这一点和散列一样），又能够依据分值以及分值的排列程序来拜访元素的构造。和 Redis 的其余构造一样，用户能够对有序汇合执行增加、移除和获取等操作。
底层实现：

有序汇合的编码能够是 ziplist 或者 skiplist
有序汇合保留的元素数量小于 128 个并且保留的所有元素成员的长度都小于 64 字节。应用 ziplist 编码；否则应用 skiplist；

应用：

> zadd class 100 member1 # 将 member1 元素及其 score 值 100 退出到 有序汇合 class 中
(integer)1
> zadd class 90 member2 80 member3 # 批量增加
(integer)2
> zrange class 0 -1 withscores  # 获取有序汇合中的值与 score，并按 score 排序
1)"member3" 
2)"80"
3)"member2"
4)"90"
5)"member1"
6)"100"
> zrem class member1   # 删除 class 中 的 member1
(integer)1

利用场景：

排行榜：有序汇合最罕用的场景。如新闻网站对热点新闻排序，比方依据点击量、点赞量等。
带权重的音讯队列：重要的音讯 score 大一些，一般音讯 score 小一些，能够实现优先级高的工作先执行。

HyperLogLog

基本概念：
Redis 在 2.8.9 版本增加了 HyperLogLog 构造。

Redis HyperLogLog 是用来做基数统计的算法，HyperLogLog 的长处是，在输出元素的数量或者体积十分十分大时，计算基数所需的空间总是固定的、并且是很小的。

在 Redis 外面，每个 HyperLogLog 键只须要破费 12 KB 内存，就能够计算靠近 2^64 个不同元素的基数。这和计算基数时，元素越多消耗内存就越多的汇合造成鲜明对比。

然而，因为 HyperLogLog 只会依据输出元素来计算基数，而不会贮存输出元素自身，所以 HyperLogLog 不能像汇合那样，返回输出的各个元素。
应用：
这里就拿一个统计网站 2021 年 5 月 23 日，有多少用户登录举例

> pfadd user_login_20210523 tom #  user_login_20210523 是 key；tom 是登录的用户
(integer)1
> pfadd user_login_20210523 tom jack lilei 的用户
(integer)1
> pfcount user_login_20210523  # 获取 key 对应值的数量，同一个用户屡次登录只统计一次
(integer) 3  
> pfadd user_login_20210522 sira 
(integer)1
> pfcount user_login_20210523 user_login_20210522 # 统计 22 号和 23 号一共有多少登陆的用户
(integer)4
>pfmerge user_login_20210522_23 user_login_20210522 user_login_20210523 # 将连个键内容合并
"OK"
> pfcount user_login_20210522_23
(integer)4

利用场景：

能够用来统计网站的登陆人数以及其余指标

基本概念 ：
在 Redis 3.2 版本中新增了一种叫 geo 的数据结构，它次要用来存储地理位置信息，并对存储的信息进行操作。
应用：
geoadd 用于存储指定的天文空间地位，能够将一个或多个经度(longitude)、纬度(latitude)、地位名称(member) 增加到指定的 key 中。

> GEOADD beijing 116.405285 39.912835 "蘑菇睡不着"
(integer)2

geopos 用于从给定的 key 里返回所有指定名称 (member) 的地位（经度和纬度），不存在的返回 nil。

> GEOPOS beijing "蘑菇睡不着" "故宫"
1) 1)116.405285
   2)39.912835
2)(nil)

geodist 用于返回两个给定地位之间的间隔。
单位参数：
m：米，默认单位。
km：千米。
mi：英里。
ft：英尺。

> GEOADD beijing 116.403681 39.921156 "故宫"
(integer)1
> GEODIST beijing "蘑菇睡不着" "故宫" km
"0.936"

利用场景 ：
用于存储地理信息以及对地理信息作操作的场景。
** 科普一个天文小常识：
经度范畴：-180 – 180。从 0°经线算起，向东、向西各分作 180°，以东的 180°属于东经，习惯上用“E”作代号，以西的 180°属于西经，习惯上用“W”作代号。0°地位是：英国格林威治（Greenwich）天文台子午仪核心的经线为本初子午线。
纬度范畴：-90 – 90。位于赤道以北的点的纬度叫北纬，记为 N；位于赤道以南的点的纬度称南纬，记为 S。为了钻研问题不便，人们把纬度分为低、中、高纬度。0°～30°为低纬度，30°～ 60°为中纬度，60～90°为高纬度。**

基本概念 ：
一种数据结构，是由一串很长的二进制向量组成，能够将其看成一个二进制数
组。既然是二进制，那么外面寄存的不是 0，就是 1，然而初始默认值都是 0。他的次要作用是：判断一个元素是否在某个汇合中。比如说，我想判断 20 亿的号码中是否存在某个号码，如果间接插 DB，那么数据量太大工夫会很慢；如果将 20 亿数据放到缓存中，缓存也装不下。这个时候用布隆过滤器最合适了，布隆过滤器的原理是：

增加元素
当要向布隆过滤器中增加一个元素 key 时，咱们通过多个 hash 函数，算出一个值，而后将这个值所在的方格置为 1。
判断元素是否存在：
判断元素是否存在，是先将元素通过多个 hash 函数计算，计算到多个下标值，而后判断这些下标对应的元素值是否都为 1，如果存在不是 1 的，那么元素必定不在汇合中；如果都是 1，那么元素大概率在汇合中，并不能百分之百必定元素存在汇合中，因为多个不同的数据通过 hash 函数算进去的后果是会有反复的，所以会存在某个地位是别的数据通过 hash 函数置为的 1。
总的来说：布隆过滤器能够判断某个数据肯定不存在，然而无奈判断肯定存在。
布隆过滤器的优缺点：
长处：长处很显著，二进制组成的数组，占用内存极少，并且插入和查问速度都足够快。
毛病：随着数据的减少，误判率会减少；还有无奈判断数据肯定存在；另外还有一个重要毛病，无奈删除数据。

应用：
redis 4.0 后能够应用布隆过滤器的插件RedisBloom，命令如下：

bf.add 增加元素到布隆过滤器
bf.exists 判断元素是否在布隆过滤器
bf.madd 增加多个元素到布隆过滤器，bf.add 只能增加一个
bf.mexists 判断多个元素是否在布隆过滤器

> bf.add boomFilter tc01
(integer) 1            # 1：存在；0：不存在
> bf.add boomFilter tc02
(integer) 1
> bf.add boomFilter tc03
(integer) 1
> bf.exists boomFilter tc01
(integer) 1
> bf.exists boomFilter tc02
(integer) 1
> bf.exists boomFilter tc03
(integer) 1
> bf.exists boomFilter tc04
(integer) 0
> bf.madd boomFilter tc05 tc06 tc07
1) (integer) 1
2) (integer) 1
3) (integer) 1
> bf.mexists boomFilter tc05 tc06 tc07 tc08
1) (integer) 1
2) (integer) 1
3) (integer) 1
4) (integer) 0

Redisson 应用布隆过滤器 :

public static void main(String[] args) {Config config = new Config();
        config.useSingleServer().setAddress("redis://192.168.15.105:6379");
        config.useSingleServer().setPassword("password123");
        
        // 结构 Redisson
        RedissonClient redisson = Redisson.create(config);

        RBloomFilter<String> bloomFilter = redisson.getBloomFilter("userPhones");
        
        // 初始化布隆过滤器：预计元素为 500000000L, 误差率为 3%
        bloomFilter.tryInit(500000000L,0.03);
        
        // 将号码 10086 插入到布隆过滤器中
        bloomFilter.add("18846014678");

         // 判断上面号码是否在布隆过滤器中
        System.out.println(bloomFilter.contains("18846014678")); //true
        System.out.println(bloomFilter.contains("1111111222")); //false
 }

Guava 应用布隆过滤器：
Guava 是谷歌提供的 Java 工具包，性能十分弱小

public static void main(String[] args) {BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8), 500000, 0.01);

        bloomFilter.put("18846047789");

        System.out.println(bloomFilter.mightContain("18846047789")); // true
        System.out.println(bloomFilter.mightContain("1122222"));     //false
    }
}

利用场景：

解决缓存穿透问题：个别得查问场景都是先去查问缓存，如果缓存没有，那么就去 DB 查问，如果查到了，先存在缓存中，而后返回给调用方。如果查不到就返回空。这种状况如果有人频繁的申请缓存中没有得数据，比方 id = -1 得数据，那么会对 DB 造成极大得压力，这种状况就能够应用 redis 得布隆过滤器了，能够先将可能得 id 都存在布隆过滤器中，当查问来的时候，先去布隆过滤器查，如果查不到间接返回，不申请缓存以及 DB，如果存在布隆过滤器中，那么才去缓存中取数据。
黑名单校验：能够将黑名单中得 ip 放入到布隆过滤器中，这样不必每次来都去 db 中查问了。

Redis 丰盛的数据结构是撑持 Redis 重要基石之一。他使 Redis 能够适应很多简单的场景。这块的内容在面试中能够说是必考的内容，所以要在这方面要多下些功夫。
更多的常识干货以及 leetcode 题解析，能够来公众号 蘑菇睡不着 看看，可能会对你有帮忙。
看到这里记得 点赞 + 关注 + 转发，不要白嫖呦

关于java:史上最全Redis数据结构详解

前言

String

List

Hash

Set

Sorted Set

HyperLogLog

GEO

BloomFilter

总结

Just My Socks（注册教程内含优惠码）

关于java:史上最全Redis数据结构详解

前言

String

List

Hash

Set

Sorted Set

HyperLogLog

GEO

BloomFilter

总结

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）