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。

前言

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。

String

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 1000sOK> 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 1000msOK> ttl hello                # 获取 hello 的过期工夫(integer) 1000# 应用 NX 选项> set hello world NXOK                         # 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 XXOK                         # 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 NXOK> get hello"world"> ttl hello(integer)1000> set hello wolrd PX 30000 NXOK> 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 30000OK> ttl hello(integer)30            # 这个是 PX 设置的参数，> pttl hello(integer)30000> set number 1OK> 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 10sOK> 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 10sOK> 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。
    -

List

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。
    -

Hash

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 student1)"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。
    -

Set

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 family11)"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。
    -

Sorted Set

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

GEO

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)39.9128352)(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。**

BloomFilter

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：

  1. 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。
  2. 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。
  3. 布隆过滤器的优缺点：
  4. 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。
  5. 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 tc071) (integer) 12) (integer) 13) (integer) 1> bf.mexists boomFilter tc05 tc06 tc07 tc081) (integer) 12) (integer) 13) (integer) 14) (integer) 0


  1. 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 }


  1. 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。

总结

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