关于redis:2022年Redis最新面试题第2篇-Redis数据结构

大家好，我是散步coding, 最近在整顿2022年Redis最新面试题, 大家也能够通过我上面的博客地址在线浏览, 明天讲讲第2篇 - Redis数据结构。本文首发于公众号: 散步coding

2022年Redis最新面试题目录

Redis基础知识
Redis数据结构
Redis事务
Redis数据长久化
Redis集群
Redis淘汰策略
Redis分布式锁
Redis缓存问题
运维和部署

数据结构

Redis的数据类型有哪些?
说说 Redis 哈希槽的概念？
Hash如何实现O(1)的查问和设置速度, 以及扩容原理
布隆过滤器

Redis的数据类型有哪些？

呈现概率: ★★★★★

这个在面试的过程呈现的概率特地高了。

Redis 反对五种罕用的数据类型：string（字符串），hash（哈希）， list（列表）， set（汇合）及 zsetsorted set：有序汇合)。

redis 的根本数据结构对应的底层实现如下图所示：

1)、Redis 的字符串是动静字符串，是能够批改的字符串，内部结构实现上相似于 Java 的 ArrayList，采纳预调配冗余空间的形式来缩小内存的频繁调配，如图所示：

len 是以后字符串理论长度，capacity 是为字符串调配的可用空间，当字符串长度小于 1M 时，扩容都是加倍现有的空间，如果超过 1M，扩容时一次只会多扩 1M 的空间。字符串最大长度为 512M。

2)、hash

Redis Hash通过分桶的形式解决 hash 抵触。它是无序字典。外部实现构造是同样的数组 + 链表二维构造。第一维 hash 的数组地位碰撞时，就会将碰撞的元素应用链表串接起来。第一维是数组，第二维是链表。数组中存储的是第二维链表的第一个元素的指针。

3)、list

Redis 的列表相当于 Java 语言中的 LinkedList，留神它是链表而不是数组。这意味着 list 的插入和删除操作十分快，工夫复杂度为 O(1)，然而索引定位很慢，工夫复杂度为 O(n)。

list的特点是:

有序
能够反复
左边进右边出或者右边进左边出，则列表能够充当队列
右边进右边出或者左边进左边出，则列表能够充当栈

4)、set

set和字典十分相似，其外部实现就是上述的hashTable的非凡实现，与字典不同的中央有两点：

只关注key值，所有的value都是NULL。
在新增数据时会进行去重。

5)、zsetsorted set

zset是Redis十分有特色的数据结构，它是基于Set并提供排序的有序汇合。其中最为重要的特点就是反对通过score的权重来指定权重。一些排行榜、提早工作比方指定1小时后执行, 就是应用这个数据结构实现的。

6)、拓展篇

如果你说你还晓得一些其余的几种数据结构比方: HyperLogLog、Geo、Pub/Sub、Redis Module，BloomFilter，RedisSearch，Redis-ML，面试官得眼睛就开始发亮了。

Redis5.0带来了Stream类型。从字面上看是流类型，但其实从性能上看，应该是Redis对音讯队列（MQ，Message Queue）的欠缺实现。用过Redis做音讯队列的都理解，基于Reids的音讯队列实现有很多种，例如：

PUB/SUB，订阅/公布模式
基于List的 LPUSH+BRPOP 的实现
基于Sorted-Set的实现

Redis Stream的构造如图所示，它有一个音讯链表，将所有退出的音讯都串起来，每个音讯都有一个惟一的ID和对应的内容。音讯是长久化的，Redis重启后，内容还在。

Hash如何实现O(1)的查问和设置速度, 以及扩容原理

呈现概率: ★★★★★

Redis Hash通过分桶的形式解决 hash 抵触。它是无序字典。外部实现构造是同样的数组 + 链表二维构造。第一维 hash 的数组地位碰撞时，就会将碰撞的元素应用链表串接起来。第一维是数组，第二维是链表。数组中存储的是第二维链表的第一个元素的指针。

因为是通过数组取模的形式, 能够实现O(1)的查问和设置速度。

不过如果概率多时, 链表长度过长时，查问工夫复杂度会升高到O(n)。这个须要进行扩容了。

大字典的扩容是十分耗时间的，须要从新申请新的数组，失常状况下，当 hash 表中元素的个数等于第一维数组的长度时，就会开始扩容，扩容的新数组是原数组大小的 2 倍，而后将旧字典所有链表中的元素从新挂接到新的数组上面，这是一个 O(n)级别的操作，Redis 应用渐进式 rehash 扩容，分屡次来缓缓的将旧数组中的键值对rehash到新数组的操作就称之为渐进式rehash。渐进式rehash能够防止了集中式rehash带来的宏大计算量，在渐进式rehash过程中，因为还可能会有新的键值对存进来，此时Redis的做法是新增加的键值对对立放入ht[1]中，这样就确保了ht[0]键值对的数量只会缩小，当执行rehash操作时须要执行查问操作，此时会先查问ht[0]，查找不到后果再到ht[1]中查问。

说说 Redis 哈希槽的概念？

呈现概率: ★★★

Redis集群没有应用一致性hash,而是引入了哈希槽的概念，Redis集群有16384个哈希槽，每个key通过CRC16校验后对16384取模来决定搁置哪个槽，集群的每个节点负责一部分hash槽。

布隆过滤器

呈现概率: ★★★

这个在面试中呈现的概率, 次要看面试官的偏好, 不过如果问到，而且你能答复比拟好的，预计是一个比拟好的加分项。

布隆过滤器是 Redis 的高级性能，尽管这种构造的去重率并不齐全准确，但和其余构造一样都有特定的利用场景，比方当解决海量数据时，就能够应用布隆过滤器实现去重。

一些场景: 百度爬虫零碎每天会面临海量的 URL 数据，咱们心愿它每次只爬取最新的页面，而对于没有更新过的页面则不爬取，因策爬虫零碎必须对曾经抓取过的 URL 去重，否则会重大影响执行效率。然而如果应用一个 set（汇合）去装载这些 URL 地址，那么将造成资源空间的重大节约。

布隆过滤器（Bloom Filter）是一个高空间利用率的概率性数据结构，由二进制向量（即位数组）和一系列随机映射函数（即哈希函数）两局部组成。

布隆过滤器应用exists()来判断某个元素是否存在于本身构造中。当布隆过滤器断定某个值存在时，其实这个值只是有可能存在；当它说某个值不存在时，那这个值必定不存在，这个误判概率大概在 1% 左右。

Bloom Filter的原理

1)、工作流程-增加元素

布隆过滤器次要由位数组和一系列 hash 函数形成，其中位数组的初始状态都为 0。

上面对布隆过滤器工作流程做简略形容，如下图所示：

2)、工作流程-断定元素是否存在

当咱们须要判断一个元素是否存时，其流程如下：首先对给定元素再次执行哈希计算，失去与增加元素时雷同的位数组地位，判断所得地位是否都为 1，如果其中有一个为 0，那么阐明元素不存在，若都为 1，则阐明元素有可能存在。

3)、为什么是可能“存在”

您可能会问，为什么是有可能存在？其实起因很简略，那些被置为 1 的地位也可能是因为其余元素的操作而扭转的。比方，元素1 和元素2，这两个元素同时将一个地位变为了 1（图1所示）。在这种状况下，咱们就不能断定“元素 1”肯定存在，这是布隆过滤器存在误判的根本原因。

Bloom Filter的毛病

bloom filter就义了判断的准确率、删除的便利性 ，才做到在工夫和空间上的效率比拟高，是因为

1)、存在误判，可能要查到的元素并没有在容器中，然而hash之后失去的k个地位上值都是1。如果bloom filter中存储的是黑名单，那么能够通过建设一个白名单来存储可能会误判的元素。

2)、删除数据。一个放入容器的元素映射到bit数组的k个地位上是1，删除的时候不能简略的间接置为0，可能会影响其余元素的判断。能够思考Counting Bloom Filter

也欢送关注我的公众号: 散步coding。一起交换, 在coding的世界里散步, 回复: redis, 收费获取最新Redis面试题(含答案)。