Loading...
墨滴

hydra

2021/03/29  阅读:25  主题:默认主题

Redis 扩展数据类型详解

在Redis中有5种基本数据类型,分别是String, List, Hash, Set, Zset。除此之外,Redis中还有一些实用性很高的扩展数据类型,下面来介绍一下这些扩展数据类型以及它们的使用场景。

Geo

GEO在Redis 3.2版本后被添加,可以说是针对LBS(Location-Based Service)产生的一种数据类型,主要用于存储地理位置信息,并可以对存储的信息进行一系列的计算操作。

geoadd:存储指定的地理空间位置:

# 语法格式:
GEOADD key longitude latitude member [longitude latitude member ...]
# 测试:
> GEOADD locations 116.419217 39.921133 beijing
> GEOADD locations 120.369557 36.094406 qingdao

来看一下geo数据在Redis中的存储方式,可以看到是以zset格式进行存储的,因此geo是zset的一个扩展:

geopos:返回指定地理位置的经纬度坐标:

# 语法格式:
GEOPOS key member [member ...]
# 测试:
> GEOPOS locations beijing qingdao 
116.41921967267990112
39.92113206197632991
120.36955565214157104
36.09440522913565275

也可以使用zrange返回所有的位置元素而不带经纬度信息:

> ZRANGE locations 0 -1
qingdao
beijing

geodist:计算指定位置间的距离,并可以指定返回的距离单位:

# 语法格式:
GEODIST key member1 member2 [m|km|ft|mi]
# 测试:
> GEODIST locations beijing qingdao km
548.5196

georadiusbymember:找出以给定位置为中心,返回key包含的元素中,与中心的距离不超过给定最大距离的所有位置元素:

# 语法格式:
GEORADIUSBYMEMBER key member radius [m|km|ft|mi]
# 测试:
> GEORADIUSBYMEMBER locations beijing 150 km
beijing
# 扩大范围
> GEORADIUSBYMEMBER locations beijing 600 km
qingdao
beijing

georadiusgeoradiusbymember类似,不过是以指定的经纬度为中心:

# 语法格式:
GEORADIUS key longitude latitude radius [m|km|ft|mi]
# 测试:
> GEORADIUS  locations  116.4192 39.9211 10 km
beijing

geo并没有提供删除指令,但根据其底层是zset实现,我们可以使用zrem对数据进行删除:

> ZREM locations beijing

基于geo,可以很简单的存储人或物关联的经纬度信息,并对这些地理信息进行处理,例如基于查询相邻的经纬度范围,能简单实现类似“附近的人”等功能。

Bitmap

Bitmap 也被称为位图,是以 String 类型作为底层数据结构实现的一种统计二值状态的数据类型。其中每一个bit都只能是0或1,所以通常用来表示一个对应于数组下标的数据是否存在。Bitmap 提供了一系列api,主要用于对 bit 位进行读写、计算、统计等操作。

setbit:对key所存储的字符串值,设置或清除指定偏移量上的位(bit):

# 语法格式:
SETBIT key offset value
# 测试:
> SETBIT key 100 1
> SETBIT key 128 1

getbit:对key所存储的字符串值,获取指定偏移量上的位(bit):

# 语法格式:
GETBIT key offset
# 测试:
> GETBIT key 100
1

bitcount:可以统计bit 数组中指定范围内所有 1 的个数,如果不指定范围,则获取所有:

# 语法格式:
BITCOUNT key [start end]
# 测试:
> BITCOUNT key
2

bitpos:计算 bit 数组中指定范围第一个偏移量对应的的值等于targetBit的位置:

# 语法格式:
BITPOS key tartgetBit [start end]
# 测试:
> BITPOS key 1
100

bitop:做多个bit 数组的and(交集)、or(并集)、not(非)、xor(异或)。例如对key和key2做交集操作,并将结果保存在key:and:key2中:

# 语法格式:
BITOP op destKey key1 [key2...]
# 测试:
> BITOP and key:and:key2 key key2
17

Bitmap底层使用String实现,value的值最大能存储512M字节,可以表示 512 * 1024 * 1024*8=4294967296个位,已经能够满足我们绝大部分的使用场景。再看一下底层存储数据的格式,以刚刚存储的key为例:

\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x08\x00\x00\x00\x80

将16进制的数据转化为2进制数据,如下图所示,第100位和第128位为1,其他为0:

此外,由于Redis在存储string类型的时候存储形式为二进制,所以也可以通过操作bit位来对string类型进行操作,在下面的例子中,通过直接操作bit,将string类型的abc变成了bbc。

> set key2 abc
> setbit key2 6 1
> setbit key2 7 0
> get key2
bbc

另外,可以通过bitfield命令实现类似的效果:

> set key3 a
> BITFIELD key3 get u8 0
97
> BITFIELD key3 set u8 0 98
97
> get key3
b

使用bitfield 命令可以返回指定位域的bit值,并将它转化为整形,有符号整型需在位数前加 i,无符号在位数前加u。上面我们将8位转化为无符号整形,正好是a的ASCII码,再对ASCII码进行修改,可以直接改变字符串的值。

Bitmap的应用非常广泛,例如在缓存三大问题中我们介绍过使用Bitmap作为布隆过滤器应对缓存穿透的问题,此外布隆过滤器也被广泛用于邮件系统中拦截垃圾邮件的地址。另外,常用的用户签到、朋友圈点赞等功能也可以用它来实现。

以实现用户签到功能为例,可以将每个用户按月存储为一条数据,key的格式可以定义为 sign:userId:yyyyMM ,如果签到了就将对应的位置改为1,未签到为0,这样最多只需要31个bit位就可以存储一个月的数据,转换为字节的话也只要4个字节就已经足够。

# 1月10日签到,因为offset从0起始,所以将天数减1
> SETBIT sign:6666:202101 9 1
0
# 查看1月10日是否签到
> GETBIT sign:6666:202101 9
1
# 统计签到天数
> BITCOUNT  sign:6666:202101
1
# 查看首次签到的日期
> BITPOS  sign:6666:202101 1
9
# 提取整月的签到数据
> BITFIELD  sign:6666:202101 get u31 0
2097152

注意在使用bitfield指令时,有符号整型最大支持64位,而无符号整型最大支持63位。如果位数超过限制,会报如下错误:

> bitfield key3 get u64 0
ERR Invalid bitfield type. Use something like i16 u8. Note that u64 is not supported but i64 is.

所以在存储签到数据时,如果按月存储的话在之后提取数据时会比较方便,如果按年存储数据,在提取整年的签到数据时可能需要进行分段。

HyperLogLog

Redis 在 2.8.9 版本添加了 HyperLogLog 结构,它是一种用于基数统计的数据集合类型。它的最大优势就在于,当集合元素数量非常多时,它计算基数所需的空间总是固定的,而且还很小。

pfadd:向HyperLogLog中添加数据:

# 语法格式:
PFADD key element [element ...]
# 测试:
> PFADD index.html  uuid1 uuid2 uuid3 uuid4

pfcount:返回HyperLogLog的基数统计结果:

# 语法格式:
PFCOUNT key [key ...]
# 测试:
> PFCOUNT index.html
4

pfmerge:将多个 HyperLogLog 合并为一个 HyperLogLog ,合并后的 HyperLogLog 的基数估算值是通过对所有 给定 HyperLogLog 进行并集计算得出的。

# 语法格式:
PFMERGE destkey sourcekey [sourcekey ...]
# 测试:
> PFMERGE index.html home.html
OK
> PFCOUNT index.html
6

例如在上面的例子中,使用HyperLogLog 可以很方便的统计网页的UV。在官方文档中指明,Redis 中每个 HyperLogLog 只需要花费 12 KB 内存,就可以对 2^64 个数据完成基数统计。尽管使用Set或Hash等结构也能实现基数统计,但这些数据结构都会消耗大量的内存。而使用HyperLogLog 时,和其他数据结构计算基数时,元素越多耗费内存就越多形成了鲜明对比。

需要注意的是,HyperLogLog是一种算法,并非是Redis独有的,并且HyperLogLog 的统计规则是基于概率完成的,所以它给出的统计结果是有一定误差的,官方给出的标准误算率是 0.81%。 HyperLogLog 只会根据输入元素来计算基数,而不会存储输入的元素本身,所以 HyperLogLog 不能像集合那样,返回输入的各个元素。

针对以上这些特性,可以总结出,HyperLogLog适用于大数据量的基数统计,但是它也存在局限性,它只能够实现统计基数的数量,但无法知道具体的原数据是什么。如果需要原数据的话,我们可以将 Bitmap 和 HyperLogLog 配合使用,例如在统计网站UV时,使用Bitmap 标识哪些用户属于活跃用户,使用 HyperLogLog 实现基数统计。

Stream

Stream是Redis 5.0版本之后新增加的数据结构,实现了消息队列的功能,并且实现消息的持久化和主备复制功能,可以让任何客户端访问任何时刻的数据,并且能记住每一个客户端的访问位置,保证消息不丢失,下面我们看一下具体的指令。

xadd:向队列添加消息

# 语法格式:
XADD key ID field value [field value ...]
# 测试:
> XADD stream1 *  phone 88888888  name Hydra
"1614316213565-0"
> XADD stream1 *  key1 value1 key2 value2 key3 value3
"1614317444558-0"

添加消息是生成的 1614316213565-0,是生成消息的id,由时间戳加序号组成,时间戳是Redis的服务器时间,如果在同一个时间戳内,序号会递增来标识不同的消息。并且为了保证消息的有序性,生成的消息id是保持自增的。可以使用可视化工具查看数据,消息是以json格式被存储:

这里因为是不同时间戳,所以序号都是从0开始。我们可以通过redis的事务添加消息进行测试:

> MULTI
"OK"
> XADD stream * msg 1
"QUEUED"
> XADD stream * msg 2
"QUEUED"
> XADD stream * msg 3
"QUEUED"
> XADD stream * msg 4
"QUEUED"
> XADD stream * msg 5
"QUEUED"
> EXEC
 1)  "OK"
 2)  "1614319042782-0"
 3)  "OK"
 4)  "1614319042782-1"
 5)  "OK"
 6)  "1614319042782-2"
 7)  "OK"
 8)  "1614319042782-3"
 9)  "OK"
 10)  "1614319042782-4"
 11)  "OK"

通过上面的例子,可以看见同一时间戳内,序号会不断递增。

xrange:获取消息列表,会自动过滤删除的消息

# 语法格式:
XRANGE key start end [COUNT count]
# 测试:
> XRANGE stream1 - +  count 5
 1)    1)   "1614316213565-0"
  2)      1)    "phone"
   2)    "88888888"
   3)    "name"
   4)    "Hydra"
 2)    1)   "1614317444558-0"
  2)      1)    "key1"
   2)    "value1"
   3)    "key2"
   4)    "value2"
   5)    "key3"
   6)    "value3"

xread:以阻塞或非阻塞方式获取消息列表

# 语法格式:
XREAD [COUNT count] [BLOCK milliseconds] STREAMS key [key ...] id [id ...]
# 测试:
> XREAD count 1 STREAMS stream1 0-1
 1)    1)   "stream1"
  2)      1)        1)     "1614316213565-0"
    2)          1)      "phone"
     2)      "88888888"
     3)      "name"
     4)      "Hydra"

xdel:删除消息

# 语法格式:
XDEL key ID [ID ...]
# 测试:
> XDEL stream1 1614317444558-0
"1"

除了上面消息队列的基本操作外,还可以创建消费者组对消息进行消费。首先使用xgroup create 创建消费者组:

# 语法格式:
XGROUP [CREATE key groupname id-or-$] [SETID key groupname id-or-$] [DESTROY key groupname] [DELCONSUMER key groupname consumername]
# 创建一个队列,从头开始消费:
> XGROUP CREATE stream1 consumer-group-1 0-0  
# 创建一个队列,从尾部开始消费,只接收新消息:
> XGROUP CREATE stream1 consumer-group-2 $  

下面使用消费者组消费消息:

# 语法格式
XREADGROUP GROUP group consumer [COUNT count] [BLOCK milliseconds] [NOACK] STREAMS key [key ...] ID [ID ...]

注意这里消费消息的对象是 consumer消费者,而不是消费者组。在消费消息时,不需要预先创建消费者,在消费过程中直接指定就可以。接下来再向stream中发送一条消息,比较两个消费者组的消费顺序差异:

# 重新发送一条消息
> XADD stream1 * newmsg hi
"1614318022661-0"
# 使用消费者组1消费:
> XREADGROUP GROUP consumer-group-1 consumer1 COUNT 1 STREAMS stream1 >
 1)    1)   "stream1"
  2)      1)        1)     "1614316213565-0"
    2)          1)      "phone"
     2)      "88888888"
     3)      "name"
     4)      "Hydra"
# 使用消费者组2消费:
> XREADGROUP GROUP consumer-group-2 consumer2 COUNT 1 STREAMS stream1 >
 1)    1)   "stream1"
  2)      1)        1)     "1614318022661-0"
    2)          1)      "newmsg"
     2)      "hi"

可以看到,消费者组1从stream的头部开始消费,而消费者组2从创建消费者组后的最新消息开始消费。在消费者组2内使用新的消费者再次进行消费:

> XREADGROUP GROUP consumer-group-2 consumer4 COUNT 1 STREAMS stream1 >

>
 XADD stream1 * newmsg2 hi2
"1614318706162-0"
> XREADGROUP GROUP consumer-group-2 consumer4 COUNT 1 STREAMS stream1 >
 1)    1)   "stream1"
  2)      1)        1)     "1614318706162-0"
    2)          1)      "newmsg2"
     2)      "hi2"

在上面的例子中,可以看到在一个消费者组中,存在互斥原则,即一条消息被一个消费者消费过后,其他消费者就不能再消费这条消息了。

xpending:等待列表用于记录读取但并未处理完毕的消息,可以使用它来获取未处理完毕的消息。

> XPENDING stream1 consumer-group-2
 1)  "2"  # 2条已读取但未处理的消息
 2)  "1614318022661-0"  # 起始消息ID
 3)  "1614318706162-0"  # 结束消息ID
 4)    1)      1)    "consumer2"   # 消费者2有1个
   2)    "1"
  2)      1)    "consumer4"       # 消费者4有1个
   2)    "1"

xpending 命令后添加start end count参数可以获取详细信息:

> XPENDING stream1 consumer-group-2 - + 10
 1)    1)   "1614318022661-0"  # 消息ID
  2)   "consumer2"   # 消费者
  3)   "1867692"    # 从读取到现在经历的毫秒数
  4)   "1"  #消息被读取次数
 2)    1)   "1614318706162-0"
  2)   "consumer4"
  3)   "1380323"
  4)   "1"

xack:告知消息被处理完成,移出pending列表

> XACK stream1 consumer-group-2  1614318022661-0 
"1"

再次查看pending列表,可以看到1614318022661-0 已被移除:

> XPENDING stream1 consumer-group-2 
 1)  "1"
 2)  "1614318706162-0"
 3)  "1614318706162-0"
 4)    1)      1)    "consumer4"
   2)    "1"

基于以上功能,如果我们的系统中已经使用了redis,甚至可以移除掉不需要的其他消息队列中间件,来达到精简应用系统的目的。并且,Redis Stream提供了消息的持久化和主从复制,能够很好的保证消息的可靠性。

如果文章对您有所帮助,欢迎关注公众号 码农参上

hydra

2021/03/29  阅读:25  主题:默认主题

作者介绍

hydra

欢迎关注公众号“码农参上”