这篇文章上次修改于 1165 天前，可能其部分内容已经发生变化，如有疑问可询问作者。 在移动应用的业务场景中，我们需要保存这样的信息：一个 key 关联了一个数据集合，同时还要对集合中的数据进行统计排序。 常见的场景如下： - 给一个 userId ，判断用户登陆状态； - 两亿用户最近 7 天的签到情况，统计 7 天内连续签到的用户总数； - 统计每天的新增与第二天的留存用户数； - 统计网站的对访客（Unique Visitor，UV）量 - 最新评论列表 - 根据播放量音乐榜单 通常情况下，我们面临的用户数量以及访问量都是巨大的，比如百万、千万级别的用户数量，或者千万级别、甚至亿级别的访问信息。 <!--more--> 所以，我们必须要选择能够非常高效地统计大量数据（例如亿级）的集合类型。 **如何选择合适的数据集合，我们首先要了解常用的统计模式，并运用合理的数据了性来解决实际问题。** 四种统计类型： 1. 二值状态统计； 2. 聚合统计； 3. 排序统计； 4. 基数统计。 本文将用到 `[String、Set、Zset、List、hash]`以外的拓展数据类型 `Bitmap`、`HyperLogLog` 来实现。 文章涉及到的指令可以通过在线 Redis 客户端运行调试，地址：[https://try.redis.io/](https://try.redis.io/)，超方便的说。 ### 二值状态统计 > 什么是二值状态统计呀？ 也就是集合中的元素的值只有 0 和 1 两种，在签到打卡和用户是否登陆的场景中，只需记录`签到(1)`或 `未签到(0)`，`已登录(1)`或`未登陆(0)`。 假如我们在判断用户是否登陆的场景中使用 Redis 的 String 类型实现（**key -> userId，value -> 0 表示下线，1 - 登陆**），假如存储 100 万个用户的登陆状态，如果以字符串的形式存储，就需要存储 100 万个字符串了，内存开销太大。 对于二值状态场景，我们就可以利用 Bitmap 来实现。比如登陆状态我们用一个 bit 位表示，一亿个用户也只占用 一亿 个 bit 位内存 ≈ （100000000 / 8/ 1024/1024）12 MB。 大概的空间占用计算公式是：`($offset/8/1024/1024) MB` > 什么是 Bitmap 呢？ Bitmap 的底层数据结构用的是 String 类型的 SDS 数据结构来保存位数组，Redis 把每个字节数组的 8 个 bit 位利用起来，每个 bit 位 表示一个元素的二值状态（不是 0 就是 1）。 可以将 Bitmap 看成是一个 bit 为单位的数组，数组的每个单元只能存储 0 或者 1，数组的下标在 Bitmap 中叫做 offset 偏移量。 为了直观展示，我们可以理解成 buf 数组的每个字节用一行表示，每一行有 8 个 bit 位，8 个格子分别表示这个字节中的 8 个 bit 位，如下图所示：  **8 个 bit 组成一个 Byte，所以 Bitmap 会极大地节省存储空间。** 这就是 Bitmap 的优势。 #### 判断用户登陆态 > 怎么用 Bitmap 来判断海量用户中某个用户是否在线呢？ Bitmap 提供了 `GETBIT、SETBIT` 操作，通过一个偏移值 offset 对 bit 数组的 offset 位置的 bit 位进行读写操作，需要注意的是 offset 从 0 开始。 只需要一个 key = login_status 表示存储用户登陆状态集合数据， 将用户 ID 作为 offset，在线就设置为 1，下线设置 0。通过 `GETBIT`判断对应的用户是否在线。 50000 万 用户只需要 6 MB 的空间。 **SETBIT 命令** ``` SETBIT <key> <offset> <value> ``` 设置或者清空 key 的 value 在 offset 处的 bit 值（只能是 0 或者 1）。 **GETBIT 命令** ``` GETBIT <key> <offset> ``` 获取 key 的 value 在 offset 处的 bit 位的值，当 key 不存在时，返回 0。 假如我们要判断 ID = 10086 的用户的登陆情况： 第一步，执行以下指令，表示用户已登录。 ``` SETBIT login_status 10086 1 ``` 第二步，检查该用户是否登陆，返回值 1 表示已登录。 ``` GETBIT login_status 10086 ``` 第三步，登出，将 offset 对应的 value 设置成 0。 ``` SETBIT login_status 10086 0 ``` #### 用户每个月的签到情况 在签到统计中，每个用户每天的签到用 1 个 bit 位表示，一年的签到只需要 365 个 bit 位。一个月最多只有 31 天，只需要 31 个 bit 位即可。 > 比如统计编号 89757 的用户在 2021 年 5 月份的打卡情况要如何进行？ key 可以设计成 `uid:sign:{userId}:{yyyyMM}`，月份的每一天的值 \- 1 可以作为 offset（因为 offset 从 0 开始，所以 `offset = 日期 - 1`）。 第一步，执行下面指令表示记录用户在 2021 年 5 月 16 号打卡。 ``` SETBIT uid:sign:89757:202105 15 1 ``` 第二步，判断编号 89757 用户在 2021 年 5 月 16 号是否打卡。 ``` GETBIT uid:sign:89757:202105 15 ``` 第三步，统计该用户在 5 月份的打卡次数，使用 `BITCOUNT` 指令。该指令用于统计给定的 bit 数组中，值 = 1 的 bit 位的数量。 ``` BITCOUNT uid:sign:89757:202105 ``` 这样我们就可以实现用户每个月的打卡情况了，是不是很赞。 > 如何统计这个月首次打卡时间呢？ Redis 提供了 `BITPOS key bitValue [start] [end]`指令，返回数据表示 Bitmap 中第一个值为 `bitValue` 的 offset 位置。 在默认情况下， 命令将检测整个位图， 用户可以通过可选的 `start` 参数和 `end` 参数指定要检测的范围。 所以我们可以通过执行以下指令来获取 userID = 89757 在 2021 年 5 月份**首次打卡**日期： ``` BITPOS uid:sign:89757:202105 1 ``` 需要注意的是，我们需要将返回的 value + 1 表示首次打卡的天，因为 offset 从 0 开始。 #### 连续签到用户总数 > 在记录了一个亿的用户连续 7 天的打卡数据，如何统计出这连续 7 天连续打卡用户总数呢？ 我们把每天的日期作为 Bitmap 的 key，userId 作为 offset，若是打卡则将 offset 位置的 bit 设置成 1。 key 对应的集合的每个 bit 位的数据则是一个用户在该日期的打卡记录。 一共有 7 个这样的 Bitmap，如果我们能对这 7 个 Bitmap 的对应的 bit 位做 『与』运算。 同样的 UserID offset 都是一样的，当一个 userID 在 7 个 Bitmap 对应对应的 offset 位置的 bit = 1 就说明该用户 7 天连续打卡。 结果保存到一个新 Bitmap 中，我们再通过 `BITCOUNT` 统计 bit = 1 的个数便得到了连续打卡 7 天的用户总数了。 Redis 提供了 `BITOP operation destkey key [key ...]`这个指令用于对一个或者多个 键 = key 的 Bitmap 进行位元操作。 `opration` 可以是 `and`、`OR`、`NOT`、`XOR`。当 `BITOP` 处理不同长度的字符串时，较短的那个字符串所缺少的部分会被当做 `0` 。 空的 `key` 也被看作是包含 `0` 的字符串序列。 便于理解，如下图所示：  3 个 Bitmap，对应的 bit 位做「与」操作，结果保存到新的 Bitmap 中。 操作指令表示将 三个 bitmap 进行 AND 操作，并将结果保存到 destmap 中。接着对 destmap 执行 BITCOUNT 统计。 ``` // 与操作 BITOP AND destmap bitmap:01 bitmap:02 bitmap:03 // 统计 bit 位 = 1 的个数 BITCOUNT destmap ``` 简单计算下 一个一亿个位的 Bitmap 占用的内存开销，大约占 12 MB 的内存（10^8/8/1024/1024），7 天的 Bitmap 的内存开销约为 84 MB。**同时我们最好给 Bitmap 设置过期时间，让 Redis 删除过期的打卡数据，节省内存**。 #### 小结 思路才是最重要，当我们遇到的统计场景只需要统计数据的二值状态，比如用户是否存在、 ip 是否是黑名单、以及签到打卡统计等场景就可以考虑使用 Bitmap。 只需要一个 bit 位就能表示 0 和 1，在统计海量数据的时候将大大减少内存占用。 ### 基数统计 > 基数统计：统计一个集合中不重复元素的个数，常见于计算独立用户数（UV）。 实现基数统计最直接的方法，就是采用集合（`Set`）这种数据结构，当一个元素从未出现过时，便在集合中增加一个元素；如果出现过，那么集合仍保持不变。 当页面访问量巨大，就需要一个超大的 Set 集合来统计，将会浪费大量空间。 另外，这样的数据也不需要很精确，到底有没有更好的方案呢？ 这个问题问得好，Redis 提供了 `HyperLogLog` 数据结构就是用来解决种种场景的统计问题。 `HyperLogLog` 是一种不精确的去重基数方案，它的统计规则是基于概率实现的，标准误差 0.81%，这样的精度足以满足 UV 统计需求了。 关于 HyperLogLog 的原理过于复杂，如果想要了解的请移步： - [Redis源码中hyperloglog结构的实现原理是什么？](https://www.zhihu.com/question/53416615 "https://www.zhihu.com/question/53416615") - [HyperLogLog on Wikipedia](https://en.wikipedia.org/wiki/HyperLogLog "HyperLogLog on Wikipedia") #### 网站的 UV ##### 通过 Set 实现 一个用户一天内多次访问一个网站只能算作一次，所以很容易就想到通过 Redis 的 Set 集合来实现。 用户编号 89757 访问某个页面时，我们将这个信息放到 Set 中。 ``` SADD Redis url:uv 89757 ``` 当用户编号 89757 多次访问相同页面时，Set 的去重功能能保证不会重复记录同一个用户 ID。 通过 `SCARD` 命令，统计页面 UV。指令返回一个集合的元素个数（也就是用户 ID）。 ``` SCARD Redis url:uv ``` ##### 通过 Hash 实现 > 还可以利用 Hash 类型实现，将用户 ID 作为 Hash 集合的 key，访问页面则执行 HSET 命令将 value 设置成 1。 即使用户重复访问，重复执行命令，也只会把这个 userId 的值设置成 “1"。 最后，利用 `HLEN` 命令统计 Hash 集合中的元素个数就是 UV。 如下： ``` HSET redis 集群:uv userId:89757 1 // 统计 UV HLEN redis 集群 ``` ##### HyperLogLog 王者方案 > Set 虽好，如果文章非常火爆达到千万级别，一个 Set 就保存了千万个用户的 ID，页面多了消耗的内存也太大了。同理，Hash 数据类型也是如此。咋办呢？ 利用 Redis 提供的 `HyperLogLog` 高级数据结构（不要只知道 Redis 的五种基础数据类型了）。这是一种用于基数统计的数据集合类型，即使数据量很大，计算基数需要的空间也是固定的。 每个 `HyperLogLog` 最多只需要花费 12KB 内存就可以计算 2 的 64 次方个元素的基数。 Redis 对 `HyperLogLog` 的存储进行了优化，在计数比较小的时候，存储空间采用系数矩阵，占用空间很小。 只有在计数很大，稀疏矩阵占用的空间超过了阈值才会转变成稠密矩阵，占用 12KB 空间。 **PFADD** 将访问页面的每个用户 ID 添加到 `HyperLogLog` 中。 PFADD Redis 主从同步原理:uv userID1 userID 2 useID3 **PFCOUNT** 利用 `PFCOUNT` 获取页面的 UV 值。 ``` PFCOUNT Redis url:uv ``` **PFMERGE 使用场景** `HyperLogLog` 除了上面的 `PFADD` 和 `PFCOIUNT` 外，还提供了 `PFMERGE` ，将多个 `HyperLogLog` 合并在一起形成一个新的 `HyperLogLog` 值。 **语法** ``` PFMERGE destkey sourcekey [sourcekey ...] ``` **使用场景** 比如在网站中我们有两个内容差不多的页面，运营说需要这两个页面的数据进行合并。 其中页面的 UV 访问量也需要合并，那这个时候 `PFMERGE` 就可以派上用场了，也就是**同样的用户访问这两个页面则只算做一次**。 如下所示：url1 url2 两个 Bitmap 集合分别保存了两个页面用户访问数据。 ``` PFADD url1 user1 user2 user3 PFADD url2 user1 user2 user4 PFMERGE totalpv url1 url2 PFCOUNT totalpv // 返回值 = 4 ``` 将多个 HyperLogLog 合并（merge）为一个 HyperLogLog ， 合并后的 HyperLogLog 的基数接近于所有输入 HyperLogLog 的可见集合（observed set）的**并集**。 user1、user2 都访问了 url1 和 url2，只算访问了一次。 ### 排序统计 Redis 的 4 个集合类型中`（[List、Set、Hash、Sorted Set]）`，`List` 和 `Sorted Set` 就是有序的。 - `List`：按照元素插入 List 的顺序排序，使用场景通常可以作为 消息队列、最新列表、排行榜； - `Sorted Set`：根据元素的 score 权重排序，我们可以自己决定每个元素的权重值。使用场景（排行榜，比如按照播放量、点赞数）。 #### 最新评论列表 > 我可以利用 List 插入的顺序排序实现评论列表 比如微信公众号的后台回复列表（不要杠，举例子），每一公众号对应一个 List，这个 List 保存该公众号的所有的用户评论。 每当一个用户评论，则利用 `LPUSH key value [value ...]` 插入到 List 队头。 ``` LPUSH comments 1 2 3 4 5 6 ``` 接着再用 `LRANGE key star stop` 获取列表指定区间内的元素。 ``` > LRANGE comments 0 4 1. "6" 2. "5" 3. "4" 4. "3" 5. "2" ``` **注意，并不是所有最新列表都能用 List 实现，对于因为对于频繁更新的列表，list 类型的分页可能导致列表元素重复或漏掉。** 比如当前评论列表 `List =｛A, B, C, D｝`，左边表示最新的评论，D 是最早的评论。 ``` LPUSH comments D C B A ``` 展示第一页最新 2 个评论，获取到 A、B： ``` LRANGE comments 0 1 1. "A" 2. "B" ``` 按照我们想要的逻辑来说，第二页可通过 `LRANGE comments 2 3` 获取 C，D。 如果在展示第二页之前，产生新评论 E，评论 E 通过 `LPUSH comments E` 插入到 List 队头，List = ｛E, A, B, C, D ｝。 现在执行 `LRANGE comments 2 3` 获取第二页评论发现， B 又出现了。 ``` LRANGE comments 2 3 1. "B" 2. "C" ``` 出现这种情况的原因在于 List 是利用元素所在的位置排序，一旦有新元素插入，`List = ｛E，A，B，C，D｝`。 原先的数据在 List 的位置都往后移动一位，导致读取都旧元素。  ##### 小结 只有不需要分页（比如每次都只取列表的前 5 个元素）或者更新频率低（比如每天凌晨统计更新一次）的列表才适合用 List 类型实现。 对于需要分页并且会频繁更新的列表，需用使用有序集合 Sorted Set 类型实现。 另外，需要通过时间范围查找的最新列表，List 类型也实现不了，需要通过有序集合 Sorted Set 类型实现，如以成交时间范围作为条件来查询的订单列表。 #### 排行榜 > 对于最新列表的场景，List 和 Sorted Set 都能实现，为啥还用 List 呢？直接使用 Sorted Set 不是更好，它还能设置 score 权重排序更加灵活。 原因是 Sorted Set 类型占用的内存容量是 List 类型的数倍之多，对于列表数量不多的情况，可以用 Sorted Set 类型来实现。 比如要一周音乐榜单，我们需要实时更新播放量，并且需要分页展示。 除此以外，排序是根据播放量来决定的，这个时候 List 就无法满足了。 我们可以将音乐 ID 保存到 Sorted Set 集合中，`score` 设置成每首歌的播放量，该音乐每播放一次则设置` score = score +1`。 **ZADD** 比如我们将《青花瓷》和《花田错》播放量添加到 musicTop 集合中： ``` ZADD musicTop 100000000 青花瓷 8999999 花田错 ``` **ZINCRBY** ``` 《青花瓷》每播放一次就通过 `ZINCRBY`指令将 score + 1。 > ZINCRBY musicTop 1 青花瓷 > 100000001 ``` **ZRANGEBYSCORE** 最后我们需要获取 musicTop **前十**播放量音乐榜单，目前最大播放量是 N ，可通过如下指令获取： ``` ZRANGEBYSCORE musicTop N-9 N WITHSCORES ``` > 可是这个 N 我们怎么获取呀？ **ZREVRANGE** 可通过 `ZREVRANGE key start stop [WITHSCORES]`指令。 其中元素的排序按 `score` 值递减(从大到小)来排列。 具有相同 `score` 值的成员按字典序的逆序([reverse lexicographical order](https://en.wikipedia.org/wiki/Lexicographic_order#Reverse_lexicographic_order))排列。 ``` > ZREVRANGE musicTop 0 0 WITHSCORES 1. "青花瓷" 2. 100000000 ``` #### 小结 即使集合中的元素频繁更新，Sorted Set 也能通过 `ZRANGEBYSCORE` 命令准确地获取到按序排列的数据。 **在面对需要展示最新列表、排行榜等场景时，如果数据更新频繁或者需要分页显示，建议优先考虑使用 Sorted Set。** ### 聚合统计 指的就是统计多个集合元素的聚合结果，比如说： - 统计多个元素的共有数据（交集）； - 统计两个集合其中的一个独有元素（差集统计）； - 统计多个集合的所有元素（并集统计）。 > 什么样的场景会用到交集、差集、并集呢？ Redis 的 Set 类型支持集合内的增删改查，底层使用了 Hash 数据结构，无论是 add、remove 都是 O(1) 时间复杂度。 并且支持多个集合间的交集、并集、差集操作，利用这些集合操作，解决上边提到的统计问题。 #### 交集-共同好友 比如 QQ 中的共同好友正是聚合统计中的交集。我们将账号作为 Key，该账号的好友作为 Set 集合的 value。 模拟两个用户的好友集合： ``` SADD user:码哥字节 R 大 Linux 大神 PHP 之父 SADD user:大佬 Linux 大神 Python 大神 C++菜鸡 ```  统计两个用户的共同好友只需要两个 Set 集合的交集，如下命令： ``` SINTERSTORE user:共同好友 user:码哥字节 user:大佬 ``` 命令的执行后，「user:码哥字节」、「user:大佬」两个集合的交集数据存储到 user:共同好友这个集合中。 #### 差集-每日新增好友数 比如，统计某个 App 每日新增注册用户量，只需要对近两天的总注册用户量集合取差集即可。 比如，2021-06-01 的总注册用户量存放在 `key = user:20210601` set 集合中，2021-06-02 的总用户量存放在 `key = user:20210602` 的集合中。  如下指令，执行差集计算并将结果存放到 `user:new` 集合中。 ``` SDIFFSTORE user:new user:20210602 user:20210601 ``` 执行完毕，此时的 user:new 集合将是 2021/06/02 日新增用户量。 除此之外，QQ 上有个可能认识的人功能，也可以使用差集实现，就是把你朋友的好友集合减去你们共同的好友即是可能认识的人。 #### 并集-总共新增好友 还是差集的例子，统计 2021/06/01 和 2021/06/02 两天总共新增的用户量，只需要对两个集合执行并集。 ``` SUNIONSTORE userid:new user:20210602 user:20210601 ``` 此时新的集合 userid:new 则是两日新增的好友。 ##### 小结 Set 的差集、并集和交集的计算复杂度较高，在数据量较大的情况下，如果直接执行这些计算，会导致 Redis 实例阻塞。 所以，可以专门部署一个集群用于统计，让它专门负责聚合计算，或者是把数据读取到客户端，在客户端来完成聚合统计，这样就可以规避由于阻塞导致其他服务无法响应。 **转自** - https://segmentfault.com/a/1190000040473964
没有评论