Redis数据类型及使用场景
Redis使用场景
1、高并发热点数据缓存
对于高并发，读多写少的场景。通常将热点数据加载到Redis中缓存起来，减少数据库的压力，并提高响应速度
2、分布式缓存
在分布式的系统架构中，多个服务之间需要共享缓存交换数据，将缓存存储在各自机器的内存中显然不行，这就需要Redis的分布式缓存使服务间共享
3、分布式锁
在高并发的情况下，我们需要一个锁来防止并发带来的脏数据，Java自带的锁机制显然对多服务间的并发并不好使，此时可以利用Redis的单线程的特性来实现分布式锁
4、session存储/共享
Redis可以将Session持久化到存储中，这样可以避免由于机器宕机而丢失用户会话信息
5、发布/订阅
在一个channel发布消息后，所有订阅此channel的客户端都会收到此消息通知，这一功能可用作实时消息系统
6、任务队列
Redis 的 lpush+brpop 命令组合即可实现阻塞队列，生产者客户端使用 lrpush 从列表左侧插入元素，多个消费者客户端使用 brpop 命令阻塞式的”抢”列表尾部的元素，多个客户端保证了消费的负载均衡和高可用性。
7、限速，接口访问频率限制
比如发送短信验证码的接口，通常为了防止别人恶意频刷，会限制用户每分钟获取验证码的频率。
Redis数据类型及其数据结构
Redis有五种数据类型。分别为
1、string（字符串）
Redis的字符串是简单动态字符串SDS（Simple Dynamic String），是可以修改的字符串，内部结构的实现类似于Java的ArrayList，是一个带长度信息的字节数组，采用预分配冗余空间的方式来减少内存的频繁分配；
实际分配的空间capacity一般要高于实际字符串长度len。当字符串长度小于1MB时，扩容都是加倍现有的空间。如果字符串的长度超过1MB，扩容时一次只会多扩1MB的空间。需要注意的是字符串的最大长度为512MB
计数：如果value是一个整数，还可以对它进行自增操作。不过自增是有范围的，它的范围在signed long的最大值和最小值之间（0-2^63-1），超过这个范围，Redis会报错
2、list（列表）
Redis中的列表相当于Java语言中的LinkedList，注意它是链表而不是数组。这意味着list的插入和删除很快，时间复杂度为 O(1)，但是查询很慢，时间复杂度为O(n)，但是深入了解的话，Redis底层存储的并不是一个简单的LinkedList，而是称为一个快速链表的结构。在列表元素较少的情况下，会使用一块连续的内存存储，这个结构是ziplist，即压缩列表，当数据量比较多的时候才会改成quicklist，因为普通的链表需要的附加指针空间太大，会浪费空间，还会加重内存的碎片化，Redis将多个ziplist使用双向指针串起来使用组成了quicklist，既满足了快速的插入删除性能，又不会出现太大的空间冗余。
Redis的列表常用来做异步队列使用。将需要延后的任务结构体序列化字符串，塞进Redis中的列表，另一个线程从这个列表中轮询数据进行处理。
3、hash（字典）
Redis的字典相当于Java语言中的HashMap，它是无序字典，内部存储了很多键值对。实际结构和Java中的HashMap也是一样的，都是数组+链表的结构，第一维hash的数组位置碰撞时，就会将碰撞的元素使用链表串接起来。
但是Redis的字典的值只能是字符串，另外它们rehash的方式也不同，Java需要一次性rehash，Redis为了追求性能，采用了渐进式rehash策略：在rehash时会保留新旧两个hash结构，查询时会同时查询两个hash结构，然后在后续的定时任务以及hash操作指令中，循序渐进的将旧的hash内容一点点的迁移到新的hash结构中，当全部迁移完成了就会使用的新的hash完全替代。
hash也有缺点，hash结构的存储消耗要高于单个字符串。hash结构中的单个子key也可以单独进行计数，对应的指令是hincrby，和incr基本一样
4、set（集合）
Redis的集合相当于Java语言中的HashSet，它内部的键值对是无序，唯一的，它的内部实现相当于一个特殊的字典，字典中所有的Value都是一个值NULL。
当集合中最后一个元素被移除之后，数据结构被自动删除，内存被回收。set结构可以用来存储在某活动中中奖用户的ID，因为有去重功能，可以保证一个用户不会中奖两次。
5、zset（Sorted Set，有序集合）
它类似与Java中的SortedSet和HashMap的结合体，一方面它是一个set，保证了内部value的唯一性，另一方面可以为每个value赋予一个score，代表这个value的排序权重。它的内部实现的数据结构是跳跃列表。
zset可以存储学生的成绩，value是学生的ID，score是他的考试成绩，我们对成绩按分数进行排序就能得到名次。
跳跃列表：
zset内部的排序功能是通过跳跃列表来实现的。因为zset要支持随机的插入和删除，所以不宜使用数组来表示。
跳表可以理解为一个加了多级索引的链表。对一个单链表来讲，即使链表中存储的数据是有序的，如果我们要想在
其中查找某个数据，也只能从头到尾遍历链表，效率很低，时间复杂度是 O(n)，如何提高查询效率呢，我们可以
通过给链表加索引的方式。如：
如果要查找元素16，现在索引层遍历，找到第二索引层中13的结点时，向下到第一层索引，发现其下一个元素是17，大于16，因此通过索引层结点的down
指针，下降到原始链表这一层，继续遍历，这个时候只需要再遍历2个结点，就可以找到16这个结点了。这样有了索引层之后原本需要遍历10个结点，现在
只需要遍历6个结点了。链表元素越多，索引层越多查询优势越加明显。所以在跳表中查询任意数据的时间复杂度就是 O(logn)，和二分查找的时间复杂度是
一样的。但是相比于单链表，跳表需要存储多级索引，因此要消耗更多的存储空间。如一个长度为n的链表，第一级索引大约有n/2个结点，第二级大约有n/4
个结点，每上升 一级结点就减少一半，直到剩下2个结点。因此共有约2+4+...+n/4+n/2是一个等比数列和为n-2(公式a1-an*q/1-q)，因此跳表的空间复杂度为O(n).
要想降低跳表的空间复杂度，可以考虑3个或更多的结点建立一个索引。
跳表的索引动态更新：当不断的往跳表中插入数据时，如果不更新索引就会出现某2个索引结点之间数据非常多的情况，极端条件下甚至会退化成单链表。因此
当往跳表中插入数据时，应该选择性的将这个数据插入到部分索引层中，通过随机函数的方式生成值k，将结点添加到第k级索引层中。
Redis为什么用跳表实现有序列表而不是红黑树？
Redis中有序集合支持的核心操作主要有下面几个：
插入数据，删除数据，查找数据，按照区间查找数据（比如查找score在[100-250]的数据），迭代输出有序序列等
其中，插入，删除，查找以及迭代输出有序序列这几个操作，红黑树也能实现，时间复杂度也是O(logn)，但是按照区间来查找数据这个操作，红黑树的效率没有
跳表高。对于按照区间查找数据这个操作，跳表可以做到O(logn)的时间复杂度定位区间的起点，然后在原始链表中顺序往后遍历就可以了，效率很高。还有一个
原因就是跳表更容易代码实现。
容器型数据结构的通用规则
list、set、hash、zset这四种数据结构是容器型数据结构，有下面两个通用规则
1、create if not exists：如果容器不存在就创建一个，再进行操作
2、drop if no elements：如果容器里的元素没有了，那么立即删除容器，释放内存
过期时间
Redis所有的数据结构都可以设置过期时间，时间到了之后会执行Redis的删除策略，但是有一个需要特别注意的地方，如果一个字符串已经设置了过期时间，然后调用set命令修改了它，那么它的过期时间会消失。
消息队列
Redis可以实现轻量级的消息队列。对于那些只有一组消费者的消息队列，使用Redis就可以轻松搞定。
但是Redis不是专业的消息队列，没有ack保证，因此对消息可靠性有极高要求的话就不适合使用。
1、异步消息队列
Redis的list（列表）数据结构常用来作为异步消息队列使用，使用rpush（右入队）和lpush（左入队）操作入队列，用lpop（左出队）和rpop（右出队）操作出队。
它支持多个生产者和消费这并发进出消息，每个消费者拿到的消息都是不同的列表元素。
如果队列空了：pop获取数据的话会不停的pop空轮询，会导致拉高客户端的CPU消耗和QPS导致慢查询增多。因此遇到空队列可让当前线程先sleep 1s。
阻塞读：让线程休眠1s可导致消息队列的延迟增大，可使用blpop/brpop替代lpop/rpop，阻塞读在队列没有数据的时候，会立即进入休眠状态，一旦数据到来，则
立即醒过来，消息的延迟几乎为0.
空闲连接：如果线程阻塞时间太长，Redis的客户端就变成了闲置连接，闲置过久，服务器一般会断开连接，减少闲置资源占用，这个时候brpop/blpop会抛出异常，
所以在编写消费者时要扑获异常，然后重试。
2、延时队列
延时队列可以使用Redis的zset（有序列表）来实现。将消息序列化成一个字符串作为zset的value，这个消息的到期处理时间作为score，然后利用多个线程轮询
zset获取到期的任务进行处理。
Redis高级数据结构
位图
bitmap
平时的开发中，有些布尔型的数据需要存取，如用户一年的签到记录，签了是1，不签是0.要记录365天，当用户量很大的时候，需要的存储空间是很大的。为了
解决这个问题，Redis提供了位图数据结构，这样每条数据只占据一个位，如365条记录只占据365个位，46字节。大大节省了存储空间。位图的最小单位是bit。
每个bit的取值只能是0或者1。位图其实就是byte数组。可以使用get/set直接获取和设置整个位图的内容，也可以使用位图操作getbit/setbit来把byte数组当成位
数组来处理。
HyperLogLog
HyperLogLog用来解决去重的统计问题，提供了不精确的计数方案，标准误差为0.81%。例如统计页面的UV，用set的话如果有千万级的UV，set集合会非常大
非常浪费空间。这种情况就适合用HyperLogLog。
HyperLogLog提供了两个指令pfadd和pfcount，pfadd用来增加计数，pfcount用来获取计数。另一个指令pfmerge，用于将多个pf计数值累加在一起形成一个新
的pf值。
布隆过滤器
HyperLogLog虽然能去重，但是不能判断是否包含一个值的情况。这就需要布隆过滤器来判断是否包含某个值了。
Bloom Filter，专门用来解决大数据量的去重问题。而且比set要节省90%以上的空间，不过稍微有点不精确，有一定的误判概率。当布隆过滤器说某个值存在时，可能不存在，当说不存在时就一定不存在。
用法：两个基本指令，bf.add和bf.exists 添加一个元素和判断一个元素是否存在。 bf.madd和bf.mexists添加多个元素和查询多个元素是否存在。
通过在add之前bf.reserve指令显式创建，在bf.reserve指令的三个参数中自定义布隆过滤器。这三个参数分别是 key、error_rate（错误率）和initial_size，error_rate越低，需要的空间越大
initial_size表示预计放入元素的数量，当实际数量超出这个数值时，误判率会上升，所以需要提前设置一个较大的数值避免超出导致误判率升高。但也不能太
大，会浪费内存空间。所以在使用之前要尽可能的精确估计元素数量，还要加上一定的冗余空间避免实际的元素比预估高出很多。
原理：布隆过滤器的数据结构是一个大型的位数组和几个不一样的无偏hash函数。所谓无偏就是能够把元素的hash值算的比较均匀，让元素被hash映射到位数组
的位置比较随机。 过程：当向布隆过滤器中添加key时，会使用多个hash函数对key进行hash，算得一个整数索引值，然后对位数组长度进行取模运算得到
一个位置，每个hash函数都会得到一个位置。再把位位置的这几个位置都置为1，完成add操作。 查找key时，用多个hash函数对key进行hash，再根据长度算
得对应的几个位置，看这几个位置对应的值是否都是1，有一个位置为0，则说明key不存在。都为1也可能是其他的key哈希冲突导致，也可能不存在。所以如
果数组比较稀疏，则判断正确的概率就很大。
应用：避免缓存穿透将所有有可能存在的key放进布隆过滤器中，查询时过滤掉一个一定不存在数据的查询，减轻数据库的压力。
Redis实现限流
漏斗限流：模块Redis-Cell，用法
cl.throttle key capacity times seconds 1
参数：key 是用户+行为
capacity：漏斗的初始容量，不受限流控制的次数
times ：多少次
seconds：多少时间内，单位秒
1：默认值1，表示剩余空间的最小单位
结果为5个Integer值，从上到下依次表示
1、0表示允许，1表示禁止
2、漏斗容量capacity
3、漏斗剩余空间
4、如果被拒绝了需要多长时间进行重试，单位秒，没决绝的话值为-1
5、多长时间后漏斗完全空出来
地理位置Geo模块
可以用来查找附近的单车，餐馆类似功能。地理元素的位置使用二维的经纬度表示，京都范围 [-180,180]，纬度范围 [-90,90]，纬度正负以赤道为界，北正南负。
经度正负以本初子午线（英国格林尼治天文台）为界，东正西负。
业界比较通用的地理位置距离排序算法是GeoHash算法，Redis也使用GeoHash算法。GeoHash算法将二维的经纬度数据映射到一维的整数，这样所有的元素
都挂载到一条线上，距离靠近的二维坐标映射到一维后的点之间距离也会很接近。如我们要计算附近的人时，首先将目标位置映射到这条线上，然后在这个一
维的 线上获取附近的点就行了。
scan
Redis提供了一个简单粗暴的keys指令用来列出所有满足特定正则字符串规则的key。使用时只需要再keys 后面提供一个简单的正则匹配字符串即可。但是有两
个致命缺点：
1、没有offset、limit参数，会一次性列出所有符合条件的key，即使有成千上万个key，也会一一列出
2、keys算法是遍历算法，时间复杂度为O(n),如果符合条件的key有千万级别以上就会导致Redis服务卡顿，由于Redis是单线程操作，所有读写Redis的其他
指令都会延后甚至会超时报错。
scan指令：2.8版本提供
1、复杂度为O(n)，但它是通过游标分步进行的，不会阻塞线程
2、提供limit参数，可以控制每次返回结果的最大条数，limit只是一个hint，返回的结果可多可少
3、同keys一样，也提供模式匹配功能
4、服务器不需要为游标保持状态，游标唯一的状态就是scan返回给客户端的游标整数
5、返回的结果可能会有重复，需要客户端去重
6、遍历的过程如果有数据修改，改动后的数据能不能遍历是不确定的
7、单次返回的结果是空的并不意味着遍历结束，而要看返回的游标值是否为0
在Redis中所有的key都存储在一个很大的字典中，这个字典和Java中的HashMap一样。
