目录
简介
高级数据结构具体方法解析
Bitmaps 位图
操作命令
setbit设置值
getbit获取值
bitcount获取Bitmaps指定范围值位1的个数
bitop Bitmaps间的运算
bitpos计算Bitmaps中第一个值为targetBit的偏移量
Bitmaps优势
布隆过滤器
布隆过滤器的误判问题
优化方案
优缺点
应用场景
Redis中的布隆过滤器
redisson
HyperLogLog
特点优势
应用场景
基本原理
操作命令
pfadd添加元素
pfcount统计总数
pfmerge计算多个HyperLogLog的并集
GEO
操作命令
geoadd 增加/更新地理位置信息
geopos 获取地理位置信息
geodist 获取两个地理位置的距离
georadius获取指定位置范围内的地理信息位置集合
georadiusbymember 获取指定范围内的地理位置集合
geohash 指定地理位置的geohash字符串表示
geodel 删除地理位置信息
简介
本文章来学习和实践一下Redis的高级数据结构，主要包含有BitMaps、HyperLogLog、GEO三个数据结构。
高级数据结构具体方法解析
Bitmaps 位图
Redis提供的Bitmaps这个“数据结构”可以实现对位的操作。Bitmaps本身不是一种数据结构，实际上它就是字符串，但是它可以对字符串的位进行操作。
Bitmaps单独提供了一套命令，所以在Redis中使用Bitmaps和使用字符串的方法不太相同。可以把bitmaps想象成一个以位为单位的数组，数组的每个单元只能存储0和1，数组的下标在Bitmaps中叫做偏移量。
操作命令
setbit设置值
setbit key offset value
设置键的第offset个位的值（从0算起）。
getbit获取值
getbit key offset
获取键的第offset位的值（从0开始算）。
bitcount获取Bitmaps指定范围值位1的个数
bitcount key [start end]
start：偏移量
end：偏移量
将偏移量(下标)为0的值改为0，则统计出来范围值为1的个数就会减少
bitop Bitmaps间的运算
bitop operation destkey key [key ...]
bitop是一个符合操作，它可以做多个Bitmaps的and（交集）or（并集）not（非）xor（异或）操作并将结果保存在destkey中。
bitpos计算Bitmaps中第一个值为targetBit的偏移量
bitpos key bit [start] [end]
- key：位图的键名。
- bit：要查找的位值，只能是 0 或 1。
- START（可选）：开始搜索的偏移量。
- END（可选）：结束搜索的偏移量。
命令返回第一个匹配指定值的位的偏移量。如果未找到匹配的位，且未指定 START 和 END 参数，则返回 -1。如果指定了 START 和 END，但在该范围内未找到匹配的位，则返回一个大于 END 的值（这实际上是Redis的一种约定，表示未找到）。
Bitmaps优势
假设网站有1亿用户，每天独立访问的用户有5千万，如果每天用集合类型和 Bitmaps分别存储活跃用户，很明显，假如用户id是Long型，64位，则集合类型占据的空间为64位x50 000 000= 400MB，而Bitmaps则需要1位×100 000 000=12.5MB，可见Bitmaps能节省很多的内存空间。
布隆过滤器
用来判断一个元素是否在一个集合中。
布隆过滤器是由一个很长的二进制向量（位数组）和一系列哈希函数组成。它主要用于判断一个元素是否存在于一个集合中，查询结果有两种：
- 这个元素可能存在于这个集合当中。
- 这个元素一定不存在于这个集合当中。
工作原理：
1.位数组：布隆过滤器使用一个长度为m的位数组，每一位都初始化为0。这些将用于表示元素的存在情况。
2.哈希函数：布隆过滤器配备了k个独立的哈希函数。每个哈希函数都会为输入的元素生成一个0到m-1之间的索引值，也就是将元素“映射”到位数组中的某个位置。
当将一个元素添加到布隆过滤器时，k个哈希函数会为该元素生成k个不同的索引值，并将位数组中的这k个位置设置为1。查询某个元素是否存在时，布隆过滤器会使用相同的k个哈希函数生成对应的k个索引值，并检查位数组中的这些位置是否都为1.如果都为1，则表示该元素可能存在；如果有任何一位为0，则可以确定该元素不存在。
布隆过滤器的误判问题
通过hash计算在数组上不一定在集合
本质是hash冲突
通过hash计算不在数组的一定不在集合（误判）
优化方案
增大数组（预估适合值）
增加hash函数
