Redis 新数据类型
# Bitmaps
# 简介
现代计算机用二进制（位） 作为信息的基础单位， 1 个字节等于 8 位， 例如 “abc” 字符串是由 3 个字节组成， 但实际在计算机存储时将其用二进制表示， “abc” 分别对应的 ASCII 码分别是 97、 98、 99， 对应的二进制分别是 01100001、 01100010 和 01100011，如下图
合理地使用操作位能够有效地提高内存使用率和开发效率。
Redis 提供了 Bitmaps 这个 “数据类型” 可以实现对位的操作：
（1） Bitmaps 本身不是一种数据类型，实际上它就是字符串（key-value），但是它可以对字符串的位进行操作。
（2） 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。
# 命令
# setbit
（1）格式
setbit <key> <offset> <value> 设置 Bitmaps 中某个偏移量的值（0 或 1）
- offset: 偏移量从 0 开始
（2）实例
每个独立用户是否访问过网站存放在 Bitmaps 中， 将访问的用户记做 1， 没有访问的用户记做 0， 用偏移量作为用户的 id。
设置键的第 offset 个位的值（从 0 算起） ， 假设现在有 20 个用户，userid=1， 6， 11， 15， 19 的用户对网站进行了访问， 那么当前 Bitmaps 初始化结果如图
unique:users:20201106 代表 2020-11-06 这天的独立访问用户的 Bitmaps
很多应用的用户 id 以一个指定数字（例如 10000） 开头， 直接将用户 id 和 Bitmaps 的偏移量对应势必会造成一定的浪费， 通常的做法是每次做 setbit 操作时将用户 id 减去这个指定数字。
在第一次初始化 Bitmaps 时， 假如偏移量非常大， 那么整个初始化过程执行会比较慢， 可能会造成 Redis 的阻塞。
# getbit
（1）格式
getbit <key> <offset> 获取 Bitmaps 中某个偏移量的值。
获取键的第 offset 位的值（从 0 开始算）。
# bitcount
统计字符串被设置为 1 的 bit 数。一般情况下，给定的整个字符串都会被进行计数，通过指定额外的 start 或 end 参数，可以让计数只在特定的位上进行。start 和 end 参数的设置，都可以使用负数值：比如 -1 表示最后一个位，而 -2 表示倒数第二个位，start、end 是指 bit 组的字节的下标数，二者皆包含。
（1）格式
bitcount <key> [start end] 统计字符串从 start 字节到 end 字节比特值为 1 的数量。
（2）实例
计算 2022-11-06 这天的独立访问用户数量
start 和 end 代表起始和结束字节数， 下面操作计算用户 id 在第 1 个字节到第 3 个字节之间的独立访问用户数， 对应的用户 id 是 11， 15， 19。
举例： K1 【01000001 01000000 00000000 00100001】，对应【0，1，2，3】。
bitcount K1 1 2 ： 统计下标 1、2 字节组中 bit=1 的个数，即 01000000 00000000 --》bitcount K1 1 2 --》1
bitcount K1 1 3 ： 统计下标 1、2 字节组中 bit=1 的个数，即 01000000 00000000 00100001 --》bitcount K1 1 3 --》3
bitcount K1 0 -2 ： 统计下标 0 到下标倒数第 2，字节组中 bit=1 的个数，即 01000001 01000000 00000000 --》bitcount K1 0 -2 --》3
redis 的 setbit 设置或清除的是 bit 位置，而 bitcount 计算的是 byte 位置。
# bitop
(1) 格式
bitop and(or/not/xor) <destkey> [key…]
bitop 是一个复合操作， 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。
(2) 实例
2020-11-04 日访问网站的 userid=1,2,5,9。
setbit unique:users:20201104 1 1
setbit unique:users:20201104 2 1
setbit unique:users:20201104 5 1
setbit unique:users:20201104 9 1
2
3
4
5
6
7
2020-11-03 日访问网站的 userid=0,1,4,9。
setbit unique:users:20201103 0 1
setbit unique:users:20201103 1 1
setbit unique:users:20201103 4 1
setbit unique:users:20201103 9 1
2
3
4
5
6
7
计算出两天都访问过网站的用户数量
bitop and unique:users:and:20201104_03 unique:users:20201103unique:users:20201104
计算出任意一天都访问过网站的用户数量（例如月活跃就是类似这种），可以使用 or 求并集。
# Bitmaps 与 set 对比
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 分别存储活跃用户可以得到表
| set和Bitmaps存储一天活跃用户对比 | ||||
|---|---|---|---|---|
| 数据类型 | 每个用户id占用空间 | 需要存储的用户量 | 全部内存量 | |
| 集合类型 | 64位 | 50000000 | 64位*50000000 = 400MB | |
| Bitmaps | 1位 | 100000000 | 1位*100000000 = 12.5MB | |
很明显， 这种情况下使用 Bitmaps 能节省很多的内存空间， 尤其是随着时间推移节省的内存还是非常可观的。
| set和Bitmaps存储独立用户空间对比 | ||||
|---|---|---|---|---|
| 数据类型 | 一天 | 一个月 | 一年 | |
| 集合类型 | 400MB | 12GB | 144GB | |
| Bitmaps | 12.5MB | 375MB | 4.5GB | |
但 Bitmaps 并不是万金油，假如该网站每天的独立访问用户很少，例如只有 10 万（大量的僵尸用户），那么两者的对比如下表所示，很显然，这时候使用 Bitmaps 就不太合适了，因为基本上大部分位都是 0。
| set和Bitmaps存储一天活跃用户对比（独立用户比较少） | ||||
|---|---|---|---|---|
| 数据类型 | 每个userid占用空间 | 需要存储的用户量 | 全部内存量 | |
| 集合类型 | 64位 | 100000 | 64位*100000 = 800KB | |
| Bitmaps | 1位 | 100000000 | 1位*100000000 = 12.5MB | |
# HyperLogLog
# 简介
在工作当中，我们经常会遇到与统计相关的功能需求，比如统计网站 PV（PageView 页面访问量）, 可以使用 Redis 的 incr、incrby 轻松实现。
但像 UV（UniqueVisitor，独立访客）、独立 IP 数、搜索记录数等需要去重和计数的问题如何解决？这种求集合中不重复元素个数的问题称为基数问题。
解决基数问题有很多种方案：
（1）数据存储在 MySQL 表中，使用 distinct count 计算不重复个数。
（2）使用 Redis 提供的 hash、set、bitmaps 等数据结构来处理。
以上的方案结果精确，但随着数据不断增加，导致占用空间越来越大，对于非常大的数据集是不切实际的。
能否能够降低一定的精度来平衡存储空间？Redis 推出了 HyperLogLog
Redis HyperLogLog 是用来做基数统计的算法，HyperLogLog 的优点是，在输入元素的数量或者体积非常非常大时，计算基数所需的空间总是固定的、并且是很小的。
在 Redis 里面，每个 HyperLogLog 键只需要花费 12 KB 内存，就可以计算接近 2^64 个不同元素的基数。这和计算基数时，元素越多耗费内存就越多的集合形成鲜明对比。
什么是基数？
比如数据集 {1, 3, 5, 7, 5, 7, 8}， 那么这个数据集的基数集为 {1, 3, 5 ,7, 8}, 基数 (不重复元素) 为 5。 基数估计就是在误差可接受的范围内，快速计算基数。
# 命令
# pfadd
（1）格式
pfadd <key>< element> [element ...] 添加指定元素到 HyperLogLog 中。
（2）实例
将所有元素添加到指定 HyperLogLog 数据结构中。如果执行命令后 HLL 估计的近似基数发生变化，则返回 1，否则返回 0。
# pfcount
（1）格式
pfcount<key> [key ...] 计算 HLL 的近似基数，可以计算多个 HLL，比如用 HLL 存储每天的 UV，计算一周的 UV 可以使用 7 天的 UV 合并计算即可。
（2）实例
# pfmerge
（1）格式
pfmerge<destkey><sourcekey> [sourcekey ...] 将一个或多个 HLL 合并后的结果存储在另一个 HLL 中，比如每月活跃用户可以使用每天的活跃用户来合并计算可得。
（2）实例
# Geospatial
# 简介
Redis 3.2 中增加了对 GEO 类型的支持。GEO，Geographic，地理信息的缩写。该类型，就是元素的 2 维坐标，在地图上就是经纬度。redis 基于该类型，提供了经纬度设置，查询，范围查询，距离查询，经纬度 Hash 等常见操作。
# 命令
# geoadd
（1）格式
geoadd <key> <longitude> <latitude> <member> [longitude latitude member...] 添加地理位置（经度，纬度，名称）。
（2）实例
geoadd china:city 121.47 31.23 shanghai
geoadd china:city 106.50 29.53 chongqing 114.05 22.52 shenzhen 116.38 39.90 beijing
2
3
两极无法直接添加，一般会下载城市数据，直接通过 Java 程序一次性导入。
有效的经度从 -180 度到 180 度。有效的纬度从 -85.05112878 度到 85.05112878 度。
当坐标位置超出指定范围时，该命令将会返回一个错误。
已经添加的数据，是无法再次往里面添加的。
# geopos
（1）格式
geopos <key> <member> [member...] 获得指定地区的坐标值。
（2）实例
# geodist
（1）格式
geodist <key> <member1> <member2> [m|km|ft|mi 获取两个位置之间的直线距离。
（2）实例
获取两个位置之间的直线距离。
单位：
m 表示单位为米 [默认值]。
km 表示单位为千米。
mi 表示单位为英里。
ft 表示单位为英尺。
如果用户没有显式地指定单位参数， 那么 GEODIST 默认使用米作为单位。
# georadius
（1）格式
georadius <key> <longitude> <latitude> radius m|km|ft|mi 以给定的经纬度为中心，找出某一半径内的元素。
经度 纬度 距离 单位。
（2）实例
