Bitmaps

介绍

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，“bc”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。

特点：极大地节省空间，减少内存的使用，提高CPU的利用率。对于大数据量有明显的效果

命令

存储：setbit key 偏移量 1/0

获取：getbit key 偏移量

内容计数：bitcount key

127.0.0.1:6379> setbit users:2021 1 1
(integer) 0
127.0.0.1:6379> setbit users:2021 6 1
(integer) 0
127.0.0.1:6379> setbit users:2021 11 1
(integer) 0
127.0.0.1:6379> setbit users:2021 15 1
(integer) 0
127.0.0.1:6379> getbit users:2021 1
(integer) 1
127.0.0.1:6379> getbit users:2021 6
(integer) 1
127.0.0.1:6379> getbit users:2021 15
(integer) 1
127.0.0.1:6379> getbit users:2021 8
(integer) 0
127.0.0.1:6379> bitcount users:2021
(integer) 4
127.0.0.1:6379>

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。

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。·

存储：pfadd key value

内容计数：pfcount key

命令

127.0.0.1:6379> pfadd program "java"
(integer) 1
127.0.0.1:6379> pfadd program "php"
(integer) 1
127.0.0.1:6379> pfadd program "java"
(integer) 0
127.0.0.1:6379>
127.0.0.1:6379> pfadd program "c++" "mysql"
(integer) 1
127.0.0.1:6379> pfcount program

Geospatial

简介

Redis3.2中增加了对GE0类型的支持。GE0，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。

存储地图的数据类型，经度纬度

命令

127.0.0.1:6379[2]> geoadd china:city 116.40 39.90   beijing
(integer) 1
127.0.0.1:6379[2]> geoadd china:city 121.47 31.23   shanghai
(integer) 1
127.0.0.1:6379[2]> geoadd china:city 106.50 29.53   chongqin 114.05 22.52   shenzhen
(integer) 2
127.0.0.1:6379[2]> geoadd china:city 108.96 34.26   xian 120.16 30.24   hangzhou

127.0.0.1:6379[2]> geopos china:city beijing chongqin
1) 1) "116.39999896287918"
 2) "39.900000091670925"
2) 1) "106.49999767541885"
 2) "29.529999579006592"

127.0.0.1:6379[2]> geodist china:city beijing shanghai km
"1067.3788"