redis篇（理论篇），2.中期：垂直拆分与

redis篇（理论篇），2.中期：垂直拆分与

目录

1. mysql的演进
2. NoSQL
3. redis概述
4. redis安装
5. redis基本知识

一、MySQL的演进过程

1. 初期：单机架构，简单高效

• 90年代，随着互联网初期发展，单机数据库架构（APP → Middleware → MySQL）完全够用，压力小，易于维护。

2. 中期：垂直拆分与读写分离

• 随着业务量增加，单机无法满足需求，出现了垂直拆分（不同模块用不同数据库）与读写分离（主库写，从库读）策略。

3. 缓存层优化

• 进一步为了减轻MySQL压力，开始在应用层引入文件缓存机制。

• 后续逐渐普及Memcached作为分布式缓存，大大提高了系统性能。

4. 后期：水平扩展与集群

• 业务不断膨胀，最终演变为：

  APP → Middleware → 缓存层（Memcached） → 多个MySQL集群（集群1、集群2、集群3）

• 水平拆分（分库分表）+ 多实例集群成为标配。

5. 存储引擎演变

• 早期 MySQL 采用MyISAM引擎（表锁，效率低，事务支持差）。

• 后来转向InnoDB引擎（行级锁，支持事务、崩溃恢复、外键约束）。

6. 新问题：应对更复杂、变化更快的数据需求

• 随着移动互联网、社交应用爆发，MySQL遇到瓶颈。

• 引入NoSQL体系，存储如用户画像、地理位置、社交关系等数据，减轻关系型数据库压力。

---

二、NoSQL的兴起与应用

1. 什么是NoSQL？

• NoSQL，全称 Not Only SQL，即“不仅仅是SQL”。

• 特点：

  • 格式灵活：基于 Key-Value 或文档，数据类型多样。

  • 无需固定表结构：方便迭代开发，支持敏捷开发和极限编程。

  • 高扩展性和高性能：适应海量数据场景。

【扩展：敏捷开发】强调的是快速迭代、小步快跑、持续反馈、持续优化，而不是像传统开发那样一开始就写一大堆文档、一次性做完。项目分成很多小周期（通常2-4周叫做一个Sprint），每个周期都交付一个可以运行的版本。强调人与人的沟通（团队交流比写文档更重要）。

举个例子：

比如开发一个电商网站：

• 第一个Sprint：只做出首页+商品列表的最小功能；

• 第二个Sprint：增加商品详情页+简单下单功能；

• 第三个Sprint：接入支付；

• 中间每两周就交付一个小版本，客户可以体验，随时调整方向，比如改UI、换支付方式。

这样比起传统一次性做完一整年开发，灵活得多，也风险小得多！

【扩展：极限编程】简称 XP，是敏捷开发的一种具体实践方法。

2. 关系型数据库（RDBMS）与NoSQL的区别

对比点	关系型数据库（RDBMS）	NoSQL
数据结构	结构化（表）	灵活（键值、文档、列存、图）
查询语言	SQL	多样（API调用、类SQL）
数据一致性	强一致性	最终一致性（CAP理论）
事务支持	支持ACID事务	弱化事务以换取扩展性
典型应用	金融、传统企业	社交、内容分发、日志存储

企业典型组合：MySQL + Redis

3. NoSQL应用示例（以淘宝商品页为例）

• 商品基本信息、评论（结构化文档） → MongoDB

• 商品图片（大文件存储） → FastDFS、OSS

• 搜索关键词、商品检索 → ElasticSearch

• 热门商品、秒杀活动缓存 → Redis、Tair、Memcached

• 交易、支付系统 → 仍以关系型数据库为主（如MySQL）

4. NoSQL四大主流分类

类型	代表产品	说明
键值（K-V）存储	Redis、Tair、Memcached	快速访问，缓存场景最佳
文档型数据库	MongoDB	类似JSON存储，灵活结构
列式数据库	HBase、Cassandra	适合大规模写入和分析
图数据库	Neo4j	适合存储复杂网络关系（社交、推荐系统）

---

三、Redis详解

1. 什么是Redis？

• 全称：Remote Dictionary Server（远程字典服务）

• 特点：

  • 基于内存存储，极致高效

  • 支持持久化

  • 丰富的数据结构

  • 用作缓存、数据库、消息中间件

  • 支持发布订阅、地理位置分析、计时器、计数器等应用

2. Redis安装与使用（快速上手）

• Windows环境：下载 redis-cli.exe、redis-server.exe、redis-benchmark.exe 等。

• Linux环境：

  sudo apt-get install redis-server systemctl start redis redis-cli -p 6379

• 测试性能：

  redis-benchmark -h localhost -p 6379 -c 100 -n 10000

  （测试100个并发连接，每个连接发送10000次请求）

• 默认端口：6379

• 测试连接：

  ping → pong

---

四、Redis基础知识

1. 数据库管理

• 默认16个逻辑数据库（编号0~15）

• 常用命令：

  select 0 # 切换数据库 DBSIZE # 查看当前数据库中Key数量 flushdb # 清空当前数据库 flushall # 清空所有数据库

2. 单线程但高性能

• Redis采用单线程事件循环处理请求，避免多线程锁竞争，效率极高。

• 性能瓶颈往往在于内存带宽和网络带宽，不是CPU！

3. 存储机制

• 主要存储在内存（RAM），访问速度极快。

• 持久化方式（可选）：

  • RDB快照：周期性生成内存数据快照到磁盘。

  • AOF日志：记录每一次写操作，支持按日志重放恢复。

• 数据结构组织方式：

  RedisDB └── dict哈希表 ├── key1 → value1 ├── key2 → value2 └── ...

4. 内存管理与淘汰策略

• 配置 maxmemory 限制最大内存占用。

• 超出后可按策略淘汰数据：

  • LRU（最近最少使用）

  • LFU（最少访问次数）

  • TTL（按过期时间）

5. Redis的常见误区

误区	正确理解
多线程一定比单线程快	错！多线程有锁竞争、上下文切换开销
Redis单线程性能不足	错！Redis单线程可支撑几十万QPS，瓶颈一般是带宽和内存

---

五、Redis五大数据类型及常用命令

1. String（字符串类型）

1.1 基础操作

最基础、最常用的数据类型，类似单纯的Key-Value存储。

• 基本操作

  set name "hh" get name

• 过期时间设置

  expire name 10 # 设置10秒后过期 ttl name # 查看剩余生存时间

• 类型查询

　　type name

• 字符串追加

  append name "haha" strlen name

---

 

• 自增/自减

　　set views 0　　　　# 初始浏览量设为0 　　incr views 　　　　# 自增1 　　decr views　　　　　　# 自减1 　　INCRBY views 10　　　　# 设置步长为10

• 范围查询

　　getrange key1 0 3　　　　# 截取0-3下标的字符串

　　getrange key1 0 -1

　　setrange key2 1 xx　　　　# 将下标为1后面插入xx

---

 

　　setex key3 30 "hello"　　　　　　　　# 设置过期时间，30秒过期

　　setnx mykey "redis"　　　　　　　　# 当前值不存在再设置（在分布式锁常试用）若存在值则返回0（创建失败）；不存在则创建返回1

---

 

• 批量设置/获取值

　　mset k1 v1 k2 v2 k3 v3

　　mget k1 k2 k3

　　msetnx k1 v1 k4 v4　　　　# k1存在，k4成功，但最后还是返回0（是一个原子性操作）

• 对象

　　set user:1 {name: zhangsan, age :3}　　　　# 设置一个user：1对象 值为json字符串来保存对象

　　mset user:1:name zhangsan user:1:age 2

　　mget user:1:name user:1:age

　　getset db redis　　　　# 若不存在值，则返回nil

　　get db　　　　　　# redis

　　getset db mongodb　　　　# 若存在值，获取原来的值，redis

　　get db　　　　　　　　# mongodb

1.2 底层原理

　　String是redis中最基础、最常用的数据类型。本质上是二进制安全的字节序列（byte  array）。可以存：文本字符串、整数、二进制数据（如一张图片的二进制流）。

内容特点	底层结构	特点
小的简单字符串（短文本）	SDS（简单动态字符串）	内存连续、长度可变
能表示为整数	直接以整数编码	省内存，操作更快

　　【SDS是什么：Simple Dynamic String】redis自定义的一种字符串结构，比C语言的裸char数组更安全、更高效。

struct SDS {
    int len;     // 实际使用的长度
    int alloc;   // 分配的总容量
    char buf[];  // 字符数组
}
- 记录长度（O(1)取长度，不用遍历）
- 预分配空间（减少频繁扩容）
- 二进制安全（允许存、0）
- 自动扩容&缩容　　　　--->简单来说，SDS是高性能、可变长、带长度标记的字符串，比传统C字符串安全得多。

　　【整数优化（int编码）】如果你存的是一个纯整数，比如SET key 10086，redis底层并不会用SDS，而是直接把值存成int64类型，编码方式设置为int编码。好处是：内存更小（只有8字节），运算更快（比如INCR直接整数加法，不需要字符串转数字）

1.3 注意事项

• SDS预分配导致内存浪费：SDS在扩容时，会预留一部分多余空间，为了减少频繁扩容，如果存大量小字符串，整体可能存在不少内存冗余。
• redis支持最大512MB的字符串，但如果存一个超长字符串，每次GET/SET都要传输这么一大片数据，网络I/O、redis单线程处理、内存拷贝压力都会暴增。-->把大对象切分成多个小key分片存储，或直接用外部存储（如OSS），redis里只存索引ID。
• String除了能存文本，还能存 压缩包、图片、密文，但应用层自己要负责编码/解码（redis不理解格式，只当作byte处理）
• redis的SET操作是覆盖式的--->使用SETNX（不存在时才写入）或则和GETSET等原子指令保护。

2. List数据类型

2.1 基础操作

　　在redis里面，可以把list当成栈、队列、阻塞队列。list的操作还是push和pop比较多。 

　　往尾部添加元素

 

 

 

 

 　　rpoplpush：组合命令，从一个列表的尾部取出元素，加入到另一个列表的头部

 　　lset：存在则相当于更新，不存在则报错。

 　　linsert：将某个具体的值插入到列表具体的值前面/后面。

 　　【总结】实际上是一个链表，左边和右边都可以插入。若key不存在，创建新的链表。若存在链表，则新增内容。若移除key，所有的value则消失。在两边插入或改动值，效率最高！中间元素，效率低一些。

　　消息排队：消息队列（LPUSH RPOP）， 栈（LPUSH RPOP）

2.2 底层原理

　　redis中的list是有序的元素集合，支持从两端推入元素、从两端弹出元素、按下标访问、截取部分列表。典型的【队列】【栈】功能，都可以基于list实现。

场景	底层结构	特点
元素数量少且元素小	ziplist压缩列表	连续内存块，节省空间
元素多或元素大	quicklist快速列表	多个ziplist组成的双向链表

　　（redis 3.2之前是ziplist和linkedlist，之后旧统一成quicklist了）

2.3 典型应用

1. 消息队列：生产者LPUSH入队，消费者RPOP出队，或者用BRPOP支持阻塞式出队（防止无数据时忙等）
2. 任务异步处理：后台任务推送到list，慢慢异步处理，削峰填谷。
3. 最新的消息/帖子按时间逆序存入list。
4. 只保留最近N条记录，比如：浏览记录、搜索热词。

2.4 注意事项

1. 大列表大致LRANGE阻塞：若list非常大，执行LRANGE 0 1000000这种操作，redis是单线程的，会阻塞服务器，影响其他请求。--->控制LRANGE的访问范围，比如分页查询每次只取100条；或者用SCAN类的方式按游标分页（虽然list本身没有SCAN，但可以模拟）
2. 单词插入/删除过多元素时阻塞：比如LPOP/RPOP/PUSH一次处理大量元素时，操作时间是O(N)。可能导致长时间占用CPU，阻塞其他命令。--->尽量保证单词操作粒度小，若一定要批量操作，考虑通过流水线优化。
3. list是双向链表（quicklist），随机访问效率低：按索引取元素（LINDEX），是链表遍历查找，时间复杂度是O(N)。越往后取，速度越慢。--->不要频繁LINDEX大索引位置。如果需要高效随机访问，考虑用Zset或Hash代替。
4. 超大列表内存占用：若一个list积压了几百万条任务，内存消耗巨大，而且链表碎片化严重，还可能导致AOF日志巨长，恢复慢。-->加任务消费保护（限流、超时清理）；给key设置合理过期时间ttl；定时清理无效任务。

3. Set数据类型

3.1 基本操作

　　Set中的值不能重复。无序不重复集合。

 　　Sismember：查看某个元素是否在集合中。

 　　获取元素的个数：Scard myset

 　　移除元素：Srem myset hello

 　　随机抽元素：Srandmember myset 1   # 随机抽取一个元素

 　　删除指定的key，随机删除key：Spop myset　　　　# 随机删除

　　将一个指定的key移动到另外一个set集合中。

 　　微博等共同关注（差集、交集、并集）：

 　　总结：A用户将所有关注的人放在一个集合中，粉丝也放在一个集合中，还可以求共同关注。

3.2 底层原理

　　Set是一种不允许元素重复的无序集合，支持常见集合操作。查询、插入、删除元素时间复杂度是O(1)。

元素数量和大小	底层数据结构	特点
数量小，元素是整数	intset（整数集合）	节省内存，连续存储
元素多或包含非整数	哈希表	快速查找，支持任意字符串

　　【举个例子】假如在redis里执行：SADD myset 1； SADD myset 2； SADD myset 3. 全是整数，数量只有3个，远小于512（默认set-max-intset-entries）。若这样要使用传统哈希表（需要哈希桶数组，每个元素还要单独存一份key，甚至有指针开销），小量元素时dict的内存浪费很明显。而intset直接用连续的一块内存，存放整数，没有指针也没有额外哈希开销，纯粹存数据。所以这时候用intset更好，每个元素占用内存极小，且intset是连续数组，可以直接二分查找（但哈希就要做哈希元素、哈希冲突处理，流程更复杂）。

　　redis设计得很灵活，当intset元素数量超过阈值（默认512个），或者插入了非整数元素，就会自动升级成dict，保证兼容性，不需要人工干预。

　　【Set的扩容机制】当intset超过一定数量或插入非整数元素，会自动转成哈希表。dict元素太多时自动扩容rehash，保持低负载因子，提高性能。（负载因子 = 当前元素个数/哈希桶总数量）简单来说就是每个哈希桶平均有多少元素，若负载因子太高，冲突就多，查找、插入的性能就会下降。所以为了让哈希表保持查找接近O(1)的速度，redis 要动态扩容，让桶变多，保持低负载因子。

　　（1）触发扩容条件：当redis中的哈希表满足以下情况之一时就会触发扩容：元素个数>哈希表大小（负载因子>1）； 若当前执行BGSAVE、AOF rewrite等持久化动作期间，为了避免内存膨胀，负载因子上限提高到5。-->一般情况下，元素数一旦超过桶数量，就触发扩容。

　　（2）redis扩容不是简单地扩大桶数组，而是 新建一个更大的哈希表（一般是原来的2倍大小），把老哈希表的元素一个个搬迁（rehash）到新表里。这个过程叫做rehash（再哈希）。

　　（3）渐进式搬迁：rehash不会一次性把所有元素伴奏，而是每次写操作时顺便搬迁一点。（这样做的目的是防止一次性阻塞redis，避免卡顿，适合高并发环境）

• 假如现在桶的数量为4个，要插入的元素是：【k1, k2, k3, k4, k5】。当插入k5时，会触发扩容。这时候会新建一个哈希表，桶数量变成8个桶。
• ht[0]是旧表，ht[1]是新的8桶表。先搬桶0（k1，k1重新计算哈希值，放到新表对应的位置）--再搬桶2（k2重新计算哈希值，放到新表）--以此类推，慢慢把k3、k4搬走-->最后插入新元素（k5）直接插入到新表ht[1]-->所有元素搬迁完毕，ht[0]置空，rehash完成。
• 最后哈希表状态：只有一个新表Ht[1] 存在（8桶），元素分布更稀疏了，负载因子降低了，查询/插入效率提升。

3.3 典型应用举例

　1. 用户标签管理

SADD user: 123:tags "sports" "reading" "coding"　　　　# 给用户打兴趣标签
SMEMBER user: 123: tags　　　　　　# 查询用户有哪些标签

　 2. 去重系统

SADD access:2025-04-28 192.168.1.1            # 统计每天独立IP访问
SADD access:2025-04-28 192.168.1.2 

SCARD access:2025-04-28                    # 统计当天UV（独立用户数）

　 3. 好友关系/关注关系

SINTER user：123:following user:456:following            # 一个用户关注了哪些人，交集求共同好友

3.4 注意事项

　　1. 内存膨胀问题：当set中元素特别多时（比如几百万个用户），底层哈希表会不断扩容，占用大量内存。-->需要合理估计元素数量，可能时用HyperLogLog或bitmap来替代。

• 预估容量+分桶设计：在业务设计时，根据预期数据量，提前拆分成多个小集合。比如按天、按业务维度拆分

  user:active:2025-04-28
  user:active:2025-04-29

• 改用更轻量的数据结构:
  • 若只需要去重/计数而不关心具体元素：用HyperLogLog代替，大幅降低内存（12KB级别常量大小）
  • 若只需要判断是否存在，则用bitmap（位图）代替，极度压缩空间。

　　2. 集合运算消耗大：SUNION、SINTER、SDIFF在集合很大时，时间复杂度是O(N)-->可能导致redis阻塞，特别是超大集合千万级别。

• 尽量避免在超大集合上直接做集合运算；分组、分页处理，比如按用户id取mod分到不同集合，小集合运算再聚合结果。
• 在业务层做拆分，比如先拿集合元素处理，自己在后台异步慢慢计算交并集，而不是直接让redis做。
• 使用SCAN分批遍历集合，每次取一点，自己在应用层慢慢做集合逻辑。

　　3. 元素过大导致性能下降：若set中的元素本身很大，如超长字符串，哈希冲突变多，查询效率下降。

• 元素存索引而非大对象：详细数据放到其他地方，如用hash或string保存
• 尝试对元素进行简单编码压缩，如用bse64、哈希（MD5/SHA）表示
• 大对象分离到对象存储系统（如OSS），set里只存object id。

4. Hash数据类型

4.1 基础操作

　　key-Map集合，这时候的值是一个map集合。

　　存一个值、取值； 多次存值取值；获取所有的值。

 　　删除某个值：Hdel myhash field1　　

　　看这个key里面有多少个map：Hlen myhash

　　判断某个key对应的值的key的value是否存在：Hexists myhash field1

　　只获得所有的field、value：Hkeys myhash、Hvals myhash

　　自增自减：Hincrby myhash filed3 1、Hdecrby myhash filed3 1

　　存在则创建失败，不存在则创建：Hsetnx filed1 xiaoq（报错）

　　应用：hash变更的数据user name age，尤其是用户信息之类的，经常变动的信息。更适合于对象的存储，String更适合字符串存储。

4.2 底层原理

场景	底层结构	特点
filed数量少且filed和value都很小	ziplist	内存连续，节省空间
filed数量多或某个filed/value很大	哈希表	查找快，支持大规模数据

　　【ziplist】单块连续内存，把field和value依次紧凑存放：[field1][value1][field2][value2]...

　　节省内存，但查找要顺序扫描O(N）。适合小数据量场景，比如几十个短字段的小对象。

　　【dict】标准哈希表实现（桶+连败哦/rehash），和普通redis dict一致。支持快速查找O(1)，支持大对象（很多filed没货field/value很长）

　　【自动切换机制】field数量超过hash-max-ziplist-entries（默认512），或某个field/value长度超过 hash-max-ziplist-value（默认64字节）。只要任一条件满足，Hash会自动从ziplist升级成dict。

4.3 应用

1. 存储对象信息：如存用户资料、商品信息，每个hash就是一条记录。类似于数据库一行的记录。
2. 数据分组管理：把同类数据打包放在同一个hash里，便于批量操作。
3. 轻量级缓存：把热数据缓存成Hash，比如商品SKU属性信息，快速读取。
4. 计数器集合：每个field是一个项目，value是数量，比如：

HINCRBY page:viewcount page1 1
HINCRBY page:viewcount page2 1

4.4 注意事项

1. hash很大导致阻塞：若hash非常大，在执行HGETALL、HKEYS、HVALS这样的全量遍历命令，由于redis是单线程处理，容易导致阻塞整个服务器--->避免对超大hash做一次性全量操作；分批处理，如用HSCAN游标分页扫描。
2. ziplist顺序查找慢：ziplist底层是线性扫描，若filed数量虽然少但访问频繁，线性查找有一定开销--->若访问特别频繁，主动让hash升级为dict，比如预设一定数量的元素怒，或主动插入大字段。
3. 不合理压缩导致性能下降：如果Hash field和value很大，但仍勉强塞在ziplist里（未超过阈值），每次查找都要顺序扫描，性能下降---->调整配置参数 hash-max-ziplist-entries、hash-max-ziplist-value，适配自己业务场景。
4. 大hash导致RDB/AOF膨胀：超大Hash在持久化（RDB快照或AOF日志）时，整个Hash要一次性序列化存盘，内存高峰、持久化慢。解决建议：大对象拆小对象（比如按用户ID分段存储）AOF重写周期合理控制。

5. Zset数据类型

　　底层原理：元素唯一、每个元素关联一个浮点型分数的集合，按照分数大小有序排列。

　　Zset主要由两部分结构组成（双结构设计）：

• 哈希表：键（成员）、值（分数）-->作用：O(1)快速查找某个成员的分数。（纯哈希表不能保证有序！！）
• 跳表：按分数有序排列节点-->按分数范围查询、按排名查询效率高，支持快速区间查找。
  • 多层索引
  • 平均查询、插入、删除时间复杂度都是O(logN）
  • 有序性天然支持范围操作，比如Zrangebyscore、Zrange等

　　当元素数量很少而每个元素内容很小时，redis用ziplist（压缩列表）代替哈希表+跳表：

• ziplist是一个连续内存块，减少内存碎片，提高小数据场景下的效率。默认触发条件：元素数量<128，成员和分数长度都比较短（小于64字节）。
• 配置项：zset-max-ziplist-entries、zset-max-ziplist-value
• 元素变多或变大时，会自动升级为跳表+哈希表。

　　【举个例子】比如一个游戏需要实时显示【玩家积分排行榜】，每个玩家有一个唯一的playID，且有一个不断变化的积分score。要支持：1）查询积分最高的前100名；2）某个玩家当前排名；3）玩家积分增加或减少；4）按积分范围查询玩家（如找出在5000-6000之间的玩家）。问：如何用redis Zset实现？

 　　【步骤一：存储玩家积分】

ZADD game:rankings 1500 player_001
ZADD game:rankings 2200 player_002

　　【步骤二：更新玩家积分】

ZINCRBY game:rankings 200 player_001　　　　# 玩家1积分增加200分

　　【步骤三：查询积分最高的前100名】

ZREVRANGE game: rankings 0 99 WITHSCORES　　　　# 返回分数最高的100个玩家及其积分

　　【步骤四：查询某个玩家当前排名】

ZREVRANK game：rankings player_001　　　　# 返回玩家1当前的名次（注意是0-based排名）

　　【步骤五：查找积分在某个区间的玩家】

ZRANGEBYSCORE game：rankings 5000 6000 WITHSCORES　　　　# 查找积分在2000-6000分之间的玩家

　　　为什么用Zset适合这种场景？——首先Zset是按分数排序，跳表结构，查询高效；插入/更新快速；可以直接查询某个元素的分数；也可以按范围查找。

 　　【注意事项】

1. 为什么Zset会按分数排序？——因为Zset底层使用跳表，每次插入、更新都会把元素放到正确位置。元素插入跳表，redis是保证他们在物理存储上是按照分数有序排列的。Zset里面除了跳表，还有一个哈希表，其负责O(1)查询成员对应的分数，不保证有序！！
2. 跳表是什么？怎么查询？

• 在有序链表的基础上，加了多层“高速通道”，用空间换时间。（多加一些指针来加速索引） 
• 随机层数设计：这里很巧妙！！每个节点在插入时，随机决定有多少层索引，假设每层索引的概率是1/2，即50%的概率只出现在level 1；25%的概率出现在level 2；12.5%的概率出现在level 3 ...。这样会形成一个自然的金字塔结构：上层节点很稀疏，少量关键节点快速跳跃；下层节点密集，细粒度精确查找。
• 为什么要随机：这样可以让跳表保持整体结构“自然平衡”，不用像红黑树、AVL树那样复杂地做旋转或重平衡。（具体说，假如每次插入的层数是固定的，比如总是在第一层，跳表就退化完成普通链表，查询就是O(N)，很慢；若层数完全手动控制，也需要频繁调整。
  • 这种概率性分布保证了：插入、删除简单（只改指针，不调节点）；查询快；空间开销合理（不会层数太多），而且数学证明，这种随机跳表，99%以上概率查询时间不会超过O（logN）。
  • redis中默认最大层数是32层（极少出现）

Level 2: 1 -----> 5 -----> 9 -----> 13
Level 1: 1 -> 3 -> 5 -> 7 -> 9 -> 11 -> 13 -> 15

• 假如要查询11：从最高层2的头节点（1）开始；然后看下一个节点的值（5）；再看下一个节点的值（9）；再往右跳到13，不能跳了； 下到level 1，当前还在9，往右边移动，右边是11，刚好找到。（如果level 2 走到头还没找到，就降级到level 1继续找。）
• 插入元素6：随机抛硬币来决定它的层数（如第一次抛硬币得到正面，则加一层，第二次抛为反面，则停止）；然后在每一层找到插入位置（在level 2找到5<6<9，插入到中间；在level 1查找，5<6<7，插入到中间）
• 插入6之后连接指针，跳表变成：

Level 2:  1 -------> 5 -----> 6 -----> 9
Level 1:  1 -> 3 -> 5 -> 6 -> 7 -> 9

• 删除元素5：从高层到低层寻找5，我们在第二层找到了5，在这里断开1->5的指针，重新连接1->6。再到level 1，找到5之后，断开指针，重新连接3->6。删除完成后，5彻底从跳表移除。

　　3. reid跳表有没有保护机制？（比如随机分布出现问题，比如极端都很低）

• 首先redis跳表最大层数默认是32层，定义在源码server.h里面。

  #define ZSKIPLIST_MAXLEVEL 32 /* Should be enough for 2^32 elements */   也就是说，不管怎么随机，最多只能出现32层索引，防止跳表层数异常高导致查询变慢或浪费内存。为什么设置32？理论上32层可以支撑接近2^32个元素（40亿个节点）而仍保持查询效率在O(logN）。大多实际应用中，元素数量远达不到40亿。

• 受控的随机概率（ZSKIPLIST_P）：redis控制每一层出现的概率为50%（概率银因子P=0.25或P=0.5，源码中是0.25： #define ZSKIPLIST_P 0.25）。每高一层，节点数量按1/4递减，非常快形成金字塔结构。为什么是0.25？因为0.25收敛得更快，高层节点更少，查询时需要跳更少次指针，减少跳跃操作，实际效率更高（在内存结构访问中尤其明显）

6. 三种特殊数据结构（后续补充）

6.1 Geospatial地理位置

　　redis提供了一套基于地理坐标的DPI，可以存储经纬度信息，并支持：按城市名查经纬度、查询指定范围内的城市、计算两个点之间的距离。

GEOADD china 116.40 39.90 "Beijing"
GEOADD china 121.47 31.23 "Shanghai"
GEOADD china 113.26 23.13 "Guangzhou"

GEODIST china Beijing Shanghai km    # 计算距离
GEORADIUS china 116.40 39.90 1000 km WITHDIST  # 查询北京周围1000km内的城市

　　场景：附近商家、附近车主、外卖派单。

6.2 HyperLogLog

　　用于估算集合中不重复元素的数量（即去重后有多少个元素）。误差<1%，空间始终固定为~12KB。

PFADD uv_count user1
PFADD uv_count user2
PFADD uv_count user1        # 重复添加，不影响结果
PFCOUNT uv_count        # 返回大概有多少唯一用户（=2）

　　场景：网站UV统计（unique visitor）、活跃用户数、独立IP数量统计；日志去重计数。

6.3 Bitmap

　　位图在redis中其实是对字符串类型的一种位级操作扩展，本质上是一个二进制数组。每个位只能是0或1，位数可以很多，理论上512MB的字符串可支持2^32个bit。

SETBIT user_sign:20240509 1001 1        # 表示用户1001签到
SETBIT user_sign:20240509 1002 1
SETBIT user_sign:20240509 1003 0

GETBIT user_sign:20240509 1001  => 1
# 统计 key 中值为 1 的 bit 数（即有多少人“签到”了）
BITCOUNT user_sign:20240509  => 2

　　场景：用户签到、用户行为标记（是否点赞、是否浏览过）、活跃用户统计等。

相关文章

• 面试官：SpringBoot 工程启动以后，希望将数据库中已有的固定内
• Redis 事件订阅在 Spring 中的使用，
• Redis压测脚本及持久化机制，但是，内存的缺点是断
• 单线程的Redis速度为什么快？，Redis是一个采用
• 「youlai-boot」入门篇：从0到1搭建 Java、Spring Boot、Spring Security 企