String

背景：使用 string存储key,value，当保存的数据较小时，反而空间占用大，可以考虑使用hash 进行解决空间过大的问题。

• Redis会使用一个全局哈希表保存所有键值对，hash表的每一项都是一个dictEntry,指向一个键值对。
• dictEntry有3个8字节的指针。
  
• jemalloc 在分配内存时，会根据我们申请的字节数 N，找一个比 N 大，但是最接近 N 的 2
  的幂次数作为分配的空间，这样可以减少频繁分配的次数。

用什么数据结构可以节省内存？

• Redis 有一种底层数据结构，叫压缩列表（ziplist），这是一种非常节省内存的结构。
  
  压缩列表之所以能节省内存，就在于它是用一系列连续的 entry 保存数据。每个 entry 的元
  数据包括下面几部分。
• prev_len：前一个entry的长度，2种取值： 1字节（上一个entry长度小于254字节）或者5字节。
• len：自身长度，4字节
• encoding：编码方式，1字节
• content：保存实际数据。

这些entry不需要指针进行连接。

Redis 基于压缩列表实现了 List、Hash 和 Sorted Set 这样的集合类型，这样做的最大好处就是节省了 dictEntry 的开销。当你用 String 类型时，一个键值对就有一个 dictEntry，要用32 字节空间。但采用集合类型时，一个 key 就对应一个集合的数据，能保存的数据多了很多，但也只用了一个 dictEntry，这样就节省了内存。

如何用集合类型保存单值的键值对？

• 在保存单值的键值对时，可以采用基于 Hash 类型的二级编码方法。这里说的二级编码，就是
  把一个单值的数据拆分成两部分，前一部分作为 Hash 集合的 key，后一部分作为 Hash 集合的 value，这样一来，我们就可以把单值数据保存到 Hash 集合中了。

127.0.0.1:6379> info memory
# Memory
used_memory:1039120
127.0.0.1:6379> hset 1101000 060 3302000080
(integer) 1
127.0.0.1:6379> info memory
# Memory
used_memory:1039136

一旦超过下面的阈值，hash类型就会使用哈希表来保存数据，一旦由压缩列表转为哈希表就不会逆转了。

• hash-max-ziplist-entries：表示用压缩列表保存时哈希集合中的最大元素个数。
• hash-max-ziplist-value：表示用压缩列表保存时哈希集合中单个元素的最大长度。

例如上面使用了 后三位作为hash的key,这样hash-max-ziplist-entries设置为1000,就可以一直使用Hash来节省空间了。

• 注意：也会有一个新的问题，查询需要遍历整个ziplist,这种方法是以空间换时间，需要权衡使用
• 使用ziplist尽量存储int数据，对存储的数据尽量采用内存小的方式存储，因为是紧凑排列，如果一个元素超过一定大小时，可能引起级联调整
• 使用hash对单个元素的过期时间很难设置，string可以给key单独设置过期时间，也可以控制实例内存上限

大数据量的统计

• set的交，并， 差 计算复杂度高，会导致reids阻塞，可以选择一个从库，专门进行计算。

• list 按照进入顺序排序，zset根据权重排序

• 二值状态，0 ，1类型 使用bitmap

• HyperLogLog 适合基数统计，误差概率 0.81%
  

• zadd online_users $timestamp $user_id 统计一段时间在线的用户数 zcount online_users $start_timestam p $end_timestamp

• sadd user1 apple orange banana、sadd user2 apple banana peach记录2个用户喜欢的水果，zunionstore fruits_union 2 user1 user2 结果存储到fruits_union 中，zrange fruits_union 0 -1 withscores可以得出每种水果被喜欢的次数。

• HyperLogLog的 pfcount page1:uv page2:uv page3:uv或pfmerge page_union:uv page1:uv page2:uv page3:uv得出3个页面的UV总和。

• 如果是在集群模式使用多个key聚合计算的命令，一定要注意，因为这些key可能分布在不同的实例上，多个实例之间是无法做聚合运算的，这样操作可能会直接报错或者得到的结果是错误的！

GEO格式

geo使用GeoHash编码,“二分区间，区间编码”

1.先对经度和纬度分别编码，然后再把经纬度各自的编码组合成一个最终编码

经度值 116.37，经度 编码[-180,180]。

纬度值 39.86，维度编码[-90,90]

我们刚刚计算的经纬度（116.37，39.86）的各自编码值是 11010 和 10111，组合之后，第0 位是经度的第 0 位 1，第 1 位是纬度的第 0 位 1，第 2 位是经度的第 1 位 1，第 3 位是纬度的第 1 位 0，以此类推，就能得到最终编码值 1110011101，

GEO 类型是把经纬度所在的区间编码作为 Sorted Set 中元素的权重分数，把和经纬度相关的车辆 ID 作为 Sorted Set 中元素本身的值保存下来，这样相邻经纬度的查询就可以通过编码值的大小范围查询来实现了。

GEOADD cars:locations 116.034579 39.030452 33
GEORADIUS cars:locations 116.054579 39.030452 5 km ASC COUNT 10

在Redis中保存时间序列的数据

• Hash 类型来实现单键的查询很简单
• zset实现范围查询