新数据类型
1. Bitmaps
1.1 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
1.2 命令
1.2.1 setbit
（1）格式
setbit <key><offset><value> # 设置 Bitmaps 中某个偏移量的值（0 或 1）注：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，将访问的用户记作 1，没有访问的用户记作 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:2021118 代表 2021-11-18 这天的独立访问用户的 Bitmaps
127.0.0.1:6379> setbit unique:users:20211118 1 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20211118 6 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20211118 11 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20211118 15 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20211118 19 1
(integer) 0注：①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；②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
1.2.2 getbit
（1）格式
getbit <key><offset> # 获取 Bitmaps 中某个偏移量的值注：offset 偏移量从 0 开始
（2）实例
获取 id = 8 的用户是否在 2021-11-18 这天访问过，返回 0 说明没有访问过
127.0.0.1:6379> getbit unique:users:20211118 8
(integer) 0
127.0.0.1:6379> getbit unique:users:20211118 1
(integer) 1
127.0.0.1:6379> getbit unique:users:20211118 100
(integer) 0注：因为 100 根本不存在，所以也是返回 0
1.2.3 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 2021-11-18 这天的独立访问用户数量
127.0.0.1:6379> bitcount unique:users:20211118
(integer) 5start 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
127.0.0.1:6379> bitcount unique:users:20211118 1 3
(integer) 3举例：K1 【01000001 01000000 00000000 00100001】，对应下标【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，结果为 1
bitcount K1 1 3 # 统计下标 1、3 字节组中 bit = 1 的个数，即 01000000 00000000 00100001，结果为 3
bitcount K1 0 -2 # 统计下标 0 到下标倒数第 2 的字节组中 bit = 1 的个数，即 01000001 01000000 00000000，结果为 3注意：Redis 的 setbit 设置或清除的是 bit 位置，而 bitcount 计算的是 byte 位置
1.2.4 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。
2020-11-04 日访问网站的 userid = 1,2,5,9
127.0.0.1:6379> setbit unique:users:20201104 1 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20201104 2 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20201104 5 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20201104 9 1
(integer) 02020-11-03 日访问网站的 userid = 0,1,4,9
127.0.0.1:6379> setbit unique:users:20201103 0 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20201103 1 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20201103 4 1
(integer) 0
127.0.0.1:6379> setbit unique:users:20201103 9 1
(integer) 0计算出两天都访问过网站的用户数量
127.0.0.1:6379> bitop and unique:users:and:20201104_03 unique:users:20201103 unique:users:20201104
(integer) 2
127.0.0.1:6379> bitcount unique:users:and:20201104_03
(integer) 2
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
127.0.0.1:6379> bitop or unique:users:or:20201104_03 unique:users:20201103 unique:users:20201104
(integer) 2
127.0.0.1:6379> bitcount unique:users:or:20201104_03
(integer) 61.3 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：
Set 和 Bitmaps 存储一天活跃用户对比
| 数据类型 | 每个 userid 占用空间 | 需要存储的用户量 | 全部内存量 |
|---|---|---|---|
| Set | 64 位 | 50000000 | 64 位 * 50000000 = 400 MB |
| Bitmaps | 1 位 | 100000000 | 1 位 * 100000000 = 12.5 MB |
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 |
|---|---|---|---|
| Set | 400 MB | 12 GB | 144 GB |
| Bitmaps | 12.5 MB | 375 MB | 4.5 GB |
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 |
|---|---|---|---|
| Set | 64 位 | 100000 | 64 位 * 100000 = 800 KB |
| Bitmaps | 1 位 | 100000000 | 1 位 * 100000000 = 12.5 MB |
2. HyperLogLog
2.1 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，导致占用内存越来越大，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。但是，因为 HyperLogLog 只会根据输入元素来计算基数，而不会存储输入元素本身，所以 HyperLogLog 不能像集合那样，返回输入的各个元素。
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, 7。基数估计就是在误差可接受的范围内，快速计算基数。
2.2 命令
2.2.1 pfadd
（1）格式
pfadd <key><element>[element ...] # 添加指定元素到 HyperLogLog 中（2）实例
127.0.0.1:6379> pfadd hll1 "redis"
(integer) 1
127.0.0.1:6379> pfadd hll1 "mysql"
(integer) 1
127.0.0.1:6379> pfadd hll1 "redis"
(integer) 0将所有元素添加到 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
2.2.2 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
127.0.0.1:6379> pfadd hll1 "redis"
(integer) 1
127.0.0.1:6379> pfadd hll1 "mysql"
(integer) 1
127.0.0.1:6379> pfadd hll1 "redis"
(integer) 0
127.0.0.1:6379> pfcount hll1
(integer) 2
127.0.0.1:6379> pfadd hll2 "redis"
(integer) 1
127.0.0.1:6379> pfadd hll2 "mongdb"
(integer) 1
127.0.0.1:6379> pfcount hll1 hll2
(integer) 32.2.3 pfmerge
（1）格式
pfcount <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
127.0.0.1:6379> pfcount hll1 hll2
(integer) 3
127.0.0.1:6379> pfmerge hll3 hll1 hll2
OK
127.0.0.1:6379> pfcount hll3
(integer) 33. Geographic
3.1 简介
Redis 3.2 中增加了对 GEO【Geographic，地理信息的缩写】类型的支持。该类型就是元素的二维坐标，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。
3.2 命令
3.2.1 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
127.0.0.1:6379> geoadd china:city 121.47 31.23 shanghai
(integer) 1
127.0.0.1:6379> geoadd china:city 106.50 29.53 chongqing 114.05 22.52 shenzhen 116.38 39.90 beijing
(integer) 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。
3.2.2 geopos
（1）格式
geopos <key><member>[member ...] # 获得指定地区的坐标值（2）实例
127.0.0.1:6379> geopos china:city shanghai
1) 1) "121.47000163793563843"
2) "31.22999903975783553"3.2.3 geodist
（1）格式
geodlist <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 北京 和 上海 两地之间的距离
127.0.0.1:6379> geodist china:city beijing shanghai
"1068153.5181"
127.0.0.1:6379> geodist china:city beijing shanghai km
"1068.1535"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
3.2.4 georadius
（1）格式
geodlist <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（2）实例
127.0.0.1:6379> georadius china:city 110 30 1000 km
1) "chongqing"
2) "shenzhen"