文章目录

  • 二、Redis启动与库进入和帮助
  • 三、Redis数据类型
  • 1、String类型-- set
  • 1.1、批量设置String 值-- mset
  • 1.2、String值追加-- append
  • 1.3、String值截取-- getrange
  • 1.4、String值替换-- setrange
  • 2、String类型-- set
  • 3、数据类型查看-- type
  • 4、bigmap
  • 5、需求重现
  • 5.1、用户系统，统计用户登录天数，且时间段随机
  • 5.2、某东618送礼物时，仓库备货多少，假设有2E用户
  • 2、Redis数据类型-- List
  • 2.1 、 list数据类型查询内容- - lrange
  • 3、Redis数据类型-- hash
  • 3.1、
  • 三、管道
  • 四、发布订阅
  • 五、事务
  • 什么是Redis事务
  • Redis事务相关命令和使用
  • 缓存穿透-RedisBloom (布隆过滤器)
  • 布隆过滤器使用场景
  • 哈希函数
  • 布隆过滤器原理


二、Redis启动与库进入和帮助

三、Redis数据类型

1、String类型-- set

127.0.0.1:6379> help set
  SET key value [expiration EX seconds|PX milliseconds] [NX|XX]
  summary: Set the string value of a key
  since: 1.0.0
  group: string

案例： set k1 ooxx nx
redis中k1 不存在则设置 值为 ooxx ， xx表示存在

1.1、批量设置String 值-- mset

127.0.0.1:6379> help mset

  MSET key value [key value ...]
  summary: Set multiple keys to multiple values
  since: 1.0.1
  group: string

案例：mset k2 a k3 b

1.2、String值追加-- append

127.0.0.1:6379> help append

  APPEND key value
  summary: Append a value to a key
  since: 2.0.0
  group: string

案例：
127.0.0.1:6379> get k1
"hello"
127.0.0.1:6379> append k1 ' world'
127.0.0.1:6379> get k1
"hello world"

1.3、String值截取-- getrange

127.0.0.1:6379> help getrange

  GETRANGE key start end
  summary: Get a substring of the string stored at a key
  since: 2.4.0
  group: string


案例：
127.0.0.1:6379> get k1
"hello world"
127.0.0.1:6379> GETRANGE k1 6 -1
"world"
127.0.0.1:6379> get k1
"hello world"

1.4、String值替换-- setrange

127.0.0.1:6379> help setrange

  SETRANGE key offset value
  summary: Overwrite part of a string at key starting at the specified offset
  since: 2.2.0
  group: string

案例：
127.0.0.1:6379> SETRANGE k1 6 123456789
(integer) 15
127.0.0.1:6379> get k1
"hello 123456789"

2、String类型-- set

127.0.0.1:6379> help set

  SET key value [expiration EX seconds|PX milliseconds] [NX|XX]
  summary: Set the string value of a key
  since: 1.0.0
  group: string

案例：
127.0.0.1:6379> set k1 99
OK
127.0.0.1:6379> get k1
"99"

3、数据类型查看-- type

127.0.0.1:6379> help type

  TYPE key
  summary: Determine the type stored at key
  since: 1.0.0
  group: generic
  
  案例：
127.0.0.1:6379> type k1
string

redis是二进制安全的，通过字节流存储数据来实现的

4、bigmap

5、需求重现

5.1、用户系统，统计用户登录天数，且时间段随机
## sean 用户 第二天登录了
setbit sean 1 1
## sean 用户 第八天登录
setbit sean 7 1
## sean 用户 第365天登录
setbit sean 364 1

所用字节数
127.0.0.1:6379> strlen sean
(integer) 46

该用户最近几天是否登录
127.0.0.1:6379> bitcount sean -2 -1
(integer) 1
登录了一天
5.2、某东618送礼物时，仓库备货多少，假设有2E用户
## 20190101 1 号 用户登录
127.0.0.1:6379> setbit 20190101 1 1
(integer) 0
## 20190102 1 号 用户登录
127.0.0.1:6379> setbit 20190102 1 1
(integer) 0
## 20190102 7 号 用户登录
127.0.0.1:6379> setbit 20190102 7 1
(integer) 0
## 合并
127.0.0.1:6379> bitop or destkey 20190102 20190102
(integer) 1
## 统计数量
127.0.0.1:6379> bitcount distkey 0 -1
(integer) 0

2、Redis数据类型-- List

知识点：Redis中的key 有两个指针【头指针，尾指针】

2.1 、 list数据类型查询内容- - lrange

127.0.0.1:6379> help lrange

  LRANGE key start stop
  summary: Get a range of elements from a list
  since: 1.0.0
  group: list
  
案例：
127.0.0.1:6379> lrange k1 0 -1
1) "c"
2) "b"
3) "a"
127.0.0.1:6379> help lindex

 LINDEX key index
 summary: Get an element from a list by its index
 since: 1.0.0
 group: list

案例： 
127.0.0.1:6379> lrange k1 0 -1
1) "c"
2) "b"
3) "a"
127.0.0.1:6379> lindex k1 2
"a"
127.0.0.1:6379> help lset

  LSET key index value
  summary: Set the value of an element in a list by its index
  since: 1.0.0
  group: list
案例：
127.0.0.1:6379> lrange k1 0 -1
1) "c"
2) "b"
3) "a"
127.0.0.1:6379> lset k1 0 C
OK
127.0.0.1:6379> lrange k1 0 -1
1) "C"
2) "b"
3) "a"
127.0.0.1:6379> help lrem

  LREM key count value
  summary: Remove elements from a list
  since: 1.0.0
  group: list

== 注意如果Pivot的值有多个，只会在第一个值的前后插入 ==

127.0.0.1:6379> help linsert

  LINSERT key BEFORE|AFTER pivot value
  summary: Insert an element before or after another element in a list
  since: 2.2.0
  group: list
  
案例：
127.0.0.1:6379> LRANGE k1 0 -1
1) "b"
2) "4"
3) "c"
4) "3"
5) "b"
6) "2"
7) "1"
8) "C"
9) "b"
127.0.0.1:6379> linsert k1 after b a
(integer) 10
127.0.0.1:6379> lrange k1 0 -1
 1) "b"
 2) "a"
 3) "4"
 4) "c"
 5) "3"
 6) "b"
 7) "2"
 8) "1"
 9) "C"
10) "b"
127.0.0.1:6379> linsert k1 before b 1
(integer) 11
127.0.0.1:6379> lrange k1 0 -1
 1) "1"
 2) "b"
 3) "a"
 4) "4"
 5) "c"
 6) "3"
 7) "b"
 8) "2"
 9) "1"
10) "C"
11) "b"

阻塞的单播队列（先进先出）

删除数组中左右的数据，保留中间的数据（包含节点） 
127.0.0.1:6379>  help ltrim 

  LTRIM key start stop
  summary: Trim a list to the specified range
  since: 1.0.0
  group: list

3、Redis数据类型-- hash

3.1、

三、管道

一次请求/响应服务器能实现处理新的请求即使旧的请求还未被响应。这样就可以将多个命令发送到服务器，而不用等待回复，最后在一个步骤中读取该答复。

这就是管道（pipelining），是一种几十年来广泛使用的技术。例如许多POP3协议已经实现支持这个功能，大大加快了从服务器下载新邮件的过程。

Redis很早就支持管道（pipelining）技术，因此无论你运行的是什么版本，你都可以使用管道（pipelining）操作Redis。下面是一个使用的例子：

[root@bogon ~]# echo -e "set k2 99\nincr k2\n get k2" | nc localhost 6379
+OK
:100
$3
100

延伸知识点：

大量插入数据： 【场景：启动redis时，预插入大量数据】

系统如果是CentOS，使用yum install unix2dos 安装unix2dos 转码工具。

yum install unix2dos

四、发布订阅

客户1 ： 发布一个值为 hello 的  ooxx 
127.0.0.1:6379> publish ooxx hello
(integer) 0
客户2:  客户2会一直订阅，一直连接等待 其他客户的发布 ，只能先订阅，才能接收到发布,无法看到订阅之前的历史消息
127.0.0.1:6379> subscribe ooxx
Reading messages... (press Ctrl-C to quit)
1) "subscribe"
2) "ooxx"
3) (integer) 1
1) "message"
2) "ooxx"
3) "hello"

五、事务

redis的事务不会阻塞其他线程的操作，都会向队列中添加操作步骤

什么是Redis事务

Redis 事务的本质是一组命令的集合。事务支持一次执行多个命令，一个事务中所有命令都会被序列化。在事务执行过程，会按照顺序串行化执行队列中的命令，其他客户端提交的命令请求不会插入到事务执行命令序列中。

总结说：redis事务就是一次性、顺序性、排他性的执行一个队列中的一系列命令。

Redis事务相关命令和使用

MULTI 、 EXEC 、 DISCARD 和 WATCH 是 Redis 事务相关的命令。

  • MULTI ：开启事务，redis会将后续的命令逐个放入队列中，然后使用EXEC命令来原子化执行这个命令系列。
  • EXEC：执行事务中的所有操作命令。
  • DISCARD：取消事务，放弃执行事务块中的所有命令。
  • WATCH：监视一个或多个key,如果事务在执行前，这个key(或多个key)被其他命令修改，则事务被中断，不会执行事务中的任何命令。
  • UNWATCH：取消WATCH对所有key的监视。

缓存穿透-RedisBloom (布隆过滤器)

布隆过滤器使用场景

看下下面几个问题

  • 字处理软件中，需要检查一个英语单词是否拼写正确
  • 在 FBI，一个嫌疑人的名字是否已经在嫌疑名单上
  • 在网络爬虫里，一个网址是否被访问过
  • yahoo, gmail等邮箱垃圾邮件过滤功能

以上这些场景有个共同的问题：如何查看一个东西是否在有大量数据的池子里面。

通常的做法有如下几种思路：

  • 数组
  • 链表
  • 树、平衡二叉树、Trie
  • Map (红黑树)
  • 哈希表

上面这几种数据结构配合一些搜索算法是可以解决数据量不大的问题的，如果当集合里面的数据量非常大的时候，就会有问题。比如：
有500万条记录甚至1亿条记录？这个时候常规的数据结构的问题就凸显出来了。数组、链表、树等数据结构会存储元素的内容，一旦数据量过大，消耗的内存也会呈现线性增长，最终达到瓶颈。哈希表查询效率可以达到O(1)。但是哈希表需要消耗的内存依然很高。使用哈希表存储一亿 个垃圾 email 地址的消耗？哈希表的做法：首先，哈希函数将一个email地址映射成8字节信息指纹；考虑到哈希表存储效率通常小于50%（哈希冲突）；因此消耗的内存：8 * 2 * 1亿 字节 = 1.6G 内存，普通计算机是无法提供如此大的内存。这个时候，布隆过滤器（Bloom Filter）就应运而生。

哈希函数

哈希函数的概念是：将任意大小的数据转换成特定大小的数据的函数，转换后的数据称为哈希值或哈希编码。下面是一幅示意图：

csredis 执行太久失败_Redis

可以明显的看到，原始数据经过哈希函数的映射后称为了一个个的哈希编码，数据得到压缩。哈希函数是实现哈希表和布隆过滤器的基础。

布隆过滤器原理

布隆过滤器（Bloom Filter）的核心实现是一个超大的位数组和几个哈希函数。假设位数组的长度为m，哈希函数的个数为k

csredis 执行太久失败_redis_02

以上图为例，具体的操作流程：假设集合里面有3个元素{x, y, z}，哈希函数的个数为3。首先将位数组进行初始化，将里面每个位都设置位0。对于集合里面的每一个元素，将元素依次通过3个哈希函数进行映射，每次映射都会产生一个哈希值，这个值对应位数组上面的一个点，然后将位数组对应的位置标记为1。查询W元素是否存在集合中的时候，同样的方法将W通过哈希映射到位数组上的3个点。如果3个点的其中有一个点不为1，则可以判断该元素一定不存在集合中。反之，如果3个点都为1，则该元素可能存在集合中。注意：此处不能判断该元素是否一定存在集合中，可能存在一定的误判率。可以从图中可以看到：假设某个元素通过映射对应下标为4，5，6这3个点。虽然这3个点都为1，但是很明显这3个点是不同元素经过哈希得到的位置，因此这种情况说明元素虽然不在集合中，也可能对应的都是1，这是误判率存在的原因。

  • 添加元素
  • 将要添加的元素给k个哈希函数
  • 得到对应于位数组上的k个位置
  • 将这k个位置设为1
  • 查询元素
  • 将要查询的元素给k个哈希函数
  • 得到对应于位数组上的k个位置
  • 如果k个位置有一个为0，则肯定不在集合中
  • 如果k个位置全部为1，则可能在集合中