redis arm版本与springboot redis支持arm吗

目录：

•           慢查询
•           Pipeline
•           发布订阅
•           Bitmap（位图）
•           HyperLogLog
•           GEO

一、慢查询

1、慢查询：

生命周期
    三个命令
    两个配置
    运维经验

2、生命周期图解：

两点说明：

1. 慢查询发生在第3阶段 （如：keys *）
2. 客户端超时不一定慢查询，但慢查询是客户端超时的一个可能因素

两个配置： -slowlog-max-len

1. 慢查询是一个先进先出队列
2. 队列是固定长度的
3. Redis是保存在内存内

slowlog list 是慢查询的集合；

slowlog-max-len 是慢查询的长度或者数量，如图，慢查询从slowlog100到slowlog1以队列形式排列入列；

两个配置 —— slowlog-log-slower-than

1. 慢查询阈值（单位：微秒）
2. Slowlog-log-slower-than=0,记录所有命令
3. Slowlog-log-slower-than<0,不记录任何命令

3、配置方法

 1） 默认值

        config get slowlog-max-len = 128

        config get slowlog-log-slower-than = 10000

2) 修改配置文件重启

3） 动态配置

        config set slowlog-max-len 1000

        config set slowlog-log-slower-than 1000

4、慢查询命令：

   1) slowlog get [n] : 获取慢查询队列

  2）slowlog len ： 获取慢查询队列长度

  3）slowlog reset : 清空慢查询队列

5、慢查询运维经验：

  1） slowlog-max-len 不要设置过大，默认10ms,通常设置1ms

  2)   slowlog-log-slower-than 不要设置过小，通常设置1000左右

  3）理解命令生命周期

  4）定期持久化慢查询

二、pipeline

什么是流水线？
        客户端实现
        与原生操作对比
        使用建议

1次网络命令通信模型

如图，经历了   1次时间 = 1次网络时间 + 1次命令时间

批量网络命令通信模型

如图，经历了 n次时间 = n次网络时间 + n次命令时间

1、什么是流水线？

如图，经历了 1次pipeline(n条命令) = 1次网络时间 + n次命令时间，这大大减少了网络时间的开销，这就是流水线。

2、流水线的作用

两点注意：

1. redis的命令时间是微秒级别
2. pipeline每次条数要控制（网络）

3、案例展示——从北京到上海的一条命令的生命周期有多长？

由图可知，执行一条命令在redis端可能需要几百微秒，而在网络光纤中传输只花费了13毫秒。假如在执行批量操作而没有使用pipeline功能，会将大量的时间耗费在每一次网络传输的过程上；而使用pipeline后，只需要经过一次网络传输，然后批量在redis端进行命令操作。这会大大提高了效率。

4、pipeline-Jedis实现？

首先，引入jedis依赖包：

<dependency>
			<groupId>redis.clients</groupId>
			<artifactId>jedis</artifactId>
			<version>2.9.0</version>
                        <type>jar</type>
                        <scope>compile</scope>
		</dependency>

演示：

1) 没有pipeline的命令执行：

Jedis jedis - new Jedis("127.0.0.1",6379);
    for ( int i = 0 ; i < 10000 ; i ++ ){
        jedis.hset("hashkey:" + i , "field" + i , "value" + i);
    }

假设，在不使用pipeline的情况下，使用for循环进行每次一条命令的执行操作，耗费的时间可能达到 1w 条插入命令的耗时为50s。

2） 使用pipeline:

Jedis jedis = new Jedis("127.0.0.1",6379);
        for ( int i = 0; i < 100 ; i++) {
            Pipeline pipeline = jedis.ppipelined();
            for (int j = i * 100 ; j < (i + 1) * 100 ; j++) {
                pipeline.hset("hashkey:" + j,"field" + j, "value" + j);
            }
            pipeline.syncAndReturnAll();
        }

假设使用了pipeline 进行批量操作，每次传输100条命令到redis端进行执行操作，大概 1w插入条命令需耗时 0.7s

3)与原生M操作？

在原生的redis命令操作中，命令的执行是依次按入列的顺序一条一条执行，具有原子性。

在使用pipeline进行批量操作后，会将大量命令用pipeline 包装起来，一次性发送到服务端，然后在服务端进行拆分成多个基本命令，此时命令的执行次序是不一定的，因此是非原子性的。

但，命令执行结果的返回是有序的。

5、使用建议

 1） 注意每次pipeline 携带数据量

 2） pipeline每次只能作用在一个Redis节点上

 3）M操作与pipeline区别

三、发布订阅

角色
    模型
    API
    发布订阅与消息队列

1、角色：

发布者

        频道

        订阅者

2、模型：

发布者发布一条消息，订阅者如果订阅了这个频道就可以收到这条消息。

注意：所有的订阅者都能够收到消息。并且一个订阅者可以订阅不同的频道。

订阅者无法获取到未订阅前已发布的消息，即无法对已发布消息尽心追击。

3、API

        1.Publish

        2.Subscribe

        3.Unsubscribe

        4.其他

1）publish (发布命令)

 

2）subcribe(订阅)

3）unsubcribe(取消订阅)

4）其他API:

4、消息队列：

Redis中并没有消息队列这一功能，它对消息队列的实现是通过List发布数据后利用阻塞的机制，将发布的消息如图中的hello\java到服务端，由客户端进行抢夺，客户端拿到后原来的值发生删改的变化来实现的。

5、发布订阅总结：

1. 发布订阅模式中的角色
2. 重要的API
3. 发布订阅和消息队列的使用场景

四、 bitmap（位图）

位图

        相关命令

        独立用户统计

1、什么是位图？

                          字符串big 对应的二进制

如上图，位图将字符串以对应二进制进行存储。

位图的最大意义在于能够直接去操作redis中的value进行转换后的二进制码，即01100....等。

2、API ： 位图偏移设置—— setbit

演示：

127.0.0.1:6379> setbit unique:users:2016-04-05 0 1
(integer) 0
127.0.0.1:6379> setbit unique:users:2016-04-05 5 1
(integer) 0
127.0.0.1:6379> setbit unique:users:2016-04-05 11 1
(integer) 0
127.0.0.1:6379> setbit unique:users:2016-04-05 15 1
(integer) 0
127.0.0.1:6379> setbit unique:users:2016-04-05 19 1
(integer) 0

演示效果图：

以上设置一个以unique:users:2016-04-05为key的数据，这里由于没有对该key的value进行初始化设置，默认每一次的setbit操作会在对应的二进制中指定的索引位置插入1，而为声明部分默认为0；即索引为0、5、11、15、19的位置值为1，其他索引位置值为0.

3、API : 位图偏移范围值获取——bitcount

演示：

127.0.0.1:6379> bitcount unique:users:2016-04-05
(integer) 5
127.0.0.1:6379> bitcount unique:users:2016-04-05 1 3
(integer) 3

上图中，key为unique:users:2016-04-05的位图长度为5，其中偏移量从1到3的值长度为3.

4、API ： 位图区间交互——bitop：

演示：

127.0.0.1:6379> bitop and unique:users:and:2016_04_04-2016_04_05 unique:users:2016-04-05 unique:users:2016-04-04
(integer) 3
127.0.0.1:6379> bitcount unique:users:and:2016_04_04-2016_04_05
(integer) 0

5、API ： 获取位图指定值的偏移坐标——bitpos

注意，返回的位的位置始终是从0开始的，即使使用了start来指定了一个开始字节也是这样。

演示：

127.0.0.1:6379> bitpos unique:users:2016-04-04 1
(integer) 1
127.0.0.1:6379> bitpos unique:users:2016-04-04 0 1 2
(integer) 8

6、独立用户统计：

1. 使用set 和Bitmap
2. 1亿用户，5千万独立

使用经验：

1. type = string , 最大512MB
2. 注意setbit时的偏移量，可能有较大耗时
3. 位图不是绝对好

五、 hyperloglog

新的数据结构
        内存消耗
        三个命令
        使用经验

1、基于HyperLogLog算法：

           绩效空间完成独立数量统计。

2、本质还是字符串

127.0.0.1:6379> type hyperloglog_key
string

3、三个API命令：

1） pfadd key element [element ...] :向hyperloglog添加元素

2）pfcount key [key ...] : 计算hyperloglog的独立总数

3）pfmerge destkey sourcekey [sourcekey ...] : 合并多个hyperloglog

使用方法：

1) Demo演示：

127.0.0.1:6379> pfadd 2017_03_06:unique:ids "uuid-1" "uuid-2" "uuid-3" "uuid-4"
(integer) 1
127.0.0.1:6379> pfcount 2017_03_06:unique:ids
(integer) 4
127.0.0.1:6379> pfadd 2017_03_06:unique:ids "uuid-1" "uuid-2" "uuid-3" "uuid-90"
(integer) 1
127.0.0.1:6379> pfcount 2017_03_06:unique:ids
(integer) 5

   ①向id添加四个独立元素，返回结果为1

   ②查看独立元素为4个；

   ③再添加四个独立元素，其中三个重复，一个新的，返回1

   ④查询独立元素为5个，说明独立元素不可重复。

2) 模拟—— 两个key的八个独立用户的统计合并：

127.0.0.1:6379> pfadd 2016_03_06:unique:ids "uuid-1" "uuid-2" "uuid-3" "uuid-4"
(integer) 1
127.0.0.1:6379> pfcount 2016_03_06:unique:ids
(integer) 4
127.0.0.1:6379> pfadd 2016_03_05:unique:ids "uuid-4" "uuid-5" "uuid-6" "uuid-7"
(integer) 1
127.0.0.1:6379> pfcount 2016_03_05:unique:ids
(integer) 4
127.0.0.1:6379> pfmerge 2016_03_05_06:unique:ids 2016_03_05:unique:ids 2016_03_06:unique:ids
OK
127.0.0.1:6379> pfcount 2016_03_05_06:unique:ids
(integer) 7

4、统计：内存消耗（百万独立用户）：

        ①定义一个key；

        ②声明一个百万次的for循环

        ③拼接1000次元素；

        ④拼接满1000次，执行一次独立元素的插入

        ⑤清空element 临时变量

性能展示：

5、使用经验：

1） 是否能容忍错误？（错误率： 0.81%）

127.0.0.1:6379> pfcount 2016_05_01:unique:ids(integer)
1009838

2） 是否需要单条数据

六、geo

1、GEO是什么

以计算5个城市经纬度为例：

GEO(地理信息定位)：存储经纬度，计算两地距离，范围计算等

2、API： geoadd

演示：

127.0.0.1:6379> geoadd cities:locations 116.28 39.55 beijing
(integer) 1
127.0.0.1:6379> geoadd cities:locations 116.28 39.55 beijing
(integer) 0
127.0.0.1:6379> geoadd cities:locations 117.12 39.08 tianjin 114.29 38.02 shijianzhuang 118.01 39.38 tangshan 115.29 38.51 baoding
(integer) 4

3、API——geopos:

演示：

127.0.0.1:6379> geopos cities:locations tianjin
1) 1) "117.12000042200088501"
   2) "39.0800000535766543"

4、API——geodist

演示：

127.0.0.1:6379> geodist cities:locations tianjin beijing km
"87.3054"

5、复杂API——georadius

演示：

127.0.0.1:6379> georadiusbymember cities:locations beijing 150 km
1) "beijing"
2) "tianjin"
3) "tangshan"
4) "baoding"

6、相关说明：

 1） since 3.2+

 2) type geoKey = zset

 3) 没有删除API: zrem key member