在Redis中有5种基本数据类型，分别是String, List, Hash, Set, Zset。除此之外，Redis中还有一些实用性很高的扩展数据类型，下面来介绍一下这些扩展数据类型以及它们的使用场景。
Geo
GEO在Redis 3.2版本后被添加，可以说是针对LBS（Location-Based Service）产生的一种数据类型，主要用于存储地理位置信息，并可以对存储的信息进行一系列的计算操作。
geoadd：存储指定的地理空间位置：
# 语法格式：
GEOADD key longitude latitude member [longitude latitude member ...]
# 测试：
> GEOADD locations 116.419217 39.921133 beijing
> GEOADD locations 120.369557 36.094406 qingdao
来看一下geo数据在Redis中的存储方式，可以看到是以zset格式进行存储的，因此geo是zset的一个扩展：
image
geopos：返回指定地理位置的经纬度坐标：
# 语法格式：
GEOPOS key member [member ...]
# 测试：
> GEOPOS locations beijing qingdao
116.41921967267990112
39.92113206197632991
120.36955565214157104
36.09440522913565275
也可以使用zrange返回所有的位置元素而不带经纬度信息：
> ZRANGE locations 0 -1
qingdao
beijing
geodist：计算指定位置间的距离，并可以指定返回的距离单位：
# 语法格式：
GEODIST key member1 member2 [m|km|ft|mi]
# 测试：
> GEODIST locations beijing qingdao km
548.5196
georadiusbymember：找出以给定位置为中心，返回key包含的元素中，与中心的距离不超过给定最大距离的所有位置元素：
# 语法格式：
GEORADIUSBYMEMBER key member radius [m|km|ft|mi]
# 测试：
> GEORADIUSBYMEMBER locations beijing 150 km
beijing
# 扩大范围
> GEORADIUSBYMEMBER locations beijing 600 km
qingdao
beijing
georadius与georadiusbymember类似，不过是以指定的经纬度为中心：
# 语法格式：
GEORADIUS key longitude latitude radius [m|km|ft|mi]
# 测试：
> GEORADIUS locations 116.4192 39.9211 10 km
beijing
geo并没有提供删除指令，但根据其底层是zset实现，我们可以使用zrem对数据进行删除：
> ZREM locations beijing
基于geo，可以很简单的存储人或物关联的经纬度信息，并对这些地理信息进行处理，例如基于查询相邻的经纬度范围，能简单实现类似“附近的人”等功能。
Bitmap
Bitmap 也被称为位图，是以 String 类型作为底层数据结构实现的一种统计二值状态的数据类型。其中每一个bit都只能是0或1，所以通常用来表示一个对应于数组下标的数据是否存在。Bitmap 提供了一系列api，主要用于对 bit 位进行读写、计算、统计等操作。
setbit：对key所存储的字符串值，设置或清除指定偏移量上的位（bit）:
# 语法格式：
SETBIT key offset value
# 测试：
> SETBIT key 100 1
> SETBIT key 128 1
getbit：对key所存储的字符串值，获取指定偏移量上的位（bit）:
# 语法格式：
GETBIT key offset
# 测试：
> GETBIT key 100
1
bitcount：可以统计bit 数组中指定范围内所有 1 的个数，如果不指定范围，则获取所有:
# 语法格式：
BITCOUNT key [start end]
# 测试：
> BITCOUNT key
2
bitpos：计算 bit 数组中指定范围第一个偏移量对应的的值等于targetBit的位置：
# 语法格式：
BITPOS key tartgetBit [start end]
# 测试：
> BITPOS key 1
100
bitop：做多个bit 数组的and（交集）、or（并集）、not（非）、xor（异或）。例如对key和key2做交集操作，并将结果保存在key:and:key2中：
# 语法格式：
BITOP op destKey key1 [key2...]
# 测试：
> BITOP and key:and:key2 key key2
17
Bitmap底层使用String实现，value的值最大能存储512M字节，可以表示 512 * 1024 * 1024*8=4294967296个位，已经能够满足我们绝大部分的使用场景。再看一下底层存储数据的格式，以刚刚存储的key为例：
\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x08\x00\x00\x00\x80
将16进制的数据转化为2进制数据，如下图所示，第100位和第128位为1，其他为0：
image
此外，由于Redis在存储string类型的时候存储形式为二进制，所以也可以通过操作bit位来对string类型进行操作，在下面的例子中，通过直接操作bit，将string类型的abc变成了bbc。
> set key2 abc
> setbit key2 6 1
> setbit key2 7 0
> get key2
bbc
另外，可以通过bitfield命令实现类似的效果：
> set key3 a
> BITFIELD key3 get u8 0
97
> BITFIELD key3 set u8 0 98
97
> get key3
b
使用bitfield 命令可以返回指定位域的bit值，并将它转化为整形，有符号整型需在位数前加 i，无符号在位数前加u。上面我们将8位转化为无符号整形，正好是a的ASCII码，再对ASCII码进行修改，可以直接改变字符串的值。
Bitmap的应用非常广泛，例如在缓存三大问题中我们介绍过使用Bitmap作为布隆过滤器应对缓存穿透的问题，此外布隆过滤器也被广泛用于邮件系统中拦截垃圾邮件的地址。另外，常用的用户签到、朋友圈点赞等功能也可以用它来实现。
以实现用户签到功能为例，可以将每个用户按月存储为一条数据，key的格式可以定义为 sign:userId:yyyyMM ，如果签到了就将对应的位置改为1，未签到为0，这样最多只需要31个bit位就可以存储一个月的数据，转换为字节的话也只要4个字节就已经足够。
# 1月10日签到，因为offset从0起始，所以将天数减1
> SETBIT sign:6666:202101 9 1
0
# 查看1月10日是否签到
> GETBIT sign:6666:202101 9
1
# 统计签到天数
> BITCOUNT sign:6666:202101
1
# 查看首次签到的日期
> BITPOS sign:6666:202101 1
9
# 提取整月的签到数据
> BITFIELD sign:6666:202101 get u31 0
2097152
注意在使用bitfield指令时，有符号整型最大支持64位，而无符号整型最大支持63位。如果位数超过限制，会报如下错误：
> bitfield key3 get u64 0
ERR Invalid bitfield type. Use something like i16 u8. Note that u64 is not supported but i64 is.
所以在存储签到数据时，如果按月存储的话在之后提取数据时会比较方便，如果按年存储数据，在提取整年的签到数据时可能需要进行分段。
HyperLogLog
Redis 在 2.8.9 版本添加了 HyperLogLog 结构，它是一种用于基数统计的数据集合类型。它的最大优势就在于，当集合元素数量非常多时，它计算基数所需的空间总是固定的，而且还很小。
pfadd：向HyperLogLog中添加数据：
# 语法格式：
PFADD key element [element ...]
# 测试：
> PFADD index.html uuid1 uuid2 uuid3 uuid4
pfcount：返回HyperLogLog的基数统计结果：
# 语法格式：
PFCOUNT key [key ...]
# 测试：
> PFCOUNT index.html
4
pfmerge：将多个 HyperLogLog 合并为一个 HyperLogLog ，合并后的 HyperLogLog 的基数估算值是通过对所有 给定 HyperLogLog 进行并集计算得出的。
# 语法格式：
PFMERGE destkey sourcekey [sourcekey ...]
# 测试：
> PFMERGE index.html home.html
OK
> PFCOUNT index.html
6
例如在上面的例子中，使用HyperLogLog 可以很方便的统计网页的UV。在官方文档中指明，Redis 中每个 HyperLogLog 只需要花费 12 KB 内存，就可以对 2^64 个数据完成基数统计。尽管使用Set或Hash等结构也能实现基数统计，但这些数据结构都会消耗大量的内存。而使用HyperLogLog 时，和其他数据结构计算基数时，元素越多耗费内存就越多形成了鲜明对比。
需要注意的是，HyperLogLog是一种算法，并非是Redis独有的，并且HyperLogLog 的统计规则是基于概率完成的，所以它给出的统计结果是有一定误差的，官方给出的标准误算率是 0.81%。 HyperLogLog 只会根据输入元素来计算基数，而不会存储输入的元素本身，所以 HyperLogLog 不能像集合那样，返回输入的各个元素。
针对以上这些特性，可以总结出，HyperLogLog适用于大数据量的基数统计，但是它也存在局限性，它只能够实现统计基数的数量，但无法知道具体的原数据是什么。如果需要原数据的话，我们可以将 Bitmap 和 HyperLogLog 配合使用，例如在统计网站UV时，使用Bitmap 标识哪些用户属于活跃用户，使用 HyperLogLog 实现基数统计。
Stream
Stream是Redis 5.0版本之后新增加的数据结构，实现了消息队列的功能，并且实现消息的持久化和主备复制功能，可以让任何客户端访问任何时刻的数据，并且能记住每一个客户端的访问位置，保证消息不丢失，下面我们看一下具体的指令。
xadd：向队列添加消息
# 语法格式：
XADD key ID field value [field value ...]
# 测试：
> XADD stream1 * phone 88888888 name Hydra
"1614316213565-0"
> XADD stream1 * key1 value1 key2 value2 key3 value3
"1614317444558-0"
添加消息是生成的 1614316213565-0，是生成消息的id，由时间戳加序号组成，时间戳是Redis的服务器时间，如果在同一个时间戳内，序号会递增来标识不同的消息。并且为了保证消息的有序性，生成的消息id是保持自增的。可以使用可视化工具查看数据，消息是以json格式被存储：
image
这里因为是不同时间戳，所以序号都是从0开始。我们可以通过redis的事务添加消息进行测试：
> MULTI
"OK"
> XADD stream * msg 1
"QUEUED"
> XADD stream * msg 2
"QUEUED"
> XADD stream * msg 3
"QUEUED"
> XADD stream * msg 4
"QUEUED"
> XADD stream * msg 5
"QUEUED"
> EXEC
1) "OK"
2) "1614319042782-0"
3) "OK"
4) "1614319042782-1"
5) "OK"
6) "1614319042782-2"
7) "OK"
8) "1614319042782-3"
9) "OK"
10) "1614319042782-4"
11) "OK"
通过上面的例子，可以看见同一时间戳内，序号会不断递增。
xrange：获取消息列表，会自动过滤删除的消息
# 语法格式：
XRANGE key start end [COUNT count]
# 测试：
> XRANGE stream1 - + count 5
1) 1) "1614316213565-0"
2) 1) "phone"
2) "88888888"
3) "name"
4) "Hydra"
2) 1) "1614317444558-0"
2) 1) "key1"
2) "value1"
3) "key2"
4) "value2"
5) "key3"
6) "value3"
xread：以阻塞或非阻塞方式获取消息列表
# 语法格式：
XREAD [COUNT count] [BLOCK milliseconds] STREAMS key [key ...] id [id ...]
# 测试：
> XREAD count 1 STREAMS stream1 0-1
1) 1) "stream1"
2) 1) 1) "1614316213565-0"
2) 1) "phone"
2) "88888888"
3) "name"
4) "Hydra"
xdel：删除消息
# 语法格式：
XDEL key ID [ID ...]
# 测试：
> XDEL stream1 1614317444558-0
"1"
除了上面消息队列的基本操作外，还可以创建消费者组对消息进行消费。首先使用xgroup create 创建消费者组：
# 语法格式：
XGROUP [CREATE key groupname id-or-$] [SETID key groupname id-or-$] [DESTROY key groupname] [DELCONSUMER key groupname consumername]
# 创建一个队列，从头开始消费：
> XGROUP CREATE stream1 consumer-group-1 0-0
# 创建一个队列，从尾部开始消费，只接收新消息：
> XGROUP CREATE stream1 consumer-group-2 $
下面使用消费者组消费消息：
# 语法格式
XREADGROUP GROUP group consumer [COUNT count] [BLOCK milliseconds] [NOACK] STREAMS key [key ...] ID [ID ...]
注意这里消费消息的对象是 consumer消费者，而不是消费者组。在消费消息时，不需要预先创建消费者，在消费过程中直接指定就可以。接下来再向stream中发送一条消息，比较两个消费者组的消费顺序差异：
# 重新发送一条消息
> XADD stream1 * newmsg hi
"1614318022661-0"
# 使用消费者组1消费：
> XREADGROUP GROUP consumer-group-1 consumer1 COUNT 1 STREAMS stream1 >
1) 1) "stream1"
2) 1) 1) "1614316213565-0"
2) 1) "phone"
2) "88888888"
3) "name"
4) "Hydra"
# 使用消费者组2消费：
> XREADGROUP GROUP consumer-group-2 consumer2 COUNT 1 STREAMS stream1 >
1) 1) "stream1"
2) 1) 1) "1614318022661-0"
2) 1) "newmsg"
2) "hi"
可以看到，消费者组1从stream的头部开始消费，而消费者组2从创建消费者组后的最新消息开始消费。在消费者组2内使用新的消费者再次进行消费：
> XREADGROUP GROUP consumer-group-2 consumer4 COUNT 1 STREAMS stream1 >
> XADD stream1 * newmsg2 hi2
"1614318706162-0"
> XREADGROUP GROUP consumer-group-2 consumer4 COUNT 1 STREAMS stream1 >
1) 1) "stream1"
2) 1) 1) "1614318706162-0"
2) 1) "newmsg2"
2) "hi2"
在上面的例子中，可以看到在一个消费者组中，存在互斥原则，即一条消息被一个消费者消费过后，其他消费者就不能再消费这条消息了。
xpending：等待列表用于记录读取但并未处理完毕的消息，可以使用它来获取未处理完毕的消息。
> XPENDING stream1 consumer-group-2
1) "2" # 2条已读取但未处理的消息
2) "1614318022661-0" # 起始消息ID
3) "1614318706162-0" # 结束消息ID
4) 1) 1) "consumer2" # 消费者2有1个
2) "1"
2) 1) "consumer4" # 消费者4有1个
2) "1"
在 xpending 命令后添加start end count参数可以获取详细信息：
> XPENDING stream1 consumer-group-2 - + 10
1) 1) "1614318022661-0" # 消息ID
2) "consumer2" # 消费者
3) "1867692" # 从读取到现在经历的毫秒数
4) "1" #消息被读取次数
2) 1) "1614318706162-0"
2) "consumer4"
3) "1380323"
4) "1"
xack：告知消息被处理完成，移出pending列表
> XACK stream1 consumer-group-2 1614318022661-0
"1"
再次查看pending列表，可以看到1614318022661-0 已被移除：
> XPENDING stream1 consumer-group-2
1) "1"
2) "1614318706162-0"
3) "1614318706162-0"
4) 1) 1) "consumer4"
2) "1"
基于以上功能，如果我们的系统中已经使用了redis，甚至可以移除掉不需要的其他消息队列中间件，来达到精简应用系统的目的。并且，Redis Stream提供了消息的持久化和主从复制，能够很好的保证消息的可靠性。
如果文章对您有所帮助，欢迎关注公众号 码农参上。
网友评论