玩转Redis-HyperLogLog统计微博日活月活
《玩转Redis》系列文章主要讲述Redis的基础及中高级应用。本文是《玩转Redis》系列第【9】篇，最新系列文章请前往公众号“zxiaofan”查看，或百度搜索“玩转Redis zxiaofan”即可。
本文关键字：玩转Redis、微博日活/月活、UV统计、HyperLogLog；
大纲
- 日活数据统计面临哪些挑战
- Bitmaps可用于统计日活吗？
- 日活数据统计的特点
- HyperLogLog介绍
- HyperLogLog必知
- HyperLogLog和Sets的区别
- HyperLogLog如何使用
- HyperLogLog命令对比分析
- HyperLogLog命令详解
- HyperLogLog命令注意事项
- HyperLogLog命令示例
- HyperLogLog的应用场景
名词解释
- DAU(Daily Active User)日活跃用户数量
常用于反映网站、互联网应用或网络游戏的运营情况。DAU通常统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）； - 月活跃用户数量(Monthly Active User，MAU)
月活跃用户数量通常统计一个月（统计月）之内，登录或使用了某个产品的用户数（去除重复登录的用户）； - Note：日活、月活反映用户的活跃度，但是无法反映用户的粘性。
1. 日活数据统计面临哪些挑战
2020年2月26日，微博发布2019年第四季度及全年财报。数据显示，截至2019年底，微博月活跃用户达到5.16亿，相比2018年年底净增长约5400万，其中移动端占比94%。2019年微博全年营收提升至122.4亿元，其中广告营收达到106亿元。
1.1. Bitmaps可用于统计日活吗？
前文《玩转Redis-京东签到领京豆如何实现》提到了 Bitmaps 在大数据下的应用，那么Bitmaps可以用于统计日活数据吗？我们来做个计算分析（以一亿用户为例）：
| 统计方式 | 占用计算 | 1亿用户占用空间（M） |
|---|---|---|
| MySQL 32bit的int数据类型 | 1个int所需存储空间为4字节，可存储32 bit位 | 10^8 / (1024 * 1024 * 8 / 32) ≈ 381 M |
| Redis Bitmaps | Bitmaps单个支持512M，不像int单个仅存储32位 | 10^8 / (1024 * 1024 * 8) ≈ 12M |
使用Bitmaps计算日活月活：
- 计算日活：bitcount key获取key为1的数量；
- 计算月活：可把30天的所有bitmap做or计算，再进行bitcount计算；
- 计算留存率：昨日留存=昨天今天连续登录的人数/昨天登录的人数，即昨天的bitmap与今天的bitmap进行and计算，再除以昨天bitcount的数量。
通过以上计算，我们发现Bitmaps已经很节省空间了。统计一个网站的日活已不在话下，但是大型互联网公司除了日活，还有UV、PV等等需要统计。面对上千甚至更多的需统计模块，1个模块1天需要12M，一年就需要12M * 365 / 1024 ≈ 4.3G ，1000个模块一年就需要 12M * 365 / 1024 / 1024 ≈ 4.2T。So 革命尚未成功，我们还需再节省点！
1.2. 日活数据统计的特点
- 数据需要去重；
- 数据允许有一定的偏差，101W和102W差距不大；
- 占用空间尽可能小；
2. HyperLogLog介绍
2.1. HyperLogLog必知
HyperLogLog（HLL）是一种用于基数计算的概率数据结构，通俗的说就是支持集合中不重复元素的统计。
常规基数计算需要准备一块内存空间用于存储已经计数的元素，避免某些元素被重复统计。Redis提供了一种用精度来换取内存空间的算法，标准误差低于1%。仅需要12K 就能完成统计（再加上HLL自身所需的一点bytes），如果HyperLogLog中的元素较少，所需内存空间更小。HyperLogLogs的标准误差是0.81%。
输入元素数量或体积非常大时，HLL所需空间固定且很小。12kb内存可计算接近 2^64 个不同元素的基数。
HyperLogLog虽然技术实现是一种 不同的数据结构，但底层依旧是Redis strings，所以可以使用GET命令获取序列化后的数据，使用SET命令反序列化数据存储到Redis。
2.2. HyperLogLog和Sets的区别
| 对比/数据类型 | Sets | HyperLogLog |
|---|---|---|
| 是否实际存储统计元素 | 存储 | 不存储元素，仅存储存在的标记 |
| 增加元素 | SADD | PFADD |
| 统计元素数量 | SCARD | PFCOUNT |
| 删除元素 | SREM | 不支持删除元素 |
3. HyperLogLog如何使用
【HyperLogLog核心命令】：PFADD、PFCOUNT、PFMERGE；
3.1. HyperLogLog命令对比分析
| 命令 | 功能 | 参数 |
|---|---|---|
| PFADD | 添加元素到HLL数据结构 | key element [element …] |
| PFCOUNT | 返回HLL的基数值 | key [key …] |
| PFMERGE | 合并多个HLL结构数据到destkey | destkey sourcekey [sourcekey …] |
HLL操作命令中的PF含义：HyperLogLog 数据结构的发明人 Philippe Flajolet 的首字母缩写。
3.2. HyperLogLog命令详解
3.3. HyperLogLog命令注意事项
- PFADD仅存储标记，不存储元素本身；
- PFCOUNT实际是一个write命令，执行PFCOUNT时可能会重新计算计数值并存储；
- key有多个时，PFCOUNT会动态合并计算，并且计算结果不会被缓存，所以生产环境执行PFCOUNT时尽量避免带多个key；
- key有多个时，PFCOUNT是先合并再计算，结果为多个对象合并<去重>后的基数值（注意：不是基数值之和）；
- PFMERGE计算的是sourcekey的并集；
- 如果destkey已存在，则PFMERGE执行后destkey最终的结果是dest+source的并集；
3.4. HyperLogLog命令示例
// pfadd、pfcount 示例 @zxiaofan
127.0.0.1:6379> pfadd hll 1
(integer) 1
127.0.0.1:6379> pfadd hll 1
(integer) 0
127.0.0.1:6379> pfadd hll 2 3 4
(integer) 1
127.0.0.1:6379> pfcount hll
(integer) 4
127.0.0.1:6379> pfcount hll:notexist
(integer) 0
127.0.0.1:6379> pfadd hll2 a b
(integer) 1
127.0.0.1:6379> pfcount hll2
(integer) 2
127.0.0.1:6379> pfcount hll hll2
(integer) 6
127.0.0.1:6379> get hll
"HYLL\x01\x00\x00\x00\x04\x00\x00\x00\x00\x00\x00\x00A\xee\x84[v\x80Mt\x80Q,\x8cC\xf3"
127.0.0.1:6379> set hll:error error666
OK
127.0.0.1:6379> pfcount hll:error
(error) WRONGTYPE Key is not a valid HyperLogLog string value.
// pfmerge 示例 @zxiaofan
127.0.0.1:6379> pfadd hllm1 1 2 3 4 5
(integer) 1
127.0.0.1:6379> pfadd hllm2 5 6 7 8
(integer) 1
127.0.0.1:6379> pfmerge hllm3 hllm1 hllm2
OK
127.0.0.1:6379> pfcount hllm3
(integer) 8
127.0.0.1:6379> pfadd hllm4 7 8 9 10 11 12 14 14
(integer) 1
127.0.0.1:6379> pfmerge hllm4 hllm1 hllm2
OK
127.0.0.1:6379> pfcount hllm4
(integer) 13
4. HyperLogLog应用场景
4.1. 网站日活月活
日活：每天一个HLL，用户登录时则PFADD HLL20200719 userID;
月活：合并当月的所有日活数据，PFMERGE HLL202007 HLL20200701 HLL20200702 HLL20200703 …
4.2. 网页UV
UV（Unique Visitor）独立访客：1天内；cookie为标识；相同的客户端多次访问只计为1个访客。
比如老板想实时查看公司网站某些页面从今天0点到现在被多少独立访客访问。
4.3. 其他场景场景
- 搜索引擎关键词搜索量；
- 用户在线人数统计；
- 基于基数计数的数据分析场景。
【玩转Redis系列文章 @zxiaofan】
《玩转Redis-京东签到领京豆如何实现》
《玩转Redis-老板带你深入理解分布式锁》
《玩转Redis-如何高效访问Redis中的海量数据》
《玩转Redis-高级程序员必知的Key命令》
《玩转Redis-研发也应该知道的Connection命令》
《玩转Redis-Redis高级数据结构及核心命令-ZSet》
《玩转Redis-Redis基础数据结构及核心命令》
《玩转Redis-Redis安装、后台启动、卸载》
祝君好运！
Life is all about choices！
将来的你一定会感激现在拼命的自己！
【CSDN】【GitHub】【OSCHINA】【掘金】【语雀】【微信公众号】
