Redis核心技术与实战【学习笔记】 - 6.Redis 的统计操作处理

1.前言

在 Web 业务场景中，我们经常保存这样一种信息：一个 key 对应了一个数据集合。比如：

• 手机 APP 中的每天用户登录信息：一天对应一系列用户 ID。
• 电商网站上商品的用户评论列表：一个商品对应了一些列的评论。
• 用户在手机 APP 上的签到打卡信息：一天对应一系列用户的签到记录。
• 应用网站上的网页访问信息：一个网页对应一些列的访问点击。

Redis 集合类型的特点就是一个键对应一系列数据，所以非常适合用来存取这类数据。但是，实际的使用场景中，除了记录信息，还需要对集合中的数据进行统计，例如：

• 在移动应用中，需要统计每天的新增用户数和第二天的留存用户数；
• 在电商网站中，需要统计评论列表中的最新评论；
• 在签到打开中，需要统计一个月内连续打开的用户数；
• 在页面访问记录中，需要统计网络独立访客（UV）量。

通常情况下，我们面临的用户数量以及访问量是巨大的。所以，我们必须要选择能够非常高效地统计大量数据（比如亿级）的集合类型。要选选择合适的集合，就得了解常用的集合统计模式。集合类型常见的统计模式有四种，包括聚合统计、排序统计、二值状态统计和基数统计，下面分别分析下这些统计类型。

---

2.聚合统计

聚合统计就是指多个集合元素聚合结果，包括：

• 统计多个集合的共有元素（交集统计）；
• 把两个集合相比，统计其中一个集合独有的元素（差异统计）；
• 统计多个集合的所有元素（并集统计）；

在前言提到的场景中，统计手机 APP 每天的用户新增数和第二天的用户留存数，正好对应的聚合统计。

要完成这个统计任务，我们可以用一个集合记录所有登录过 APP 的用户 ID，同时，用另一个集合记录每天登录过 APP 的用户 ID。然后，再对这两个集合做聚合统计。

• 记录所有登录过 APP 的用户 ID比较简单，可以直接使用 Set 类型，把 key 设置为 user:id，表示记录的是用户 ID，value 是一个 Set 集合，里面是所有登录过 APP 的用户 ID，如下图所示
  
• 把每天登录的用户 ID 记录到一个新集合中，这个集合叫做每日用户 Set：key 是 user:id:当天日期，例如 user:id:20240129；value 是 Set 集合，记录当天登录的用户 ID。
  

假设 APP 是 2024 年 1 月 20 日上线，那么 1 月 20 日前是没有用户的。

1. 此时，累计用户 Set 是空的。
2. 当天登录的用户 ID 会被记录到 user:id:20240120 的 Set 中。
3. 所以，user:id:20240120 这个 Set 中的用户就是当天的新增用户。
4. 然后，我们计算累计用户 Set 和 user:id:20240120 Set 的并集结果，结果保存在 user:id 这个累计用户 Set 中，如下所示：

SUNIONSTORE user:id user:id user:id:20240120

5. 此时， user:id 这个累计用户 Set 中就有了 1 月 20 日的用户 ID。
6. 等到 1 月 21 日再统计时，我们把 1 月 21 日登录的用户 ID 记录到 user:id:20240121 的 Set 中。
7. 接下来执行 SDIFFSTORE 命令计算 user:id:20240121 的 Set 和 累计用户 Set 的差集，将结果保存在 key 为 user:new 的 Set 中，如下所示：

SDIFFSTORE user:new user:id:20240121 user:id

9. 这个差集的用户 ID 在 user:id:20240121 的 Set 中存在，但是不在累计用户 Set 中。所以，user:new 这个 Set 中记录的就是 1 月 21 日的新增用户。
10. 当要计算 1 月 21 日的留存用户时，我们只需要再计算 user:id:20240120 和 user:id:20240121 这个两个 Set 的交集，就可以得到同时在这两个集合中的用户 ID 了，这些就是在 1 月 20 日登录且在 1 月 21 日留存的用户。执行的命令如下：

SINTERSTORE user:id:rem user:id:20240120 user:id:20240121

当你要对多个集合进行聚合计算时，Set 类型会是一个一个非常不错的选择。不过，这里有个潜在的风险：Set 的差集、并集和交集的计算复杂度较高，在数据量较大的情况下，如果直接执行这些计算，会导致 Redis 实例阻塞。所以，可以从主从集群中选择一个从库，让它专门负责聚合计算，或者是把数据读取到客户端，在客户端来完成聚合统计，这样就可以规避阻塞主库实例和其他从库实例的风险了。

3.排序统计

排序统计，我们以商品的最新评论列表的场景为例，进行讲解。

最新评论列表包含了所有评论中的最新留言，这就要求集合类型能对元素保序，也就是说集合中的元素可以按序排列，这种对元素保序的集合类型叫做有序集合。

Redis 常用的 4 个集合类型中（List、Set、Hash、Sorted Set），List 和 Sorted Set 就属于有序集合。

List 是按照元素进入 List 的顺序进行排序的，而 Sorted Set 可以根据元素的权重来排序。比如说，我们可以根据元素插入 Sorted Set 的时间确定权重值，先插入的元素权重小，后插入的元素权重大。

我们该如何选择呢？

3.1 List 排序

每个商品对应一个 List，这个 List 包含了对这个商品的所有评论，而且会按照评论时间来保存这些评论，每当有一个新评论，就用 LPUSH 命令把它插入 List 的队头。

在只有一页面评论的时候，逻辑非常简单，但是在实际应用中，一般都会分页显示，一旦涉及到分页，List 就可能会出现问题。

假设 当前的评论 List 是 {a, b, c, d, e, f}，其中 1 是最新评论，5 是最早评论。在展示第一页的 3 个评论时，可以用下面的命令，得到最新的三条评论 a、b、c ：

LRANGE comments 0 2
1) "a"
2) "b"
3) "c"

然后在获取第二页的3个评论 d、e、f：

LRANGE comments 3 5
1) "d"
2) "e"
3) "f"

但是如果此时又产生了一条新评论 g，评论 G 就会被插入到评论 List 的队头，评论 List 就变成了 {g, a, b, c, d, e, f}。此时，再用刚才的命令获取第二页评论时，就会发现，评论 c 又被展示出来了， 也就是 c、d、e

LRANGE comments 3 5
1) "c"
2) "d"
3) "e"

这是因为新元素插入前后，List 相同位置上的元素就会发生变化，用 LRANGE 读取时，就会读到旧元素。

3.2 Sorted Set 排序

和 List 相比，Sorted Set 就不存在这个问题，因为它是根据元素的实际权重来排序和获取数据的。我们可以按照评论时间的先后给每条评论设置一个权重值，然后再把评论保存到 Sorted Set 中。Sorted Set 也能通过 ZRANGBYSCORE 命令准备地获取到按排序的数据。

假设越新的评论权重越大，目前最新评论的权重是 N，我们执行下面的命令时，就可以获得最新的 10 条评论：

ZRANGEBYSCORE comments N-9 N

所以，在面对需要展示最新列表、排行榜等场景时，如果数据更新频繁或者需要分页显示，建议优先考虑 Sorted Set。

4.二值状态统计

这里的二值状态就是指集合元素的取值就只有 0 和 1 两种。在签到打卡的场景中，我们只用记录签到（1）或未签到（0），所以它就是典型的二值状态。

签到统计时，每个用户每天的签到用 1 个 bit 位就能表示，一个月（假设是 31 天）的签到情况 31 个 bit 位就可以，而一年的签到也只需要用 365 个 bit 位，根本不用太复杂的集合类型。这个时候，我们就可以选择 Bitmap。这个是 Redis 提供的扩展数据类型。

Bitmap 本身是用 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。String 类型是会保存二进制的字节数组，所以，Redis 就把字节数组的每个 bit 位利用起来，用来表示一个元素的二值状态。你可以把 Bitmap 看作是一个 bit 数组。

Bitmap 提供了 GETBIT/SETBIT 操作，使用一个偏移值 offset 对 bit 数组的某一个 bit 位进行读和写。不过，需要注意的是，Bitmap 的偏移量是从 0 开始算的，也就是说 offset 的最小值是 0。当使用 SETBIT 对一个 bit 位进行写操作时，这个 bit 位会被设置为 1。Bitmap 还提供了 BITCOUNT 操作，用来统计这个 bit 数组中所有 “1” 的个数。

假设我们要统计 ID 3000 的用户在 2024 年 1 月份的签到情况，就可以按照下面的步骤进行操作。

1. 执行下面的命令，记录该用户在 1 月 20 号已签到。

SETBIT uid:sign:3000:202401 19 1

2. 检查该用户在 1 月 20 号是否签到

GETBIT uid:sign:3000:202401 19

3. 统计该用户在 8 月份的签到次数

BITCOUNT uid:sign:3000:202401

这样，我们就知道该用户在 8 月份的签到情况了。

你可以再考虑下：如果记录了 1 亿个用户 10 天的签到情况，有没有办法统计出 这 10 天连续签到用户的总数吗？

分析之前，我们要先知道，Bitmap 支持用 BITOP 命令对多个 Bitmap 按位做与 或 异或的操作，操作的结果会保存到一个新的 Bitmap 中。

我们以按位与操作为例。下图中，可以看到三个 Bitmap，bm1、bm2、bm3，对应 bit 位做与操作，结果保存到一个新的 Bitmap 中（BITOP AND resmap bm1 bm2 bm3）。

回到刚刚的问题，在统计 1 亿个用户连续 10 天的签到情况时，可以把日期作为 key，每个 key 对应一个 1 亿位的 Bitmap，每个 bit 对应一个用户当天的签到情况。

接下来，我们对 10 个 Bitmap 做与操作，得到的结果也是一个 Bitmap。在这个 Bitmap 中，只有 10 天都签到的用户对应的 bit 位上的值才会是 1。最后，我们可以用 BITCOUNT 统计下 Bitmap 中 1 的个数，这就是 1 亿用户中连续签到 10 天的用户总数了。

现在统计下内存开销。每天使用 1 个 1 亿位的 Bitmap，大约占 12M 的内存（10^8/8/1024/1024），10 天的 Bitmap 的内存开销为 120M，内存压力你不算大。不过实际应用时，最好对 Bitmap 设置过期时间，让 Redis 自动删除不再需要的签到记录，以节省内存开销。

所以，在统计海里数据的时候，Bitmap 能够有效地节省内存空间。

5.基数统计

基数统计就是指统计一个集合中不重复的元素个数。对应的就是统计网页的 UV。

网页 UV 有个独特的地方，就是需要去重， 一个用户一天内的多次访问智能算作一次。 在 Redis 集合中 Set 类型默认支持去重，所以，看到有去重需求时，第一个想到的就是 Set 类型。

我们来看一个例子，有一个用户 user1 访问 page1 时，你把这个信息添加到 Set 中：

SADD page1:uv user1

用户 1 再来访问时，Set 去重功能就能保证不会重复记录用户 1 的访问次数。当你需要统计 UV 时，可以直接用 SCARD 命令，这个命令会返回一个集合中的元素个数。

但是如果 page1 非常火爆，UV 达到了千万，这个时候，一个 Set 就要记录千万个用户 ID，而在搞促销活动时，这样的页面可能有成千上万个，如果每个页面都用这样的 Set ，就会消耗很大的空间。

当然，也可以使用 Hash 类型记录 UV。例如，可以把用户 ID 作为集合的 key，当用户访问页面时，就用 HSET 命令，对这个用户 ID 记录一个值 “1” ，表示一个独立访客：

HSET page1:uv user1 1

即使用户多次访问，重复执行这个命令，user1 的值仍为 1。当要统计 UV 时，我们可以用 HLEN 命令统计 Hash 集合中的所有元素个数即可。但是，和 Set 类型一样，当页面很多时，Hash 类型也会消耗很大的内存空间。

有没有什么办法既能完成统计，又能节省空间呢？

它就是 Redis 的 HyperLogLog 了。它是一种用于统计基数的数据集合类型，它最大的优势是当集合元素非常多时，它计算基数所需的空间总是固定的，而且还非常小。

在 Redis 中，每个 HyperLogLog 只需 12 KB 的内存，就可以计算接近 2 的 64 次方个元素的基数。

在统计 UV 时，你可以用 PFADD 命令把访问页面的每个用户都添加到 HyperLogLog 中。

PFADD page1:uv user1 user2 user3 user4

接下来，就可以用 PFCOUNT 命令直接获得 page1 的 UV 值了，这个命令的作用就是返回 HyperLogLog 的统计结果。

PFCOUNT page:uv

需要注意下，HyperLogLog 的统计规则是基于概率完成的，所以它给出的统计结果会有一定的误差，标准误算率是 0.81%。也就是使用 HyperLogLog 统计 UV 是 100 万，但实际的 UV 可能是 101 万。虽然误差不大，但是，如果需要精确统计结果的话，最好还是利益 Set 或 Hash 类型。