第3节-Redis数据类型介绍以及应用

第3节-Redis数据类型介绍以及应用

1、9大类型

• String（字符类型）

• Hash（散列类型）

• List（列表类型）

• Set（集合类型）

• SortedSort（有序集合类型，简称zset）

• Bitmap（位图）

• HyperLogLog（统计）

• GEO（地理）

• Stream

Stream简单了解

Redis Stream 是 Redis 5.0 版本新增加的数据结构。Redis Stream 主要用于消息队列（MQ，Message Queue）

Redis 本身是有一个 Redis 发布订阅 (pub/sub) 来实现消息队列的功能，但它有个缺点就是消息无法持久化，如果出现网络断开、Redis 宕机等，消息就会被丢弃。简单来说发布订阅 (pub/sub) 可以分发消息，但无法记录历史消息。

而 Redis Stream 提供了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，还能保证消息不丢失。它算是redis自己消息功能的补充。

但是，一般主流MQ都固定了(Kafka/RabbitMQ/RocketMQ/Pulsar)。

备注：

• 命令不区分大小写，key是区分大小写的
• help@类型名词

2、五种基本数据类型

1、String类型

##最常见的命令
set key value 

get key

##同时设置/获取多个键值
mset key1 value1 key2 value2 ....

mget key1 key2 

##数值增减
## 递增数字 incr key
## 增加指定的整数 incrby key increment
## 递减数值 decr key
## 减少指定的整数 decrby key decrement

## 获取字符串长度
strlen key

##分布式锁
setnx key value 
setnx key value [EX seconds][PX milliseconds][NX|XX]

应用场景：比如抖音无限点赞某个视频或者商品，点一下加一次

是否喜欢的文章

2、Hash类型

Hash在Java中就是Map>

## 一次设置一个字段值
hset key find value

## 一个获取一个字段值
hget key field 

## 一个设置多个字段值
hmset key field value [field value ...]

## 一个获取多个字段值
hmget key field [field ...]

## 获取所有字段值
hgetall key 

## 获取某个key内的全部数量
hlen key

## 删除一个key
hdel key

应用场景：

• 京东购物车，设计目前不再采用，当前小中厂可用

新增商品 → hset shopcar:uid1024 334488 1
新增商品 → hset shopcar:uid1024 334477 1
增加商品数量 → hincrby shopcar:uid1024 334477 1
商品总数 → hlen shopcar:uid1024
全部选择 → hgetall shopcar:uid1024

3、List类型

简单说明：

一个双端链表的结构，容量是2的32次方减1个元素，大概40多亿，主要功能有push/pop等，一般用在栈、队列、消息队列等场景。

## 向列表左边添加元素
lpush key value [value ...]

## 向列表右边添加元素
rpush key value[value ...]

## 查看列表
lrange key start stop

## 获取列表中元素的个数
llen key

应用场景：

微信公众号订阅的消息：

1 大V作者李永乐老师和CSDN发布了文章分别是 11 和 22

2 阳哥关注了他们两个，只要他们发布了新文章，就会安装进我的List  lpush likearticle:阳哥id    11 22

3 查看阳哥自己的号订阅的全部文章，类似分页，下面0~10就是一次显示10条     lrange likearticle:阳哥id 0 9

商品评论列表

需求1：用户针对某一商品发布评论，一个商品会被不同的用户进行评论，保存商品评论时，要按时间顺序排序

需求2：用户在前端页面查询该商品的评论，需要按照时间顺序降序排序

使用list存储商品评论信息，key是该商品的id，value是商品评论信息商品编号为1001的商品评论key【items:comment:1001】

lpush items:comment:1001 {"id":1001,"name":"huawei","date":1600484283054,"content":"lasjfdljsa;fdlkajsd;lfjsa;ljf;lasjf;lasjfdlsad"}

4、Set类型

## 添加元素  
sadd key member [member ...]

## 删除元素
srem key member [member ...]

## 遍历集合中的所有元素
smembers key

## 判断元素是否在集合中
sismember key member 

## 获取集合中的元素总数
scard key

## 从集合中随机弹出一个元素，元素不删除
srandmember key [数字]

## 从集合中随机弹出一个元素，出一个删一个
spop key [数字]

集合运算

A：abc12

B：123ax

集合的差集运算A-B
	属于A但不属于B的元素构成的集合
		sdiff key [key ...]
		
集合的交集运算A∩B
	属于A同时也属于B的共同拥有的元素构成的集合
		sinter key [key ...]
		
集合的并集运算A∪B
	属于A或者属于B的元素合并后的集合
		sunion key [key ...]
		

应用场景：

微信抽奖小程序：

微信朋友圈点赞：

微博好友关注社交关系

共同关注的人

我关注的人也关注他（大家爱好相同）

QQ内推可能认识的人

5、Zset类型

向有序集合里面加入一个元素和该元素的分数

添加元素

zadd key score member[score member ...]

按照元素分数从小到大的顺序，返回索引从start到stop之间的所有元素

zrange key start stop [withscores]

获取元素的分数

zscore key member

删除元素

zrem key member [member ...]

获取指定分数范围的元素

zrangebyscore key min max [withscores offset count]

新增某个元素的分数

zincrby key increment member

获取集合中元素的数量

zcard key 

获取指定分数范围内元素的个数

zcount key min max

按照排名范围删除元素

zremrangebyrank key start stop

获取元素的排名

从小到大
zrank key member
从大到小
zrerank key member

应用场景：

1、根据商品销售对商品进行排序显示

思路：定义商品销售排行榜(sorted set集合)，key为goods:sellsort，分数为商品销售数量。

2、抖音热搜

1、点击视频

zincrby hotvcr:20200919 1 八佰
zincrby hotvcr:20200919 15 八佰 2 花木兰

2、展示当日排行前10条

ZREVRANGE hotvcr:20200919 0 9 withscores

案例实战02：微信文章阅读统计量

• 需求

• 代码

@RestController
@Slf4j
@Api(description = "喜欢的文章接口")
public class ArticleController
{
    @Resource
    private ArticleService articleService;

    @ApiOperation("喜欢的文章，点一次加一个喜欢")
    @RequestMapping(value ="/view/{articleId}", method = RequestMethod.POST)
    public void likeArticle(@PathVariable(name="articleId") String articleId)
    {
        articleService.likeArticle(articleId);
    }
}

@Service
@Slf4j
public class ArticleService
{
    public static final String ARTICLE = "article:";
    @Resource
    private StringRedisTemplate stringRedisTemplate;

    public void likeArticle(String articleId)
    {
        String key = ARTICLE+articleId;
        Long likeNumber = stringRedisTemplate.opsForValue().increment(key);
        log.info("文章编号:{},喜欢数:{}",key,likeNumber);
    }
}

• 结论

中小厂可以用，QPS特别高的大厂不可以用。（why）

缓存穿透问题？

瞬间百万/千万的点击量，会把Redis内存打爆

update 阅读量这个key 修改最新的阅读数字

那种10w+ /100w + 的总统计量，是一种保护程序稳定性的做法

if(number >= 10w+){
    return;
}else{
    incr k1;
}
// 如果超过10w还需要详细统计的话，需要使用set + 时间片的方法 

3、三种特殊类型

为什么出来这三种类型？

先看看大厂真实需求 + 面试题反馈

面试题1：

手机App中的每天的⽤⼾登录信息：1天对应1系列⽤⼾ID或移动设备ID；
电商⽹站上商品的⽤⼾评论列表：1个商品对应了1系列的评论；
⽤⼾在⼿机App上的签到打卡信息：1天对应1系列⽤⼾的签到记录；
应⽤⽹站上的⽹⻚访问信息：1个⽹⻚对应1系列的访问点击。

// 统计登录信息、打卡信息、评论信息、日活等

面试题2：

记录对集合中的数据进行统计

在移动应用中，需要统计每天的新增用户数和第2天的留存用户数；
在电商网站的商品评论中，需要统计评论列表中的最新评论；
在签到打卡中，需要统计一个月内连续打卡的用户数；
在网页访问记录中，需要统计独立访客（UniqueVisitor，UV）量。

痛点：
类似今日头条、抖音、淘宝这样的额用户访问级别都是亿级的，请问如何处理？

需求痛点：

亿级数据的收集 + 统计

要求：

存得进 + 取得快 + 多统计

常用统计类型

• 聚合统计

统计多个集合元素的聚合效果，就前面讲解过的 交差并等集合统计。交并差集和聚合函数的使用

• 排序统计

抖音视频最新评论留言的场景，请你设计一个列表展示。考察你的数据结构和设计思路

以抖音vcr最新的留言评价为案例，所有评论需要两个功能，按照时间排序+分页显示

 能够排序+分页显示的redis数据结构是什么合适？

使用List解答

每个商品评价对应一个List集合，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保存这些评论，
每来一个新评论就用LPUSH命令把它插入List的队头。但是，如果在演示第二页前，又产生了一个新评论，
第2页的评论不一样了。原因：
List是通过元素在List中的位置来排序的，当有一个新元素插入时，原先的元素在List中的位置都后移了一位，
原来在第1位的元素现在排在了第2位，当LRANGE读取时，就会读到旧元素。

使用Zset解答

总结：

在面对需要展示最新列表、排行榜等场景时，如果需要对数据更新频繁或者需要分页显示，建议使用Zset

• 二值统计

集合元素的取值就只有0和1两种，在钉钉上班签到打卡的场景中，我们只用记录有签到（1）或没签到（0）

使用bitmap是最佳选择（统计打卡）

• 基数统计

指统计一个集合中 不重复的元素个数

使用hyperloglog是最佳选择（统计日活）

1、BitMap

是什么？

说明：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

位图本质是数组，它是基于String数据类型的按位的操作。该数组由多个二进制位组成，每个二进制位都对应一个偏移量（我们称为一个索引或者位格）。

Bitmap支持的最大位数是2³²位，它可以极大的节约存储空间，使用512M内存就可以存储多达42.9亿的字节信息（2³²=4294967296）

总的来说就是由0和1状态表现得二进制位得bit数组

能干嘛？

1、用于状态统计

​ Y、N，类似于AtomicBoolean

2、根据需求做对应得统计功能

​ eg：用户是否登录过Y、N，比如京东每日签到送京豆

​ 电影、广告是否被点击播放过

​ 钉钉打卡上下班，签到统计

3、大厂真实案例

​ eg：日活统计（建议使用hyperloglog）

​ 连续签到打卡

​ 最近一周得活跃用户

​ 统计用户一年内登录得天数

真实案例：京东签到领取京豆

需求说明：

小厂传统方式使用Mysql统计：

建表SQL

CREATE TABLE user_sign
(
  keyid BIGINT NOT NULL PRIMARY KEY AUTO_INCREMENT,
  user_key VARCHAR(200),#京东用户ID
  sign_date DATETIME,#签到日期(20210618)
  sign_count INT #连续签到天数
)
 
INSERT INTO user_sign(user_key,sign_date,sign_count)
VALUES ('20210618-xxxx-xxxx-xxxx-xxxxxxxxxxxx','2020-06-18 15:11:12',1);
 
SELECT
    sign_count
FROM
    user_sign
WHERE
    user_key = '20210618-xxxx-xxxx-xxxx-xxxxxxxxxxxx'
    AND sign_date BETWEEN '2020-06-17 00:00:00' AND '2020-06-18 23:59:59'
ORDER BY
    sign_date DESC
    LIMIT 1;
 

困难和解决思路

方法正确但是难以落地实现

签到用户量较小时这么设计能行，但京东这个体量的用户（估算3000W签到用户，一天一条数据，一个月就是9亿数据）

对于京东这样的体量，如果一条签到记录对应着当日用记录，那会很恐怖......(再牛逼得数据库也不够用啊，而且是mysql是关系型数据库，取数据得时候非常慢)

如何解决：

1 一条签到记录对应一条记录，会占据越来越大的空间。

2 一个月最多31天，刚好我们的int类型是32位，那这样一个int类型就可以搞定一个月，32位大于31天，当天来了位是1没来就是0。

3 一条数据直接存储一个月的签到记录，不再是存储一天的签到记录。

大厂方法：基于Redis得Bitmap实现签到日历

建表-按位-redis bitmap

在签到统计时，每个用户一天的签到用1个bit位就能表示，
一个月（假设是31天）的签到情况用31个bit位就可以，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

Bitmap基本命令

setbit

set key offset value 

setbit键 偏移量 只能是0或者1

重点：bitmap的偏移量是从0开始算的

getbit

getbit key offset

get key （也是对的，bitmap本质是string，会输出二进制位对应的ascii的内容）

setbit和getbit案例说明

按照天

按照年

按年去存储一个用户的签到情况，365 天只需要 365 / 8 ≈ 46 Byte，1000W 用户量一年也只需要 44 MB 就足够了。

假如是亿级的系统，每天使用1个1亿位的Bitmap约占12MB的内存（10^8/8/1024/1024）

10天的Bitmap的内存开销约为120MB，内存压力不算太高。

在实际使用时，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。

bitmap的底层编码说明，get命令如何操作?

• 实质是二进制的ascii编码对应
• redis里面使用type命令看看bitmap实质是什么类型？string
• man ascii

• 设置命令

strlen

不是字符串长度而是占据几个字节，超过8位后自己按照8位一组一byte再扩容，统计字节数占用多少

bitcount

全部键里面含有1的有多少个？

一年365天，全年天天登录占用多少个字节？

bitop

连续2天都签到的用户

加入某个网站或者系统，它的用户有1000W，做个用户id和位置的映射
比如0号位对应用户id：uid-092iok-lkj
比如1号位对应用户id：uid-7388c-xxx

2、hyperloglog

互联网统计常用名词解释

什么是UV：

​ unique visitor ： 独立访客，一般理解为客户端IP，需要去重考虑

什么是PV：

​ page View 页面浏览量，不用去重

什么是DAU：

​ daily active user ：日活跃用户量，登录或者使用了某个产品的用户数（去重登录的用户），常用于反映网站、互联网应用或者是网络游戏的运营情况

什么是MAU：

​ monthly active user：月活跃量

需求：

• 统计某个网站的UV，统计某个文章的UV
• 用户搜索网站关键词的数量
• 统计用户每天搜索不同词条个数

hyperloglog是什么？

去重复统计功能的基数估计算法-就是hyperloglog

什么叫基数？

​ 是一种数据集，去重复后的真实个数就叫基数

基数统计：用于统计一个集合中不重复的元素个数，就是对集合去重复后剩余元素的计算

一句话：去重脱水后的真实数据

hyperloglog如何做的？如何演化出来的？

基数统计就是用hyperloglog

去重复统计你会想到哪些方式？

1、java - HashSet

2、bitmap

如果数据显较大亿级统计,使用bitmaps同样会有这个问题。

bitmap是通过用位bit数组来表示各元素是否出现，每个元素对应一位，所需的总内存为N个bit。

基数计数则将每一个元素对应到bit数组中的其中一位，比如bit数组010010101(按照从零开始下标，有的就是1、4、6、8)。
新进入的元素只需要将已经有的bit数组和新加入的元素进行按位或计算就行。这个方式能大大减少内存占用且位操作迅速。

But，假设一个样本案例就是一亿个基数位值数据，一个样本就是一亿

如果要统计1亿个数据的基数位值,大约需要内存100000000/8/1024/1024约等于12M,内存减少占用的效果显著。

这样得到统计一个对象样本的基数值需要12M。

如果统计10000个对象样本(1w个亿级),就需要117.1875G将近120G，可见使用bitmaps还是不适用大数据量下(亿级)的基数计数场景，但是bitmaps方法是精确计算的。

结论：样本元素越多越内存消耗急剧增大，难以管控+各种慢，对于亿级统计不太适合，大数据害死人。

办法？概率算法？

通过牺牲准确率来换取空间，对于不要求绝对准确率的场景下可以使用，因为概率算法不直接存储数据本身，
通过一定的概率统计方法预估基数值，同时保证误差在一定范围内，由于又不储存数据故此可以大大节约内存。

HyperLogLog就是一种概率算法的实现。

原理说明

只是进行不重复得基数统计，不是集合也不保存数据，只记录数量而不是具体内容。

有误差：

​ 非精确统计，牺牲准确率来换取空间，误差仅仅是0.81%左右

这个误差如何来的？

​ Redis之父的回答：

经典面试题：

​ 为什么redis集群的最大槽数是16384个？

​ Redis集群并没有使用一致性hash而是引入了哈希槽的概念。Redis 集群有16384个哈希槽，每个key通过CRC16校验后对16384取模来决定放置哪个槽，集群的每个节点负责一部分hash槽。但为什么哈希槽的数量是16384（2^14）个呢？

CRC16算法产生的hash值有16bit，该算法可以产生2^16=65536个值。
换句话说值是分布在0~65535之间。那作者在做mod运算的时候，为什么不mod65536，而选择mod16384？

回答：

正常的心跳数据包带有节点的完整配置，可以用幂等方式用旧的节点替换旧节点，以便更新旧的配置。
这意味着它们包含原始节点的插槽配置，该节点使用2k的空间和16k的插槽，但是会使用8k的空间（使用65k的插槽）。同时，由于其他设计折衷，Redis集群不太可能扩展到1000个以上的主节点。
因此16k处于正确的范围内，以确保每个主机具有足够的插槽，最多可容纳1000个矩阵，但数量足够少，可以轻松地将插槽配置作为原始位图传播。请注意，在小型群集中，位图将难以压缩，因为当N较小时，位图将设置的slot / N位占设置位的很大百分比。

(1)如果槽位为65536，发送心跳信息的消息头达8k，发送的心跳包过于庞大。
在消息头中最占空间的是myslots[CLUSTER_SLOTS/8]。 当槽位为65536时，这块的大小是: 65536÷8÷1024=8kb
因为每秒钟，redis节点需要发送一定数量的ping消息作为心跳包，如果槽位为65536，这个ping消息的消息头太大了，浪费带宽。

(2)redis的集群主节点数量基本不可能超过1000个。
集群节点越多，心跳包的消息体内携带的数据越多。如果节点过1000个，也会导致网络拥堵。因此redis作者不建议redis cluster节点数量超过1000个。 那么，对于节点数在1000以内的redis cluster集群，16384个槽位够用了。没有必要拓展到65536个。

(3)槽位越小，节点少的情况下，压缩比高，容易传输
Redis主节点的配置信息中它所负责的哈希槽是通过一张bitmap的形式来保存的，在传输过程中会对bitmap进行压缩，但是如果bitmap的填充率slots / N很高的话(N表示节点数)，bitmap的压缩率就很低。 如果节点数很少，而哈希槽数量很多的话，bitmap的压缩率就很低。

基本命令

实战案例：天猫网站首页亿级UV的Redis统计方案

需求：

UV的统计需要去重，一个用户一天内的多次访问只能算作一次

淘宝、天猫首页的UV，平均每天是1-1.5亿左右

每天存1.5个亿的IP，访问者来了后先去查是否存在，不存在加入

方案讨论：

​ 用mysql -不行，亿级，不合适

​ 用redis的hash结构存储

redis——hash = >

按照ipv4的结构来说明，每个ipv4的地址最多是15个字节(ip = “192.168.111.1”，最多xxx.xxx.xxx.xxx)

某一天的1.5亿 * 15个字节= 2G，一个月60G，redis死定了

​ 用hyperloglog

HyperLogLogController

@Api(description = "案例实战总03:天猫网站首页亿级UV的Redis统计方案")
@RestController
@Slf4j
public class HyperLogLogController
{

    @Resource
    private RedisTemplate redisTemplate;

    @ApiOperation("获得ip去重复后的首页访问量，总数统计")
    @RequestMapping(value = "/uv",method = RequestMethod.GET)
    public long uv()
    {
        //pfcount
        return redisTemplate.opsForHyperLogLog().size("hll");
    }
}

hyperloglogService

@Service
@Slf4j
public class HyperLogLogService {
    @Resource
    private RedisTemplate redisTemplate;

    /**
     * 模拟有用户来点击首页，每个用户就是不同的ip，不重复记录，重复不记录
     */
    //@PostConstruct
    public void init() {
        log.info("------模拟后台有用户点击，每个用户ip不同");
        //自己启动线程模拟，实际上产不是线程
        new Thread(() -> {
            String ip = null;
            Random random = new Random();
            for (int i = 1; i <= 200; i++) {

                ip = random.nextInt(255) + "." + random.nextInt(255) + "." + random.nextInt(255) + "." + random.nextInt(255);

                Long hll = redisTemplate.opsForHyperLogLog().add("hll", ip);
                log.info("ip={},该ip访问过的次数={}", ip, hll);
                //暂停3秒钟线程
                try {
                    TimeUnit.SECONDS.sleep(3);
                } catch (InterruptedException e) {
                    e.printStackTrace();
                }
            }
        }, "t1").start();
    }
}

3、GEO

地理位置知识简介

移动互联网时代LBS应用越来越多，交友软件中附近的小姐姐、外卖软件中附近的美食店铺、打车软件附近的车辆等等，那这种附近各种形形色色的XXX地址位置选择是如何实现的？

地球上的地理位置是使用二维的经纬度表示，经度范围 (-180, 180]，纬度范围 (-90, 90]，只要我们确定一个点的经纬度就可以名曲他在地球的位置。

例如滴滴打车，最直观的操作就是实时记录更新各个车的位置，

然后当我们要找车时，在数据库中查找距离我们(坐标x0,y0)附近r公里范围内部的车辆

使用如下SQL即可：

select taxi from position where x0-r < x < x0 + r and y0-r < y < y0+r

但是这样会有什么问题呢？
1.查询性能问题，如果并发高，数据量大这种查询是要搞垮数据库的

2.这个查询的是一个矩形访问，而不是以我为中心r公里为半径的圆形访问。

3.精准度的问题，我们知道地球不是平面坐标系，而是一个圆球，这种矩形计算在长距离计算时会有很大误差

所以Redis在3.2版本以后添加对地理位置的处理

原理

命令

geoadd 多个经度(longitude)、纬度(latitude)、位置名称(member) 添加到指定的key中

geopos 从键里面返回所有给定位置元素得的位置（经度和纬度）

geodist 返回给定2个位置之间的距离

georadius 以给定的经纬度为中心，返回与中心距离不超过给定最大距离的所有位置元素

georadiusbymember georadius类似

geohash 返回一个或多个位置元素的geohash表示

命令实操

geoadd添加经纬度坐标

GEOADD city 116.403963 39.915119 “天安门” 116.403414 39.924091 “故宫” 116.024067 40.362639 “长城”

中文乱码处理

redis-cli --raw

geopos返回经纬度

geohash返回坐标的geohash表示

geohash算法生成base32位编码值，3维-2维-1维-二进制base32位编码

geodist两个位置之间距离

georadius 以半斤为中心，查找附近的xxxx

georadius 以给定的经纬度为中心， 返回键包含的位置元素当中， 与中心的距离不超过给定最大距离的所有位置元素。

GEORADIUS city 116.418017 39.914402 10 km withdist withcoord count 10 withhash desc

WITHDIST: 在返回位置元素的同时， 将位置元素与中心之间的距离也一并返回。 距离的单位和用户给定的范围单位保持一致。
WITHCOORD: 将位置元素的经度和维度也一并返回。
WITHHASH: 以 52 位有符号整数的形式， 返回位置元素经过原始 geohash 编码的有序集合分值。 这个选项主要用于底层应用或者调试， 实际中的作用并不大
COUNT 限定返回的记录数。

georadiusbymember

案例实战，美团地图位置附近酒店推送

需求分析：

架构设计：

Redis的新类型GEO

编码实现：

关键点：使用georadius 给定经纬度，找出某一半径内的元素

@RestController
public class GeoController
{
    public  static final String CITY ="city";

    @Autowired
    private RedisTemplate redisTemplate;

    @ApiOperation("新增天安门故宫长城经纬度")
    @RequestMapping(value = "/geoadd",method = RequestMethod.POST)
    public String geoAdd()
    {
        Map<String, Point> map= new HashMap<>();
        map.put("天安门",new Point(116.403963,39.915119));
        map.put("故宫",new Point(116.403414 ,39.924091));
        map.put("长城" ,new Point(116.024067,40.362639));

        redisTemplate.opsForGeo().add(CITY,map);

        return map.toString();
    }

    @ApiOperation("获取地理位置的坐标")
    @RequestMapping(value = "/geopos",method = RequestMethod.GET)
    public Point position(String member) {
        //获取经纬度坐标
        List<Point> list= this.redisTemplate.opsForGeo().position(CITY,member);
        return list.get(0);
    }

    @ApiOperation("geohash算法生成的base32编码值")
    @RequestMapping(value = "/geohash",method = RequestMethod.GET)
    public String hash(String member) {
        //geohash算法生成的base32编码值
        List<String> list= this.redisTemplate.opsForGeo().hash(CITY,member);
        return list.get(0);
    }

    @ApiOperation("计算两个位置之间的距离")
    @RequestMapping(value = "/geodist",method = RequestMethod.GET)
    public Distance distance(String member1, String member2) {
        Distance distance= this.redisTemplate.opsForGeo().distance(CITY,member1,member2, RedisGeoCommands.DistanceUnit.KILOMETERS);
        return distance;
    }

    /**
     * 通过经度，纬度查找附近的
     * 北京王府井位置116.418017,39.914402,这里为了方便讲课，故意写死
     */
    @ApiOperation("通过经度，纬度查找附近的")
    @RequestMapping(value = "/georadius",method = RequestMethod.GET)
    public GeoResults radiusByxy() {
        //这个坐标是北京王府井位置
        Circle circle = new Circle(116.418017, 39.914402, Metrics.MILES.getMultiplier());
        //返回50条
        RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs().includeDistance().includeCoordinates().sortAscending().limit(10);
        GeoResults<RedisGeoCommands.GeoLocation<String>> geoResults= this.redisTemplate.opsForGeo().radius(CITY,circle, args);
        return geoResults;
    }

    /**
     * 通过地方查找附近
     */
    @ApiOperation("通过地方查找附近")
    @RequestMapping(value = "/georadiusByMember",method = RequestMethod.GET)
    public GeoResults radiusByMember() {
        String member="天安门";
        //返回50条
        RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs().includeDistance().includeCoordinates().sortAscending().limit(10);
        //半径10公里内
        Distance distance=new Distance(10, Metrics.KILOMETERS);
        GeoResults<RedisGeoCommands.GeoLocation<String>> geoResults= this.redisTemplate.opsForGeo().radius(CITY,member, distance,args);
        return geoResults;
    }
}