Redis高级数据结构深度解析：BitMap、布隆过滤器、HyperLogLog与Geo

一、BitMap：极简高效的位图操作

🔍 核心原理

BitMap本质是二进制数组（0/1），通过位运算实现高效存储：

# 用户访问记录（用户ID作为偏移量）
SETBIT uv:20220930 1001 1  # ID1001用户访问
SETBIT uv:20220930 1005 1  
GETBIT uv:20220930 1001    # 返回1表示访问过
BITCOUNT uv:20220930       # 统计总访问用户数

💡 空间优势对比

数据类型	1亿用户存储	日活5000万
Set	400MB	400MB/日
BitMap	12.5MB	12.5MB/日

实际案例：某社交平台用BitMap记录每日签到，存储成本降低96%

---

二、布隆过滤器：概率型守护者

🌈 工作流程

⚙️ 缓存穿透解决方案

// Java实现布隆过滤器核心逻辑
public boolean mightContain(String element) {long[] indexes = getHashIndexes(element);for (long index : indexes) {if (!getBit(index)) return false;}return true; // 可能存在（有误判概率）
}

某电商平台实践：拦截99.8%恶意查询请求，数据库压力下降90%

---

三、HyperLogLog：百万级统计的魔法

🎲 伯努利实验分桶原理

1. 数据转换：元素→64位哈希值

2. 分桶策略：前14位决定16384个桶

3. 值记录：后50位首次出现1的位置

4. 估算公式：调和平均数计算桶值

📊 精准度测试

import redis
r = redis.Redis()# 添加10万不重复元素
for i in range(100000):r.pfadd("hll-demo", f"user-{i}")print(r.pfcount("hll-demo")) 
# 输出：100267（误差0.267%）

---

四、Geo：地理位置之光

🗺️ 底层ZSet结构揭秘

GEOADD cities 116.28 39.55 Beijing
GEOADD cities 117.12 39.08 Tianjin
GEODIST cities Beijing Tianjin km 
# 返回"89.2061"（单位公里）GEORADIUS cities 116.28 39.55 150 km
# 1) "Beijing"
# 2) "Tianjin"
# 3) "Baoding"

📍 微信附近的人实现

// 查询150公里范围内的城市
List<GeoRadiusResponse> results = jedis.georadius("cities", 116.28, 39.55, 150, GeoUnit.KM
);results.forEach(res -> System.out.println(res.getMemberByString())
);

---

💎 总结：四剑客最佳实践

数据结构	适用场景	优势	注意事项
BitMap	二值状态记录（签到/标记）	极致空间利用率	偏移量范围控制
布隆过滤器	存在性预判（缓存穿透防护）	高效内存消耗	需接受误判率
HyperLogLog	海量去重统计（UV/PV）	固定12KB存储	非精确计数
Geo	地理位置服务（LBS应用）	内置距离计算	基于ZSet实现

实战选择建议：

• 精确统计用BitMap

• 防穿透用布隆过滤器

• 亿级UV用HyperLogLog

• 地理位置用Geo