鞍山建设网站,网站logo设计教程,嘉定网站开发,单位网站建设存在问题情况汇报由于Redis 支持比较丰富的数据结构#xff0c;因此他能实现的功能并不仅限于缓存#xff0c;而是可以运用到各种业务场景中#xff0c;开发出既简洁、又高效的系统
dependencygroupIdorg.springframework.boot/groupIdartifactIdspring-bo…由于Redis 支持比较丰富的数据结构因此他能实现的功能并不仅限于缓存而是可以运用到各种业务场景中开发出既简洁、又高效的系统
dependencygroupIdorg.springframework.boot/groupIdartifactIdspring-boot-starter-data-redis/artifactId
/dependency1. 缓存
Redis 的几个常用数据结构都可以用于缓存
2. 抽奖Set 结构
抽个奖吧一堆用户参与进来然后随机抽取几个幸运用户给予实物/虚拟的奖品此时开发人员就需要写上一个抽奖的算法来实现幸运用户的抽取其实我们完全可以利用 Redis 的集合Set就能轻松实现抽奖的功能
①所需命令
SADD key member1 [member2]添加一个或者多个参与用户SRANDMEMBER KEY [count]随机返回一个或者多个用户SPOP key随机返回一个或者多个用户并删除返回的用户
SRANDMEMBER 和 SPOP 主要用于两种不同的抽奖模式SRANDMEMBER 适用于一个用户可中奖多次的场景就是中奖之后不从用户池中移除继续参与其他奖项的抽取而 SPOP 就适用于仅能中一次的场景一旦中奖就将用户从用户池中移除后续的抽奖就不可能再抽到该用户 通常 SPOP 会用的会比较多
②Redis-cli 操作
# 添加一个用户
127.0.0.1:6379 SADD lottery user1
(integer) 1
# 添加九个用户
127.0.0.1:6379 SADD lottery user2 user3 user4 user5 user6 user7 user8 user9 user10
(integer) 9
# 随机抽奖两个用户不移除抽奖池
127.0.0.1:6379 SRANDMEMBER lottery 2
1) user5
2) user4
# 随机抽奖两个用户移除抽奖池user2、user5
127.0.0.1:6379 SPOP lottery 2
1) user2
2) user5
# 随机抽奖两个用户移除抽奖池user7、user4
127.0.0.1:6379 SPOP lottery 2
1) user7
2) user4
127.0.0.1:6379③SpringBoot 实现
RestController
RequestMapping(/test)
public class TestController {private static final String LOTTERY_PREFIX lottery:;Autowiredprivate RedisTemplateString, Object redisTemplate;GetMapping(/lottery)public void lottery(Integer count) {Integer lotteryId 1;String key LOTTERY_PREFIX lotteryId;redisTemplate.opsForSet().add(key, 1001, 1002, 1003, 1004, 1005);// 随机抽取抽完之后将用户移除奖池ListObject results redisTemplate.opsForSet().pop(key, count);// 随机抽取抽完之后用户保留在池子里//ListObject list redisTemplate.opsForSet().randomMembers(key, num);System.out.println(results);}
}3. 实现点赞/收藏功能Set
有互动属性APP一般都会有点赞/收藏/喜欢等功能来提升用户之间的互动。 传统的实现用户点赞之后在数据库中记录一条数据同时一般都会在主题库中记录一个点赞/收藏汇总数来方便显示 Redis 方案基于 Redis 的集合Set记录每个帖子/文章对应的收藏、点赞的用户数据同时set还提供了检查集合中是否存在指定用户用户快速判断用户是否已经点赞过
①所需命令
SADD key member1 [member2]添加一个或者多个成员点赞SCARD key获取所有成员的数量点赞数量SISMEMBER key member判断成员是否存在是否点赞SREM key member1 [member2]移除一个或者多个成员取消点赞SMEMBERS key查看所有成员
②Redis-cli 操作
# user1 给文章点赞
127.0.0.1:6379 SADD like:article:1 user1
(integer) 1
# user2 给文章点赞
127.0.0.1:6379 SADD like:article:1 user2
(integer) 1
# 获取点赞数量
127.0.0.1:6379 SCARD like:article:1
(integer) 2
# 判断 user3 是否给文章点赞
127.0.0.1:6379 SISMEMBER like:article:1 user3
(integer) 0
# 判断 user1 是否给文章点赞
127.0.0.1:6379 SISMEMBER like:article:1 user1
(integer) 1
# user1 取消点赞
127.0.0.1:6379 SREM like:article:1 user1
(integer) 1
# 获取点赞数量
127.0.0.1:6379 SCARD like:article:1
(integer) 1
127.0.0.1:6379 SMEMBERS like:article:1
1) user2
127.0.0.1:6379③SpringBoot 实现
private static final String LIKE_ARTICLE_PREFIX like:article:;GetMapping(/doLike)
public void doLike() {Integer articleId 100;String key LIKE_ARTICLE_PREFIX articleId;// 点赞Long likeNum redisTemplate.opsForSet().add(key, 1001, 1002, 1003, 1004, 1005);// 取消点赞Long unlikeNum redisTemplate.opsForSet().remove(key, 1002);// 点赞数量Long size redisTemplate.opsForSet().size(key);// 某个用户是否点赞Boolean aBoolean redisTemplate.opsForSet().isMember(key, 1005);
}4. 排行榜ZSet
排名、排行榜、热搜榜是很多APP、游戏都有的功能常用于用户活动推广、竞技排名、热门信息展示等功能 常规的做法就是将用户的名次、分数等用于排名的数据更新到数据库然后查询的时候通过Order by limit 取出前50名显示如果是参与用户不多更新不频繁的数据采用数据库的方式也没有啥问题但是一旦出现爆炸性热点资讯短时间会出现爆炸式的流量瞬间的压力可能让数据库扛不住 Redis 方案将热点资讯全页缓存采用Redis的有序队列Sorted Set来缓存热度SCORES即可瞬间缓解数据库的压力同时轻松筛选出热度最高的50条
①所需命令
ZADD key score1 member1 [score2 member2]添加并设置 SCORES支持一次性添加多个ZREVRANGE key start stop [WITHSCORES] 根据 SCORES 降序排列ZRANGE key start stop [WITHSCORES] 根据 SCORES 升序排列
②Redis-cli 操作
# 添加一个成员
127.0.0.1:6379 ZADD ranking 1 user1
(integer) 1
# 添加 4 个成员
127.0.0.1:6379 ZADD ranking 10 user2 50 user3 3 user4 25 user5
(integer) 4
# 所有成员降序排列
127.0.0.1:6379 ZREVRANGE ranking 0 -1
1) user3
2) user5
3) user2
4) user4
5) user1
# 前三成员降序排列
127.0.0.1:6379 ZREVRANGE ranking 0 2 WITHSCORES
1) user3
2) 50
3) user5
4) 25
5) user2
6) 10
127.0.0.1:6379③SpringBoot 实现
private final String RANKING_PREFIX ranking;
GetMapping(/doRanking)
public void doRanking() {redisTemplate.opsForZSet().add(RANKING_PREFIX, 1001, (double)60);redisTemplate.opsForZSet().add(RANKING_PREFIX, 1002, (double)70);redisTemplate.opsForZSet().add(RANKING_PREFIX, 1003, (double)80);redisTemplate.opsForZSet().add(RANKING_PREFIX, 1004, (double)75);redisTemplate.opsForZSet().add(RANKING_PREFIX, 1005, (double)50);// 获取所有SetZSetOperations.TypedTupleObject set redisTemplate.opsForZSet().reverseRangeWithScores(RANKING_PREFIX, 0, -1);// 前三名set redisTemplate.opsForZSet().reverseRangeWithScores(RANKING_PREFIX, 0, 2);
}5. PV 统计incr 自增计数
Page ViewPV指的是页面浏览量是用来衡量流量的一个重要标准也是数据分析很重要的一个依据通常统计规则是页面被展示一次就加一
①所需命令
INCR将 key 中储存的数字值增一
②Redis-cli 操作
127.0.0.1:6379 INCR pv:article:1
(integer) 1
127.0.0.1:6379 INCR pv:article:1
(integer) 2
127.0.0.1:63796. UV 统计HeyperLogLog
前面介绍了通过INCR方式来实现页面的PV除了PV之外UV独立访客也是一个很重要的统计数据
但是如果要想通过计数INCR的方式来实现UV计数就非常的麻烦增加之前需要判断这个用户是否访问过那判断依据就需要额外的方式再进行记录
你可能会说不是还有 Set 嘛一个页面弄个集合来一个用户塞SADD一个用户进去要统计 UV 的时候再通过 SCARD 汇总一下数量就能轻松搞定了此方案确实能实现 UV 的统计效果但是忽略了成本如果是普通页面几百、几千的访问可能造成的影响微乎其微如果一旦遇到爆款页面动辄上千万、上亿用户访问时就一个页面 UV 将会带来非常大的内存开销对于如此珍贵的内存来说这显然是不划算的
此时HeyperLogLog 数据结构就能完美的解决这一问题它提供了一种不精准的去重计数方案注意这里强调一下是不精准的会存在误差不过误差也不会很大标准的误差率是0.81%这个误差率对于统计 UV 计数是能够容忍的所以不要将这个数据结构拿去做精准的去重计数
另外HeyperLogLog 是会占用 12KB 的存储空间虽然说Redis 对 HeyperLogLog 进行了优化在存储数据比较少的时候采用了稀疏矩阵存储只有在数据量变大稀疏矩阵空间占用超过阈值时才会转为空间为 12KB 的稠密矩阵相比于成千、上亿的数据量这小小的 12KB简直是太划算了但是还是建议不要将其用于数据量少且频繁创建 HeyperLogLog 的场景避免使用不当造成资源消耗没减反增的不良效果
①所需命令
PFADD key element [element ...]增加计数统计 UVPFCOUNT key [key ...]获取计数货物 UVPFMERGE destkey sourcekey [sourcekey ...]将多个 HyperLogLog 合并为一个 HyperLogLog多个合起来统计
②Redis-cli 操作
# 添加三个用户的访问
127.0.0.1:6379 PFADD uv:page:1 user1 user2 user3
(integer) 1
# 获取 UV 数量
127.0.0.1:6379 PFCOUNT uv:page:1
(integer) 3
# 再添加三个用户的访问 user3 是重复用户
127.0.0.1:6379 PFADD uv:page:1 user3 user4 user5
(integer) 1
# 获取 UV 数量 user3 是重复用户 所以这里返回的是 5
127.0.0.1:6379 PFCOUNT uv:page:1
(integer) 5
127.0.0.1:6379③SpringBoot 实现
模拟测试 10000 个用户访问 id 为 2 的页面
private final String UV_PAGE_PREFIX uv:page:;
GetMapping(/doUv)
public void doUv() {Integer pageId 2;String key UV_PAGE_PREFIX pageId;for (int i 0; i 10000; i) {redisTemplate.opsForHyperLogLog().add(key, i);}Long uvSize redisTemplate.opsForHyperLogLog().size(key);
}7. 去重BloomFiler
通过上面 HeyperLogLog 的学习我们掌握了一种不精准的去重计数方案但是有没有发现他没办法获取某个用户是否访问过理想中我们是希望有一个 PFEXISTS 的命令来判断某个key是否存在然而 HeyperLogLog 并没有要想实现这一需求就得 BloomFiler 上场了。 loom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在一些需要快速判断某个元素是否属于集合但是并不严格要求100%正确的场合。基于一种概率数据结构来实现是一个有趣且强大的算法。 举个例子假如你写了一个爬虫用于爬取网络中的所有页面当你拿到一个新的页面时如何判断这个页面是否爬取过
普通做法每爬取一个页面往数据库插入一行数据记录一下URL每次拿到一个新的页面就去数据库里面查询一下存在就说明爬取过
缺点少量数据用传统方案没啥问题如果是海量数据每次爬取前的检索将会越来越慢如果你的爬虫只关心内容对来源数据不太关心的话这部分数据的存储也将消耗你很大的物理资源
此时通过 BloomFiler 就能以很小的内存空间作为代价即可轻松判断某个值是否存在。
同样BloomFiler 也不那么精准在默认参数情况下是存在 1% 左右的误差但是 BloomFiler 是允许通过 error_rate误差率以及 initial_size预计大小来设置他的误差比例
error_rate误差率越低需要的空间就越大initial_size预计放入值的数量当实际放入的数量大于设置的值时误差率就会逐渐升高所以为了避免误差率可以提前做好估值避免再次大的误差
①所需命令
bf.reserve 创建布隆过滤器bf.add 添加单个元素bf.madd 批量添加bf.exists 检测元素是否存在bf.mexists 批量检测
②SpringBoot 实现
需要下载布隆过滤器插件redis安装布隆过滤器 windows redis 实现布隆过滤器
Component
public class RedisBloomUtil {private static final RedisScriptBoolean BFRESERVE_SCRIPT new DefaultRedisScript(return redis.call(bf.reserve, KEYS[1], ARGV[1], ARGV[2]), Boolean.class);private static final RedisScriptBoolean BFADD_SCRIPT new DefaultRedisScript(return redis.call(bf.add, KEYS[1], ARGV[1]), Boolean.class);private static final RedisScriptBoolean BFEXISTS_SCRIPT new DefaultRedisScript(return redis.call(bf.exists, KEYS[1], ARGV[1]), Boolean.class);private static final String BFMEXISTS_SCRIPT return redis.call(bf.mexists, KEYS[1], %s);Autowiredprivate RedisTemplateString, Object redisTemplate;/*** 设置错误率和大小需要在添加元素前调用若已存在元素则会报错* 错误率越低需要的空间越大** param key* param errorRate 错误率默认0.01* param initialSize 默认100预计放入的元素数量当实际数量超出这个数值时误判率会上升尽量估计一个准确数值再加上一定的冗余空间* return*/public Boolean bfreserve(String key, double errorRate, int initialSize) {return redisTemplate.execute(BFRESERVE_SCRIPT, Collections.singletonList(key), String.valueOf(errorRate), String.valueOf(initialSize));}/*** 添加元素** param key* param value* return true表示添加成功false表示添加失败存在时会返回false*/public Boolean bfadd(String key, String value) {return redisTemplate.execute(BFADD_SCRIPT, Collections.singletonList(key), value);}/*** 查看元素是否存在判断为存在时有可能是误判不存在是一定不存在** param key* param value* return true表示存在false表示不存在*/public Boolean bfexists(String key, String value) {return redisTemplate.execute(BFEXISTS_SCRIPT, Collections.singletonList(key), value);}/*** 批量添加元素** param key* param values* return 按序 1表示添加成功0表示添加失败*/public ListInteger bfmadd(String key, String... values) {String bfmaddScript return redis.call(bf.madd, KEYS[1], %s);return (ListInteger) redisTemplate.execute(this.generateScript(bfmaddScript, values), Arrays.asList(key), values);}/*** 批量检查元素是否存在判断为存在时有可能是误判不存在是一定不存在** param key* param values* return 按序 1表示存在0表示不存在*/public ListInteger bfmexists(String key, String... values) {return (ListInteger) redisTemplate.execute(this.generateScript(BFMEXISTS_SCRIPT, values), Arrays.asList(key), values);}private RedisScriptList generateScript(String script, String[] values) {StringBuilder sb new StringBuilder();for (int i 1; i values.length; i) {if (i ! 1) {sb.append(,);}sb.append(ARGV[).append(i).append(]);}return new DefaultRedisScript(String.format(script, sb.toString()), List.class);}}测试
private final String WEB_CRAWLER_PREFIX web:crawler1;
Autowired
private RedisBloomUtil redisBloomUtil;GetMapping(/doBloom)
public void doBloom() {Boolean hasKey redisTemplate.hasKey(WEB_CRAWLER_PREFIX);if (Boolean.FALSE.equals(hasKey)) {redisBloomUtil.bfreserve(WEB_CRAWLER_PREFIX, 0.0001, 10000);}ListInteger madd redisBloomUtil.bfmadd(WEB_CRAWLER_PREFIX, baidu, google);Boolean baidu redisBloomUtil.bfexists(WEB_CRAWLER_PREFIX, baidu);Boolean bing redisBloomUtil.bfexists(WEB_CRAWLER_PREFIX, bing);
}8. 用户签到BitMap
很多 APP 为了拉动用户活跃度往往都会做一些活动比如连续签到领积分/礼包等等 传统做法用户每次签到时往是数据库插入一条签到数据展示的时候把本月或者指定周期的签到数据获取出来用于判断用户是否签到、以及连续签到情况此方式简单理解容易 Redis 做法由于签到数据的关注点就2个是否签到0/1、连续性因此就完全可以利用 BitMap位图来实现 如上图所示将一个月的 31 天用 31 个位4个字节来表示偏移量offset代表当前是第几天0/1 表示当前是否签到连续签到只需从右往左校验连续为 1 的位数
由于 String 类型的最大上限是 512M转换为 bit 则是 2^32 个 bit 位
①所需命令
SETBIT key offset value向指定位置 offset 存入一个 0 或 1GETBIT key offset获取指定位置 offset 的 bit 值BITCOUNT key [start] [end]统计 BitMap 中值为 1 的 bit 位的数量BITFIELD: 操作查询修改自增BitMap 中 bit 数组中的指定位置 offset 的值
BITFIELD 命令https://deepinout.com/redis-cmd/redis-bitmap-cmd/redis-cmd-bitfield.html 场景假如当前为 8 月 4 号检测本月的签到情况用户 ID 为 8899 分别于 1、3、4 号签到过 ②Redis-cli 操作
# 8月1号的签到
127.0.0.1:6379 SETBIT rangeId:sign:1:8899 0 1
(integer) 0
# 8月3号的签到
127.0.0.1:6379 SETBIT rangeId:sign:1:8899 2 1
(integer) 0
# 8月4号的签到
127.0.0.1:6379 SETBIT rangeId:sign:1:8899 3 1
(integer) 0
# 查询2号
127.0.0.1:6379 GETBIT rangeId:sign:1:8899 1
(integer) 0
# 查询3号
127.0.0.1:6379 GETBIT rangeId:sign:1:8899 2
(integer) 1
# 查询指定区间的签到情况
127.0.0.1:6379 BITFIELD rangeId:sign:1:8899 GET u4 0
1) (integer) 11
127.0.0.1:63791-4号的签到情况为1011二进制 11十进制 9. 搜附近GEO
Redis 在 3.2 的版本新增了 Redis GEO用于存储地址位置信息并对支持范围搜索基于 GEO 就能轻松且快速的开发一个搜索附近的功能
①所需命令 GEOADD key longitude latitude member [longitude latitude member ...]新增位置坐标 GEOPOS key member [member ...]获取位置坐标 GEODIST key member1 member2 [unit]计算两个位置之间的距离 m 米默认单位km 千米mi 英里ft 英尺 GEORADIUS key longitude latitude radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [COUNT count] [ASC|DESC]根据用户给定的经纬度坐标来获取指定范围内的地理位置集合 m|km|ft|mi同上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WITHCOORD将位置元素的经度和纬度也一并返回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ASC查找结果根据距离从近到远排序DESC查找结果根据从远到近排序 GEORADIUSBYMEMBER key member radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [COUNT count] [ASC|DESC]根据储存在位置集合里面的某个地点获取指定范围内的地理位置集合 功能和上面的georadius类似只是georadius是以经纬度坐标为中心这个是以某个地点为中心 GEOHASH key member [member ...]返回一个或多个位置对象的 geohash 值
②Redis-cli 操作
# 新增位置坐标3 个
127.0.0.1:6379 GEOADD drinks 116.62445 39.86206 starbucks 117.3514785 38.7501247 yidiandian 116.538542 39.75412 xicha
(integer) 3
# 获取位置坐标
127.0.0.1:6379 GEOPOS drinks starbucks yidiandian
1) 1) 116.624451577663421632) 39.86206038535793539
2) 1) 117.351480424404144292) 38.75012383773680114
# 计算两个位置之间的距离
127.0.0.1:6379 GEODIST drinks starbucks xicha
14072.1255
127.0.0.1:6379 GEORADIUS drinks 116 39 100 km WITHDIST WITHCOORD
1) 1) xicha2) 95.80853) 1) 116.538540422916412352) 39.7541192847874853610. 简单限流
为了保证项目的安全稳定运行防止被恶意的用户或者异常的流量打垮整个系统一般都会加上限流比如常见的 sential、hystrix都是实现限流控制如果项目用到了 Redis也可以利用 Redis来实现一个简单的限流功能
①所需命令
INCR将 key 中储存的数字值增一Expire设置 key 的有效期
11. 全局 ID
在分布式系统中很多场景下需要全局的唯一 ID由于 Redis 是独立于业务服务的其他应用就可以利用 Incr 的原子性操作来生成全局的唯一递增 ID
①所需命令
INCR将 key 中储存的数字值增一
12. 简单分布式锁
在分布式系统中很多操作是需要用到分布式锁防止并发操作带来一些问题因为 Redis 是独立于分布式系统外的其他服务因此就可以利用 Redis来实现一个简单的不完美分布式锁
①所需命令
SETNXkey 不存在设置key 存在不设置
13. 认识的人/好友推荐Set
在支付宝、抖音、QQ等应用中都会看到好友推荐
好友推荐往往都是基于你的好友关系网来推荐将你可能认识的人推荐给你让你去添加好友如果随意在系统找个人推荐给你那你认识的可能性是非常小的此时就失去了推荐的目的
比如A和B是好友B和C是好友此时A和C认识的概率是比较大的就可以在A和C之间的好友推荐
基于这个逻辑就可以利用 Redis 的 Set 集合缓存各个用户的好友列表然后以差集的方式来实现好友推荐
①所需命令
SADD key member [member …]集合中添加元素缓存好友列表SDIFF key [key …]取两个集合间的差集找出可以推荐的用户
②Redis-cli 操作
# 记录 用户1 的好友列表
127.0.0.1:6379 SADD fl:user1 user2 user3
(integer) 2
# 记录 用户2 的好友列表
127.0.0.1:6379 SADD fl:user2 user1 user4
(integer) 2
# 用户1 可能认识的人 把自己user1去掉user4是可能认识的人
127.0.0.1:6379 SDIFF fl:user2 fl:user1
1) user1
2) user4
127.0.0.1:637914. 发布/订阅
发布/订阅是比较常用的一种模式在分布式系统中如果需要实时感知到一些变化比如某些配置发生变化需要实时同步就可以用到发布订阅功能
①所需命令
PUBLISH channel message将消息推送到指定的频道SUBSCRIBE channel [channel …]订阅给定的一个或多个频道的信息
15. 消息队列List
说到消息队列常用的就是Kafka、RabbitMQ等等其实 Redis 利用 List 也能实现一个消息队列
①所需命令
RPUSH key value1 [value2]在列表中添加一个或多个值BLPOP key1 [key2] timeout移出并获取列表的第一个元素 如果列表没有元素会阻塞列表直到等待超时或发现可弹出元素为止BRPOP key1 [key2] timeout移出并获取列表的最后一个元素 如果列表没有元素会阻塞列表直到等待超时或发现可弹出元素为止
16. 商品筛选Set
商城类的应用都会有类似于下图的一个商品筛选的功能来帮用户快速搜索理想的商品
①所需命令
SADD key member [member …]添加一个或多个元素SINTER key [key …]返回给定所有集合的交集
②Redis-cli 操作 假如现在iphone 100 、华为mate 5000 已发布在各大商城上线 # 将iphone100 添加到品牌为苹果的集合
127.0.0.1:6379 sadd brand:apple iphone100
(integer) 1# 将meta5000 添加到品牌为苹果的集合
127.0.0.1:6379 sadd brand:huawei meta5000
(integer) 1# 将 meta5000 iphone100 添加到支持5T内存的集合
127.0.0.1:6379 sadd ram:5t iphone100 meta5000
(integer) 2# 将 meta5000 添加到支持10T内存的集合
127.0.0.1:6379 sadd ram:10t meta5000
(integer) 1# 将 iphone100 添加到操作系统是iOS的集合
127.0.0.1:6379 sadd os:ios iphone100
(integer) 1# 将 meta5000 添加到操作系统是Android的集合
127.0.0.1:6379 sadd os:android meta5000
(integer) 1# 将 iphone100 meta5000 添加到屏幕为6.0-6.29的集合中
127.0.0.1:6379 sadd screensize:6.0-6.29 iphone100 meta5000
(integer) 2# 筛选内存5T、屏幕在6.0-6.29的机型
127.0.0.1:6379 sinter ram:5t screensize:6.0-6.29
1) meta5000
2) iphone100# 筛选内存10T、屏幕在6.0-6.29的机型
127.0.0.1:6379 sinter ram:10t screensize:6.0-6.29
1) meta5000# 筛选内存5T、系统为iOS的机型
127.0.0.1:6379 sinter ram:5t screensize:6.0-6.29 os:ios
1) iphone100# 筛选内存5T、屏幕在6.0-6.29、品牌是华为的机型
127.0.0.1:6379 sinter ram:5t screensize:6.0-6.29 brand:huawei
1) meta500017. 购物车Hash
商品缓存 电商项目中商品消息都会做缓存处理特别是热门商品访问用户比较多由于商品的结果比较复杂店铺信息产品信息标题、描述、详情图封面图为了方便管理和操作一般都会采用 Hash 的方式来存储key为商品IDfield用来保存各项参数value保存对于的值
购物车 当商品信息做了缓存购物车需要做的就是通过Hash记录商品ID以及需要购买的数量其中key为用户信息field为商品IDvalue用来记录购买的数量
①所需命令
HSET key field value将哈希表 key 中的字段 field 的值设为 valueHMSET key field1 value1 [field2 value2 ] 同时将多个 field-value (域-值)对设置到哈希表 key 中HGET key field获取存储在哈希表中指定字段的值HGETALL key获取在哈希表中指定 key 的所有字段和值HINCRBY key field increment 为哈希表 key 中的指定字段的整数值加上增量 incrementHLEN key获取哈希表中字段的数量
②Redis-cli 操作
# 购物车添加单个商品
127.0.0.1:6379 HSET sc:u1 c001 1
(integer) 1
# 购物车添加多个商品
127.0.0.1:6379 HMSET sc:u1 c002 1 coo3 2
OK
# 添加商品购买数量
127.0.0.1:6379 HINCRBY sc:u1 c002 1
(integer) 2
# 减少商品的购买数量
127.0.0.1:6379 HINCRBY sc:u1 c003 -1
(integer) 1
# 获取单个的购买数量
127.0.0.1:6379 HGET sc:u1 c002
2
# 获取购物车的商品数量
127.0.0.1:6379 HLEN sc:u1
(integer) 3
# 购物车详情
127.0.0.1:6379 HGETALL sc:u1
1) c001
2) 1
3) c002
4) 2
5) coo3
6) 218. 物流信息List
寄快递、网购的时候查询物流信息都会给我们展示xxx时候快递到达什么地方了这就是一个典型的时间线列表
数据库的做法每次变更就插入一条带时间的信息记录然后根据时间和IDID是必须的如果出现两个相同的时间单纯时间排序会造成顺序不对来排序生成时间线
也可以通过 Redis 的 List 来实现时间线功能由于 List 采用的是双向链表因此升序降序的时间线都能正常满足
①所需命令
RPUSH key value1 [value2]在列表中添加一个或多个值升序时间线LPUSH key value1 [value2]将一个或多个值插入到列表头部降序时间线LRANGE key start stop获取列表指定范围内的元素
②Redis-cli 操作
升序
127.0.0.1:6379 RPUSH time:line:asc 20220805170000
(integer) 1
127.0.0.1:6379 RPUSH time:line:asc 20220805170001
(integer) 2
127.0.0.1:6379 RPUSH time:line:asc 20220805170002
(integer) 3
127.0.0.1:6379 LRANGE time:line:asc 0 -1
1) 20220805170000
2) 20220805170001
3) 20220805170002降序
127.0.0.1:6379 LPUSH time:line:desc 20220805170000
(integer) 1
127.0.0.1:6379 LPUSH time:line:desc 20220805170001
(integer) 2
127.0.0.1:6379 LPUSH time:line:desc 20220805170002
(integer) 3
127.0.0.1:6379 LRANGE time:line:desc 0 -1
1) 20220805170002
2) 20220805170001
3) 20220805170000好了关于Redis 的妙用就介绍到这里有了这些个场景的运用下次再有面试官问你Redis除了缓存还做过什么相信聊上个1把小时应该不成问题了
