3.redis-六大特性

一.慢查詢
1.慢查詢的生命週期
第一階段：客戶端發送命令到redis(客戶端超時不必定慢查詢，但慢查詢的客戶端超時的一個可能因素)
第二階段：由於redis是單線程，在命令執行以前都是要排隊的
第三階段：redis執行命令(慢查詢發生在第三階段)
第四階段：返回結果給客戶端
2.慢查詢的兩個配置
配置一：slowlog-max-len
(1)先進先出隊列：一條命令在第三階段執行過程當中，被列入慢查詢的範圍內，就會進入一個隊列，其實用redis的列表實現的，但它是一個先進先出的隊列
(2)固定長度：這個隊列是固定長度的，當隊列滿了以後，最早進的就會被踢出
(3)保存在內存中：當redis重啓，會消失
默認值：slowlog-max-len =128
配置二：slowlog-log-slower-than
(1)慢查詢閾值(單位：微秒[1毫秒=1000微秒])
(2)slowlog-log-slower-than=0,記錄全部命令到慢查詢
默認值：slowlog-log-slower-than = 10000
3.慢查詢的配置方法：
配置一：修改配置文件重啓
配置二：動態配置
config set slowlog-max-len 1000
config set slowlog-log-slower-than 1000
4.慢查詢的三個命令
第一個命令：
slowlog get[n]：獲取慢查詢隊列，n是獲取慢查詢的多少條
第二個命令：
slowlog len：獲取慢查詢隊列長度
第三個命令：
slowlog reset：清空慢查詢隊列
5.慢查詢運維經驗
第一條：slowlog-max-len不要設置過大，默認10ms，一般設置1ms根據閾值設定，redis的qps一般是萬級別的，一般但願1秒執行一萬次，平均的時間是0.1毫秒，設置過大，必須10毫秒才能記錄這條命令，超過1毫秒對qps就會有影響
第二條：slowlog-log-slower-than不要設置太小，一般設置1000左右隊列存在內存當中，當redis重啓以後，列表就會進行清空，並且是先進先出的隊列，隨着慢查詢的數量不斷增長，最開始的慢查詢就會丟掉，對於分析歷史問題不是很方便
第三條：理解命令生命週期
第四條：按期持久化慢查詢，針對第二條，由於慢查詢存在內存當中，按期將慢查詢持久化到例如mysql，這樣就能夠查到歷史慢查詢的操做
二.pipeline流水線
1.什麼是流水線
正常一條命令：1次時間=1次網絡時間+1次命令時間
正常多條命令：n次時間=n次網絡時間+n次命令時間
流水線：將一批命令批量打包，在服務端進行批量計算，而後按順序把結果返回給客戶端，大大節省了網絡時間
1次pipeline流水線(n條命令)=1次網絡時間+n次命令時間
2.客戶端實現
3.pipeline與原生操做對比
4.使用建議
第一：注意每次pipeline攜帶數據量
第二：pipeline每次只能做用在一個redis節點上
三.發佈訂閱
1.角色
發佈者(publisher):發佈者發佈消息，發佈者會將信息發送到對應的頻道上
訂閱者(subscriber)：訂閱者一直訂閱這個頻道，就會收到相應的消息
頻道(channel)
2.模型

 

一個發佈者已經發布消息到一個頻道上了，一個新的訂閱者是沒法獲取到以前的消息,沒法作到消息堆積
3.API
命令一：發佈publish命令：
語法：publish channel message
實例：向souhu:tv發送xixi返回的結果是訂閱者數，若是是0就是沒有客戶端訂閱

127.0.0.1:6379> publish sohu:tv "xixi" (integer) 0

命令二：訂閱subscribe
語法：subscribe[channel] #一個或多個
實例：返回訂閱的頻道和收到消息的詳細的訂閱信息，收到消息對應的頻道

127.0.0.1:6379> subscribe sohu:tv Reading messages... (press Ctrl-C to quit) 1) "subscribe" 2) "sohu:tv" 3) (integer) 1

命令三：取消訂閱unsubscribe
語法：unsubscribe[channel]  #一個或多個
實例：取消定於souhu:tv，返回對應的結果

127.0.0.1:6379> unsubscribe sohu:tv 1) "unsubscribe" 2) "sohu:tv" 3) (integer) 0

4.發佈訂閱與消息隊列
四.Bitmap位圖
1.什麼是位圖
2.位圖相關命令
(1)設置整個字符串變成二進制後的第幾位的值
語法：setbit(name, offset, value)
對name對應值的二進制表示的位進行操做

127.0.0.1:6379> get Name "xi" xi的二進制表示的位： x i 1111000 1101001 把第二位的1改爲0 127.0.0.1:6379> setbit Name 1 0 (integer) 1 127.0.0.1:6379> get Name "8i"

(2)獲取name對應的值的二進制表示中的某位的值(0或1)
語法：getbit(name, offset)

127.0.0.1:6379> get Name "xi" xi的二進制表示的位： x i 1111000 1101001

(3)獲取name對應的值的二進制表示中的第8位值是幾

127.0.0.1:6379> getbit Name 9 (integer) 1

(4)獲取name對應的值的二進制表示中1的個數
語法：bitcount(key, start=None, end=None)

127.0.0.1:6379> get Name "xi" xi的二進制表示的位： x i 1111000 1101001 獲取name裏1的個數有幾個 127.0.0.1:6379> bitcount Name (integer) 8

3.獨立用戶統計
使用set和Bitmap
1億用戶，5千萬獨立
4.使用經驗
type=string,最大512MB
注意setbit時的偏移量，可能有較大耗時
位圖不上絕對好
五.HyperLogLog
1.新的數據結構
基於HyperLogLog算法：極小空間完成獨立數量統計
本質仍是字符串
2.三個命令
命令一：pfadd key element[element...]：向hyperloglog添加元素
實例：作獨立id統計，向2019_06_25中添加4個uuid
127.0.0.1:6379> pfadd 2019_06_25:unique:ids "uuid-1" "uuid-2" "uuid-3" "uuid-4"
(integer) 1
命了二：pfcount key[key...]：計算hyperloglog的獨立總數
實例：獨立用戶的統計
127.0.0.1:6379> pfcount 2019_06_25:unique:ids
(integer) 4
命令三：pfmerge destkey sourcekey[sourcekey...]：合併多個hyperloglog
實例：
(1)向2019_06_25中添加4個uuid

127.0.0.1:6379> pfadd 2019_06_25:unique:ids "uuid-1" "uuid-2" "uuid-3" "uuid-4" (integer) 1

(2)向2019_06_26中添加4個uuid

127.0.0.1:6379> pfadd 2019_06_26:unique:ids "uuid-4" "uuid-5" "uuid-6" "uuid-7" (integer) 1

(3)合併2019_06_25和2019_06_26爲2016_06_25,26

127.0.0.1:6379> pfmerge 2016_06_25,26:unique:ids 2019_06_25:unique:ids 2019_06_26:unique:ids OK

(4)查看獨立用戶數

127.0.0.1:6379> pfcount 2016_06_25,26:unique:ids (integer) 7

3.內存消耗
4.使用經驗
是否能容忍錯誤(錯誤率：0.81%)
是否須要單條數據
六.GEO(地理信息定位)
1.GEO是什麼
存儲經緯度，計算兩地距離，範圍計算等
2.5個城市經緯度
3.相關命令
4.相關說明