Redis 经典高级数据结构实战：HyperLogLog、Bitmap 与 GEO-优快云博客

Redis 不仅仅是一个“缓存数据库”，它还内置了多种高效、实用的高级数据结构，能够以极低的资源开销解决特定领域的复杂问题。本文将介绍三种经典结构：HyperLogLog（基数统计）、Bitmap（位图） 和 GEO（地理空间），并结合实际场景说明它们的独特价值。

1. HyperLogLog：亿级 UV 统计的“内存刺客”

📌 核心特点

固定内存消耗：无论存储 1 个还是 10 亿个元素，仅占用约 12 KB 内存。
高吞吐写入：PFADD 操作时间复杂度为 O(1)。
可接受误差：标准误差率约为 0.81%，适用于对精度要求不苛刻的统计场景。

🔧 基本命令

PFADD uv:20251115 user1 user2 user3   # 添加用户
PFCOUNT uv:20251115                   # 获取估算 UV 数
PFMERGE uv:20251115 uv:20251114       # 合并两天数据

✅ 典型使用场景

网站/APP 日活（DAU）、月活（MAU）统计
广告曝光去重计数
大规模事件流中的唯一 ID 估算

💡 为什么不用 Set？
若用 Set 存储 1 亿用户 ID（每个 ID 8 字节），需约 800 MB 内存；而 HyperLogLog 仅需 12 KB —— 节省 99.99% 内存！

2. Bitmap：用“位”节省空间的极致优化

📌 核心特点

底层为 String，但按位操作，空间效率极高。
支持位运算（AND/OR/XOR/NOT），可用于多维度分析。
最大偏移量限制：offset ≤ 2^32 - 1（约 42.9 亿位，即 512 MB）。

🔧 基本命令

SETBIT sign:202511:uid1001 14 1   # 用户 uid1001 在 11月15日（第14天）签到
GETBIT sign:202511:uid1001 14     # 查询是否签到
BITCOUNT sign:202511:uid1001      # 统计当月签到天数

✅ 典型使用场景

用户签到系统（365 天仅需 46 字节）
活跃度分析（如连续登录检测）
布隆过滤器（Bloom Filter）基础实现
权限位图（如 32 个功能权限用 4 字节表示）

💡 技巧：通过 BITOP 合并多个用户签到记录，可快速计算“连续7天签到用户数”。

3. GEO：轻量级地理位置服务

📌 核心特点

基于 Sorted Set（ZSet） 实现，使用 GeoHash 编码经纬度。
支持 距离计算、范围查询、附近的人 等操作。
精度：约 0.6 米（对应 GeoHash 的 52 位编码）。

🔧 基本命令

GEOADD cities 116.40 39.90 beijing   # 添加北京坐标
GEOADD cities 121.47 31.23 shanghai  # 添加上海
GEODIST cities beijing shanghai km   # 计算两城距离（单位：km）
GEORADIUS cities 116.40 39.90 100 km # 查找北京 100km 内城市

✅ 典型使用场景

“附近门店/司机/用户”推荐
地理围栏（Geo-fencing）告警
物流路径预判或区域统计

⚠️ 注意：GEO 不支持直接删除单个元素（需通过 ZREM 操作底层 ZSet），也不支持复杂地理拓扑（如多边形区域），复杂场景建议结合 PostgreSQL + PostGIS。

总结：如何选择？

需求	推荐结构	关键优势
亿级 UV 统计	HyperLogLog	极低内存 + 高吞吐
用户签到 / 权限位	Bitmap	空间极致压缩 + 位运算
附近的人 / 距离计算	GEO	开箱即用的地理查询

这些结构的共同特点是：用巧妙的算法设计，在有限资源下解决特定问题。它们不是“万能钥匙”，但在合适场景下，能让你的系统更轻、更快、更省。