Redis 面试之数据类型篇

钝悟...大约 19 分钟

Redis 面试之数据类型篇

Redis 数据类型

【基础】Redis 支持哪些数据类型？

要点

Redis 支持五种基本数据类型：String（字符串）、Hash（哈希）、List（列表）、Set（集合）、Zset（有序集合）。
随着 Redis 版本升级，又陆续支持以下数据类型： BitMap（2.2 版新增）、HyperLogLog（2.8 版新增）、GEO（3.2 版新增）、Stream（5.0 版新增）。

扩展：What Redis data structures look likeopen in new window

【基础】Redis 基础数据类型的常见命令有哪些？

要点

String 命令

命令	说明
`SET`	存储一个字符串值
`SETNX`	仅当键不存在时，才存储字符串值
`GET`	获取指定 key 的值
`MGET`	获取一个或多个指定 key 的值
`INCRBY`	将 key 中储存的数字加上指定的增量值
`DECRBY`	将 key 中储存的数字减去指定的减量值

扩展；Redis String 类型官方命令文档open in new window

Hash 命令

命令	行为
`HSET`	将指定字段的值设为 value
`HGET`	获取指定字段的值
`HGETALL`	获取所有键值对
`HMSET`	设置多个键值对
`HMGET`	获取所有指定字段的值
`HDEL`	删除指定字段
`HINCRBY`	为指定字段的整数值加上增量
`HKEYS`	获取所有字段

扩展；Redis Hash 类型官方命令文档open in new window

List 命令

命令	行为
`LPUSH`	将给定值推入列表的右端。
`RPUSH`	将给定值推入列表的右端。
`LPOP`	从列表的左端弹出一个值，并返回被弹出的值。
`RPOP`	从列表的右端弹出一个值，并返回被弹出的值。
`LRANGE`	获取列表在给定范围上的所有值。
`LINDEX`	获取列表在给定位置上的单个元素。
`LREM`	从列表的左端弹出一个值，并返回被弹出的值。
`LTRIM`	只保留指定区间内的元素，删除其他元素。

扩展；Redis List 类型官方命令文档open in new window

Set 命令

命令	行为
`SADD`	将给定元素添加到集合。
`SMEMBERS`	返回集合包含的所有元素。
`SISMEMBER`	检查给定元素是否存在于集合中。
`SREM`	如果给定的元素存在于集合中，那么移除这个元素。

扩展；Redis Set 类型官方命令文档open in new window

Zset 命令

命令	行为
`ZADD`	将一个带有给定分值的成员添加到有序集合里面
`ZRANGE`	顺序排序，并返回指定排名区间的成员
`ZREVRANGE`	反序排序，并返回指定排名区间的成员
`ZRANGEBYSCORE`	顺序排序，并返回指定排名区间的成员及其分值
`ZREVRANGEBYSCORE`	反序排序，并返回指定排名区间的成员及其分值
`ZREM`	移除指定的成员
`ZSCORE`	返回指定成员的分值
`ZCARD`	返回所有成员数

扩展；Redis ZSet 类型官方命令文档open in new window

【中级】Redis 各数据类型的应用场景？

要点

String（字符串） - 缓存对象、分布式 Session、分布式锁、计数器、限流器、分布式 ID 等。
Hash（哈希） - 缓存对象、购物车等。
List（列表） - 消息队列
Set（集合） - 聚合计算（并集、交集、差集），如点赞、共同关注、抽奖活动等。
Zset（有序集合） - 排序场景，如排行榜、电话和姓名排序等。
BitMap（2.2 版新增） - 二值状态统计的场景，比如签到、判断用户登陆状态、连续签到用户总数等；
HyperLogLog（2.8 版新增） - 海量数据基数统计的场景，比如百万级网页 UV 计数等；
GEO（3.2 版新增） - 存储地理位置信息的场景，比如滴滴叫车；
Stream（5.0 版新增） - 消息队列，相比于基于 List 类型实现的消息队列，有这两个特有的特性：自动生成全局唯一消息 ID，支持以消费组形式消费数据。

【高级】Redis 基础数据类型的底层实现是怎样的？

要点

String 类型 - String 类型的底层数据结构是 SDS。SDS 是 Redis 针对字符串类型的优化，具有以下特性：
- 常数复杂度获取字符串长度
- 杜绝缓冲区溢出
- 减少修改字符串长度时所需的内存重分配次数
List 类型 - 列表对象的编码可以是 ziplist 或者 linkedlist。当列表对象可以同时满足以下两个条件时，列表对象使用 ziplist 编码；否则，使用 linkedlist 编码。
- 列表对象保存的所有字符串元素的长度都小于 64 字节；
- 列表对象保存的元素数量小于 512 个；
Hash 类型 - 哈希对象的编码可以是 ziplist 或者 hashtable。当哈希对象同时满足以下两个条件时，使用 ziplist 编码；否则，使用 hashtable 编码。
- 哈希对象保存的所有键值对的键和值的字符串长度都小于 64 字节；
- 哈希对象保存的键值对数量小于 512 个；
Set 类型 - 集合对象的编码可以是 intset 或者 hashtable。当集合对象可以同时满足以下两个条件时，集合对象使用 intset 编码；否则，使用 hashtable 编码。
- 集合对象保存的所有元素都是整数值；
- 集合对象保存的元素数量不超过 512 个；
Zset 类型 - 有序集合的编码可以是 ziplist 或者 skiplist。当有序集合对象可以同时满足以下两个条件时，有序集合对象使用 ziplist 编码；否则，使用 skiplist 编码。
- 有序集合保存的元素数量小于 128 个；
- 有序集合保存的所有元素成员的长度都小于 64 字节；

【高级】Redis 为什么用 `listpack` 替代 `ziplist`？

要点

listpack 是 Redis 5.0 引入的优化结构，用来替代 ziplist，作为 hash、list、zset 数据类型的实现编码之一。

二者对比如下：

特性	`ziplist`	`listpack`
级联更新	可能发生（最坏 `O(n)`）	完全避免（稳定 `O(1)`）
内存占用	预留空间可能浪费	按需分配，更紧凑
安全性	需手动校验边界	内置长度校验，防溢出
版本	Redis 旧版本	Redis 5.0+ 的 Hash、ZSet 等

细节

ziplist 的缺陷

级联更新问题 - 当修改或删除中间某个元素时，可能引发后续所有节点的内存重分配（因为 ziplist 用 前驱节点长度 定位数据）。最坏情况下时间复杂度从 O(1) 退化到 O(n)，影响性能。
内存浪费 - ziplist 为每个节点预留 1~5 字节 存储前驱节点长度（即使实际不需要这么多空间）。对于短小的数据（如小整数），存储开销比例过高。
安全性风险 - ziplist 对内存布局的强依赖可能导致 缓冲区溢出（需严格校验边界）。

listpack 的改进

消除级联更新 - 每个节点 独立存储自身长度（不再依赖前驱节点）。修改任意节点仅影响当前节点，时间复杂度稳定为 O(1)。
更紧凑的内存布局 - 节点长度字段采用 变长编码（类似 Protobuf 的 Varint），根据实际需求分配 1~5 字节。存储小整数时，长度字段仅需 1 字节。
更强的安全性 - 每个节点记录 总长度 和 校验字段，避免解析越界。
兼容性与平滑替换 - listpack 的 API 设计兼容 ziplist，Redis 内部可无缝迁移（如 Hash、ZSet 的底层实现）。

【高级】为什么 Zset 用跳表实现而不是红黑树、B+树？

要点

实现简单性
- 跳表的实现比红黑树简单得多，代码更易于维护和调试。
- 红黑树需要处理复杂的旋转和重新平衡操作，而跳表的平衡是通过概率实现的。
范围查询效率
- 跳表在范围查询（如 zrange）上表现优异，因为它是基于链表的结构，可以线性遍历。
- 红黑树进行范围查询需要中序遍历，相对复杂。
- B+树虽然也擅长范围查询，但实现复杂度更高。
并发性能
- 跳表更容易实现无锁并发操作 (Redis 虽然是单线程，但考虑未来扩展）
- 红黑树的平衡操作涉及大量指针修改，难以实现高效的并发控制
内存效率
- 跳表不需要像 B+ 树那样维护严格的树形结构，内存使用更灵活
- B+树的节点通常设计为填满一定比例，可能造成内存浪费
性能平衡
- 跳表的查询、插入、删除操作时间复杂度都是 O(logN)，与红黑树相当
- 跳表的实际性能在实践中表现良好，特别是对于内存数据结构
Redis 的特殊需求
- Redis 的 Zset 需要同时支持按 score 和按 member 查询，跳表+哈希表的组合完美满足这一需求
- Redis 是内存数据库，不需要考虑 B+树针对磁盘 I/O 优化的特性

【高级】跳表的实现原理是什么？

要点

跳表是一种可以实现二分查找的有序链表，通过多级索引提升查找效率。跳表的查找、插入、删除操作的时间复杂度均为 O(log n)，与平衡二叉树（如红黑树）接近。

对于一个有序数组，可以使用高效的二分查找法，其时间复杂度为 O(log n)。

但是，即使是有序的链表，也只能使用低效的顺序查找，其时间复杂度为 O(n)。

如何提高链表的查找效率呢？

我们可以对链表加一层索引。具体来说，可以每两个结点提取一个结点到上一级，我们把抽出来的那一级叫作索引或索引层。索引节点中通过一个 down 指针，指向下一级结点。通过这样的改造，就可以支持类似二分查找的算法。我们把改造之后的数据结构叫作跳表（Skip list）。

随着数据的不断增长，一级索引层也变得越来越长。此时，我们可以为一级索引再增加一层索引层：二级索引层。

随着数据的膨胀，当二级索引层也变得很长时，我们可以继续为其添加新的索引层。这种链表加多级索引的结构，就是跳表。

跳表的时间复杂度

查找：从最高级索引开始逐层下沉，每层最多遍历 3 个节点，时间复杂度为 O(log n)。
插入：先查找插入位置（O(log n)），再随机生成索引层级（O(log n)），总时间复杂度为 O(log n)。
删除：类似查找过程，删除节点及其索引（O(log n)）。

跳表的空间复杂度

索引节点总数为 n/2 + n/4 + n/8 + … ≈ n，空间复杂度为 O(n)。
可通过调整索引密度（如每 3 个节点抽 1 个）减少空间占用，但会牺牲部分查找效率。

【高级】Redis 利用什么机制来实现各种数据结构？

要点

Redis 并没有直接使用这些数据结构来实现键值对数据库，而是基于这些数据结构创建了一个对象系统，这个系统包含字符串对象、列表对象、哈希对象、集合对象和有序集合对象这五种类型的对象。

Redis 数据库中的每个键值对的键和值都是一个对象。Redis 共有字符串、列表、哈希、集合、有序集合五种类型的对象，每种类型的对象至少都有两种或以上的编码方式，不同的编码可以在不同的使用场景上优化对象的使用效率。

服务器在执行某些命令之前，会先检查给定键的类型能否执行指定的命令，而检查一个键的类型就是检查键的值对象的类型。

细节

对象的类型

Redis 使用对象来表示数据库中的键和值。每次当我们在 Redis 的数据库中新创建一个键值对时，我们至少会创建两个对象，一个对象用作键值对的键（键对象），另一个对象用作键值对的值（值对象）。

Redis 中的每个对象都由一个 redisObject 结构表示，该结构中和保存数据有关的三个属性分别是 type 属性、 encoding 属性和 ptr 属性：

typedef struct redisObject {

    // 类型
    unsigned type:4;

    // 编码
    unsigned encoding:4;

    // 指向底层实现数据结构的指针
    void *ptr;

    // ...

} robj;

对象的 type 属性记录了对象的类型，有以下类型：

对象	对象 `type` 属性的值	TYPE 命令的输出
字符串对象	`REDIS_STRING`	`"string"`
列表对象	`REDIS_LIST`	`"list"`
哈希对象	`REDIS_HASH`	`"hash"`
集合对象	`REDIS_SET`	`"set"`
有序集合对象	`REDIS_ZSET`	`"zset"`

Redis 数据库保存的键值对来说，键总是一个字符串对象，而值则可以是字符串对象、列表对象、哈希对象、集合对象或者有序集合对象的其中一种。

对象的编码

对象的 ptr 指针指向对象的底层实现数据结构，而这些数据结构由对象的 encoding 属性决定。

encoding 属性记录了对象所使用的编码，也即是说这个对象使用了什么数据结构作为对象的底层实现。

Redis 中每种类型的对象都至少使用了两种不同的编码，不同的编码可以在不同的使用场景上优化对象的使用效率。

Redis 支持的编码如下所示：

类型	编码	对象	OBJECT ENCODING 命令输出
`REDIS_STRING`	`REDIS_ENCODING_INT`	使用整数值实现的字符串对象。	"int"
`REDIS_STRING`	`REDIS_ENCODING_EMBSTR`	使用 `embstr` 编码的简单动态字符串实现的字符串对象。	"embstr"
`REDIS_STRING`	`REDIS_ENCODING_RAW`	使用简单动态字符串实现的字符串对象。	"raw"
`REDIS_LIST`	`REDIS_ENCODING_ZIPLIST`	使用压缩列表实现的列表对象。	"ziplist"
`REDIS_LIST`	`REDIS_ENCODING_LINKEDLIST`	使用双端链表实现的列表对象。	"linkedlist"
`REDIS_HASH`	`REDIS_ENCODING_ZIPLIST`	使用压缩列表实现的哈希对象。	"ziplist"
`REDIS_HASH`	`REDIS_ENCODING_HT`	使用字典实现的哈希对象。	"hashtable"
`REDIS_SET`	`REDIS_ENCODING_INTSET`	使用整数集合实现的集合对象。	"intset"
`REDIS_SET`	`REDIS_ENCODING_HT`	使用字典实现的集合对象。	"hashtable"
`REDIS_ZSET`	`REDIS_ENCODING_ZIPLIST`	使用压缩列表实现的有序集合对象。	"ziplist"
`REDIS_ZSET`	`REDIS_ENCODING_SKIPLIST`	使用跳表和字典实现的有序集合对象。	"skiplist"

内存回收

由于 C 语言不支持内存回收，Redis 内部实现了一套基于引用计数的内存回收机制。

每个对象的引用计数信息由 redisObject 结构的 refcount 属性记录。当对象的引用计数值变为 0 时，对象所占用的内存会被释放。

对象共享

在 Redis 中，让多个键共享同一个值对象需要执行以下两个步骤：

将数据库键的值指针指向一个现有的值对象；
将被共享的值对象的引用计数增一。

共享对象机制对于节约内存非常有帮助，数据库中保存的相同值对象越多，对象共享机制就能节约越多的内存。

Redis 会在初始化服务器时，共享值为 0 到 9999

对象的空转时长

redisObject 的 lru 属性记录了对象最后一次被命令程序访问的时间。

如果服务器打开了 maxmemory 选项，并且服务器用于回收内存的算法为 volatile-lru 或者 allkeys-lru ，那么当服务器占用的内存数超过了 maxmemory 选项所设置的上限值时，空转时长较高的那部分键会优先被服务器释放，从而回收内存。

【中级】如何使用 Redis 实现排行榜？

要点

各种排行榜，如：内容平台（视频、歌曲、文章）的播放量/收藏量/评分排行榜；电商网站的销售排行榜等等，都可以基于 Redis zset 类型来实现。

细节

我们以博文点赞排名为例，dunwu 发表了五篇博文，分别获得赞为 200、40、100、50、150。

# article:1 文章获得了 200 个赞
> ZADD user:dunwu:ranking 200 article:1
(integer) 1
# article:2 文章获得了 40 个赞
> ZADD user:dunwu:ranking 40 article:2
(integer) 1
# article:3 文章获得了 100 个赞
> ZADD user:dunwu:ranking 100 article:3
(integer) 1
# article:4 文章获得了 50 个赞
> ZADD user:dunwu:ranking 50 article:4
(integer) 1
# article:5 文章获得了 150 个赞
> ZADD user:dunwu:ranking 150 article:5
(integer) 1

文章 article:4 新增一个赞，可以使用 ZINCRBY 命令（为有序集合 key 中元素 member 的分值加上 increment）：

> ZINCRBY user:dunwu:ranking 1 article:4
"51"

查看某篇文章的赞数，可以使用 ZSCORE 命令（返回有序集合 key 中元素个数）：

> ZSCORE user:dunwu:ranking article:4
"50"

获取 dunwu 文章赞数最多的 3 篇文章，可以使用 ZREVRANGE 命令（倒序获取有序集合 key 从 start 下标到 stop 下标的元素）：

# WITHSCORES 表示把 score 也显示出来
> ZREVRANGE user:dunwu:ranking 0 2 WITHSCORES
1) "article:1"
2) "200"
3) "article:5"
4) "150"
5) "article:3"
6) "100"

获取 dunwu 100 赞到 200 赞的文章，可以使用 ZRANGEBYSCORE 命令（返回有序集合中指定分数区间内的成员，分数由低到高排序）：

> ZRANGEBYSCORE user:dunwu:ranking 100 200 WITHSCORES
1) "article:3"
2) "100"
3) "article:5"
4) "150"
5) "article:1"
6) "200"

【中级】如何使用 Redis 实现百万级网页 UV 计数？

要点

Redis HyperLogLog 是 Redis 2.8.9 版本新增的数据类型，是一种用于“统计基数”的数据集合类型，基数统计就是指统计一个集合中不重复的元素个数。但要注意，HyperLogLog 是统计规则是基于概率完成的，不是非常准确，标准误算率是 0.81%（统计结果为 100 万时，实际可能在 99.19 万~100.81 万之间）。

核心优势

极低内存占用：仅需 12 KB 内存，即可统计接近 2^64 个元素的基数（如 UV 统计）。
适合海量数据：相比 Set/Hash（元素越多内存消耗越大），HyperLogLog 在百万级以上数据场景中优势显著。

适用场景

网页 UV 统计：统计独立访客数（如 page1:uv），尤其适合高并发、大数据量场景。
容忍误差的基数统计：如热门活动页面访问量、广告点击去重等。

如果需要精确统计，则需要转用 Set / Hash，并且不得不消耗

基本命令

添加元素：PFADD key element [element...]

PFADD page1:uv user1 user2 user3  # 将用户添加到 UV 统计

获取统计值：PFCOUNT key

PFCOUNT page1:uv  # 返回近似 UV 数（如 100 万）

【中级】如何使用 Redis 实现布隆过滤器？

要点

布隆过滤器是一种高效的概率数据结构，常用于检测一个元素是否在一个集合中，可以有效减少数据库的查询次数，解决缓存穿透等问题。

可以通过以下两种方式实现布隆过滤器：

使用位图（Bitmap）实现布隆过滤器：

使用 Redis 的位图结构 SETBIT 和 GETBIT 操作来实现布隆过滤器。位图本质上是一个比特数组，用于标识元素是否存在。
对于给定的数据，通过多个哈希函数计算位置索引，将位图中的相应位置设置为 1，表示该元素可能存在。

使用 RedisBloom 模块：

Redis 提供了一个官方模块 RedisBloom，封装了哈希函数、位图大小等操作，可以直接用于创建和管理布隆过滤器。
使用 BF.ADD 来向布隆过滤器添加元素，使用 BF.EXISTS 来检查某个元素是否可能存在。

细节

BitMap

Bitmap，即位图，是一串连续的二进制数组（0 和 1），可以通过偏移量（offset）定位元素。由于 bit 是计算机中最小的单位，使用它进行储存将非常节省空间，特别适合一些数据量大且使用二值统计的场景。例如在一个系统中，不同的用户使用单调递增的用户 ID 表示。40 亿（$$2^{32}$$ = $$410241024*1024$$ ≈ 40 亿）用户只需要 512M 内存就能记住某种状态，例如用户是否已登录。

实际上，BitMap 不是真实的数据结构，而是针对 String 实现的一组位操作。

由于 STRING 是二进制安全的，并且其最大长度是 512 MB，所以 BitMap 能最大设置 $$2^{32}$$ 个不同的 bit。

【示例】判断用户是否登录

Bitmap 提供了 GETBIT、SETBIT 操作，通过一个偏移值 offset 对 bit 数组的 offset 位置的 bit 位进行读写操作，需要注意的是 offset 从 0 开始。

只需要一个 key = login_status 表示存储用户登陆状态集合数据，将用户 ID 作为 offset，在线就设置为 1，下线设置 0。通过 GETBIT判断对应的用户是否在线。50000 万用户只需要 6 MB 的空间。

假如我们要判断 ID = 10086 的用户的登陆情况：

第一步，执行以下指令，表示用户已登录。

SETBIT login_status 10086 1

第二步，检查该用户是否登陆，返回值 1 表示已登录。

GETBIT login_status 10086

第三步，登出，将 offset 对应的 value 设置成 0。

SETBIT login_status 10086 0

RedisBloom

RedisBloom 是 Redis 官方提供的模块，是一种简化的布隆过滤器实现。它提供了更高性能和更低误判率控制。

RedisBloom 常用命令

BF.RESERVE key error_rate capacity：创建布隆过滤器（指定误判率、容量）
BF.ADD key item：添加元素
BF.EXISTS key item：检查元素是否存在（可能误判）
自动扩容：可动态调整数据结构以适应数据增长

RedisBloom 操作示例

创建：

BF.RESERVE myBloomFilter 0.01 1000000  # 误判率 1%，容量 100 万

添加元素：

BF.ADD myBloomFilter "item1"

检查元素：

BF.EXISTS myBloomFilter "item1"  # 返回 1（可能存在）
BF.EXISTS myBloomFilter "item2"  # 返回 0（一定不存在）

适用场景

RedisBloom 适合海量数据判断，且允许误判的场景：

爬虫：URL 去重
黑名单：反垃圾邮件（可能误杀）
分布式系统：优化数据查找（如 Hadoop、Cassandra）
推荐系统：避免重复推荐

核心特点

空间高效：节省存储空间
快速查询：O(1) 时间复杂度
误判率可控：通过参数调整

参考资料

昵称

邮箱

网址

按正序
按倒序
按热度

Redis 面试之数据类型篇

# Redis 面试之数据类型篇

# Redis 数据类型

# 【基础】Redis 支持哪些数据类型？

# 【基础】Redis 基础数据类型的常见命令有哪些？

# String 命令

# Hash 命令

# List 命令

# Set 命令

# Zset 命令

# 【中级】Redis 各数据类型的应用场景？

# 【高级】Redis 基础数据类型的底层实现是怎样的？

# 【高级】Redis 为什么用 listpack 替代 ziplist？

# 【高级】为什么 Zset 用跳表实现而不是红黑树、B+树？

# 【高级】跳表的实现原理是什么？

# 【高级】Redis 利用什么机制来实现各种数据结构？

# 对象的类型

# 对象的编码

# 内存回收

# 对象共享

# 对象的空转时长

# 【中级】如何使用 Redis 实现排行榜？

# 【中级】如何使用 Redis 实现百万级网页 UV 计数？

# 【中级】如何使用 Redis 实现布隆过滤器？

# BitMap

# RedisBloom

# 参考资料

预览:

Redis 面试之数据类型篇

Redis 数据类型

【基础】Redis 支持哪些数据类型？

【基础】Redis 基础数据类型的常见命令有哪些？

String 命令

Hash 命令

List 命令

Set 命令

Zset 命令

【中级】Redis 各数据类型的应用场景？

【高级】Redis 基础数据类型的底层实现是怎样的？

【高级】Redis 为什么用 `listpack` 替代 `ziplist`？

【高级】为什么 Zset 用跳表实现而不是红黑树、B+树？

【高级】跳表的实现原理是什么？

【高级】Redis 利用什么机制来实现各种数据结构？

对象的类型

对象的编码

内存回收

对象共享

对象的空转时长

【中级】如何使用 Redis 实现排行榜？

【中级】如何使用 Redis 实现百万级网页 UV 计数？

【中级】如何使用 Redis 实现布隆过滤器？

BitMap

RedisBloom

参考资料