352 lines
11 KiB
Markdown
352 lines
11 KiB
Markdown
---
|
||
tags: [Redis, 缓存, 数据结构, SortedSet]
|
||
create time: 2026-05-15 18:14
|
||
---
|
||
|
||
# Sorted Set 高级玩法
|
||
|
||
## 概述
|
||
|
||
Sorted Set（有序集合）是 Redis 中**功能最丰富、场景最广泛**的数据结构。它的底层由 skiplist + hashtable 组成，天然支持按分数排序和 O(1) 的成员查找。本节聚焦实战中常用的高级模式。
|
||
|
||
## 排行榜系统
|
||
|
||
### 基础实现
|
||
|
||
```bash
|
||
# 添加用户分数
|
||
ZADD leaderboard 3500 "user:101"
|
||
ZADD leaderboard 4200 "user:102"
|
||
ZADD leaderboard 3800 "user:103"
|
||
|
||
# 获取 Top 5
|
||
ZREVRANGE leaderboard 0 4 WITHSCORES
|
||
# 返回：user:102(4200), user:103(3800), user:101(3500)
|
||
|
||
# 查询排名（从大到小）
|
||
ZREVRANK leaderboard "user:101" # 2
|
||
|
||
# 获取指定分数范围的用户
|
||
ZRANGEBYSCORE leaderboard 3000 4000
|
||
```
|
||
|
||
### Go 代码示例
|
||
|
||
```go
|
||
// 更新用户分数（原子加分）
|
||
rdb.ZIncr(ctx, "leaderboard", redis.Z{
|
||
Score: 50.5,
|
||
Member: "player:" + userID,
|
||
})
|
||
|
||
// 获取排名 + 分数区间
|
||
rank, _ := rdb.ZRevRank(ctx, "leaderboard", "player:"+userID).Result()
|
||
members, _ := rdb.ZRangeWithScores(ctx, "leaderboard", rank-4, rank).Result()
|
||
// 展示上下各 2 名的分数差距
|
||
```
|
||
|
||
```mermaid
|
||
flowchart TD
|
||
S["新得分到达"] --> A{"用户是否已有排名？"}
|
||
A -->|否| B["ZADD leaderboard score member"]
|
||
A -->|是| C["ZINCRBY leaderboard delta member"]
|
||
C --> D["计算前后排名差"]
|
||
D --> E["推送排名变化通知"]
|
||
```
|
||
|
||
> [!TIP] ZRANK vs ZREVRANK
|
||
> - `ZRANK`：升序排名，最小值排第 0 位（适合延迟队列）
|
||
> - `ZREVRANK`：降序排名，最大值排第 0 位（适合排行榜）
|
||
|
||
### 多维度排行榜技巧
|
||
|
||
同一份数据需要按不同维度排名时，不要用多个 ZSet——用 **score = base + fraction**：
|
||
|
||
```
|
||
总分 = 胜场 × 10000 + 击杀数
|
||
例: 5胜3杀 → score = 50003
|
||
→ 先比胜率，再比击杀数，完美映射为单浮点数
|
||
```
|
||
|
||
## 延迟队列
|
||
|
||
### 原理
|
||
|
||
利用 ZSet 的 score 字段存储执行时间戳，通过 `BZPOPMIN`（阻塞弹最低分）定时拉取到期的任务：
|
||
|
||
```bash
|
||
# 提交延迟任务（5秒后执行）
|
||
ZADD delayed_tasks 1715000005 "task:sms:user:42"
|
||
|
||
# 消费者循环拉取
|
||
BZPOPMIN delayed_tasks 0 # 超时为 0，一直等待
|
||
# 返回: ["delayed_tasks", "task:sms:user:42", "1715000005"]
|
||
```
|
||
|
||
```go
|
||
// Go 伪代码——定时轮询模型
|
||
for {
|
||
results, err := rdb.BZPopMin(ctx, time.Second, "tasks").Result()
|
||
if err == redis.Nil {
|
||
continue // 无任务，继续等
|
||
}
|
||
executeTask(results.Value.(string))
|
||
}
|
||
```
|
||
|
||
> [!QUESTION] 为什么不用 Timer 而用 ZSet？
|
||
> - Timer/chan 只能单机内使用，分布式场景下多节点无法共享
|
||
> - ZSet 可以跨节点消费同一个延迟队列
|
||
> - 配合 Leader Election 可以实现可靠的多消费者竞争
|
||
|
||
### 精度与漂移
|
||
|
||
```bash
|
||
# 毫秒级精度（Unix timestamp in ms）
|
||
ZADD delayed_tasks $(($(date +%s%3N) + 5000)) "task:id:123"
|
||
|
||
# 检查是否有到期任务（不阻塞）
|
||
ZRANGEBYSCORE delayed_tasks -inf $(date +%s%3N)
|
||
# 然后把结果移到处理队列
|
||
ZREM delayed_tasks <completed-tasks>
|
||
LPUSH processing_queue <completed-tasks>
|
||
```
|
||
|
||
> [!WARNING] 延迟队列不是消息队列
|
||
> 对于大量并发任务，ZSet 的 O(log N) 插入和维护成本会累积。考虑专用 MQ（Kafka/RabbitMQ）更合适。Redis ZSet 适合**规模适中（万级以内）**的延迟任务场景。
|
||
|
||
## 滑动窗口去重计数
|
||
|
||
ZSet 天然适合做**固定时间窗口内的去重计数**（如每分钟独立访客）：
|
||
|
||
```bash
|
||
# key = page:home:uv，score = unix timestamp ms，member = visitor_id
|
||
ZREMRANGEBYSCORE page:home:uv $now_ms 60000 # 清除 60s 前的数据
|
||
ZADD page:home:uv $now_ms visitor:a visitor:b visitor:c
|
||
SCARD page:home:uv # 当前窗口内独立访客数
|
||
```
|
||
|
||
```go
|
||
// Go —— 每请求一次做一次清理 + 添加
|
||
rdb.ZRemRangeByScore(ctx, "page:home:uv", "0", now.Add(-time.Minute).UnixMilli())
|
||
rdb.ZAdd(ctx, "page:home:uv", redis.Z{Score: float64(now.UnixMilli()), Member: visitorID})
|
||
count, _ := rdb.ZCard(ctx, "page:home:uv").Result()
|
||
```
|
||
|
||
> [!TIP] ZSet vs Bitmap vs HyperLogLog — 计数器选型
|
||
> | 方案 | 精度 | 内存（百万UV） | 支持查询明细 |
|
||
> |------|------|---------------|-------------|
|
||
> | ZSet | ✅ 精确 | ~60 MB | ✅ member = 用户 ID |
|
||
> | Bitmap | ✅ 精确 | ~125 KB | ❌ 不可逆 |
|
||
> | HyperLogLog | ⚠️ ±0.1% | 12 KB | ❌ 不可逆 |
|
||
>
|
||
> **选法**: 需要查"谁来过"或用 score 做时间分析 → ZSet；纯计数、极大规模 → Bitmap / HLL。
|
||
|
||
## 滑动窗口限流器
|
||
|
||
用 `ZREMRANGEBYSCORE` + `ZCARD` 实现经典的**固定窗口 / 滑动窗口限流**：
|
||
|
||
```bash
|
||
# === 固定窗口限流 ===
|
||
# key = limit:user:1001, score = unix timestamp（每秒一个请求）
|
||
ZREMRANGEBYSCORE limit:user:1001 $now_ts $(($now_ts - 1)) # 清除 1s 前数据
|
||
ZADD limit:user:1001 $now_ts req:$RANDOM # 记录本次
|
||
ZCARD limit:user:1001 # 当前窗口 QPS
|
||
|
||
# === 滑动窗口限流（更精准）===
|
||
WINDOW_MS=1000
|
||
ZREMRANGEBYSCORE ratelimit:user:1001 0 $(($(date +%s%3N) - WINDOW_MS))
|
||
ZADD ratelimit:user:1001 $(date +%s%3N) $(date +%s%3N):$$
|
||
ZCARD ratelimit:user:1001 # ≤ 100 则放行，否则拒绝
|
||
```
|
||
|
||
```go
|
||
const maxReqPerSec = 100
|
||
|
||
func SlidingWindowLimit(rdb *redis.Client, ctx context.Context, userID string) bool {
|
||
now := time.Now().UnixMilli()
|
||
windowStart := now - 1000 // 1 秒窗口
|
||
|
||
pipe := rdb.Pipeline()
|
||
pipe.ZRemRangeByScore(ctx, "rl:"+userID, "0", fmt.Sprint(windowStart))
|
||
pipe.ZAdd(ctx, "rl:"+userID, redis.Z{Score: float64(now), Member: fmt.Sprint(now)})
|
||
pipe.ZCard(ctx, "rl:"+userID)
|
||
|
||
results, err := pipe.Exec(ctx)
|
||
if err != nil {
|
||
return false // 系统异常时保守拒绝
|
||
}
|
||
count := results[2].(*redis.IntCmd).Val()
|
||
return count <= maxReqPerSec
|
||
}
|
||
```
|
||
|
||
> [!NOTE] Redisson 的滑动窗口限流器
|
||
> Redisson 提供了开箱即用的 `RRateLimiter`，内部正是基于 ZSet + Lua 脚本实现的 **multi-window** 模型——把 1 秒拆成多个子窗口来平滑过渡，减少边界突刺。生产环境建议优先用成熟客户端库。
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
subgraph W["滑动窗口限流流程"]
|
||
A["请求到达"] --> B["删除窗口外过期成员"]
|
||
B --> C["写入当前请求时间戳"]
|
||
C --> D{"数量 ≤ 上限？"}
|
||
D -->|是| E["✅ 放行"]
|
||
D -->|否| F["❌ 限流拒绝"]
|
||
end
|
||
```
|
||
|
||
## Top-N 实时聚合
|
||
|
||
业务需要合并多个排行榜取**全局 Top-K** 时，用 `ZUNIONSTORE` / `ZINTERSTORE`：
|
||
|
||
```bash
|
||
# 已有两个分区的排行榜
|
||
ZADD rank:cn 1000 "vip_user:A" 500 "user:B"
|
||
ZADD rank:us 800 "vip_user:A" 900 "user:C"
|
||
|
||
# 合并求和（默认分数相加）
|
||
ZUNIONSTORE global:top 2 rank:cn rank:us AGGREGATE SUM
|
||
|
||
# 取全局 Top 10
|
||
ZRANGE global:top 0 9 WITHSCORES REVERSE
|
||
# → vip_user:A(1800), user:C(900), user:B(500)...
|
||
```
|
||
|
||
```go
|
||
keys := []string{"rank:cn", "rank:us", "rank:jp"}
|
||
// 合并三个区域排行榜，取分数最高的 20 名
|
||
rdb.ZUnionStore(ctx, "global:top20", keys)
|
||
top20, _ := rdb.ZRevRangeWithScores(ctx, "global:top20", 0, 19).Result()
|
||
```
|
||
|
||
> [!WARNING] ZUNIONSTORE / ZINTERSTORE 阻塞风险
|
||
> 当参与合并的集合都很大时，这两个命令是 O(N+M) 且在主线程执行。**最佳实践**：将结果写入另一个 ZSet，定时（如每分钟）异步刷新。
|
||
|
||
## Geo — 地理位置
|
||
|
||
### 基本操作
|
||
|
||
```bash
|
||
# 添加位置
|
||
GEOADD cities 116.4074 "beijing" 121.4737 "shanghai" 108.9690 "nanning"
|
||
|
||
# 计算两点距离（米）
|
||
GEOPOS cities beijing shanghai # 获取经纬度坐标
|
||
GEODIST cities beijing nanning km # 距离（km/m/fi 单位）
|
||
|
||
# 附近的人（半径 50km 内）
|
||
GEORADIUS cities 116.4074 39.9042 50 km WITHDIST WITHCOORD
|
||
|
||
# 新版本 API（推荐）
|
||
GEORADIUSBYMEMBER cities shanghai 100 km DESC COUNT 5
|
||
# DESC: 从远到近（默认从近到远）
|
||
```
|
||
|
||
### 常见场景
|
||
|
||
| 场景 | 命令 | 注意 |
|
||
|------|------|------|
|
||
| 附近门店 | GEORADIUSBYMEMBER | 限流 + 分页 |
|
||
| 打车接单范围 | GEOADD + GEORADIUS | 结合 spatial index |
|
||
| 围栏检测 | GEOPOS + 数学计算 | 超出范围触发告警 |
|
||
|
||
> [!TIP] Geo 底层就是 Sorted Set
|
||
> `GEOPOS` 本质是 `ZSCORE`（存的是 encode 后的 lat+lng），所以也可以用 ZREVRANGE 做通用查询。Geo 只是一层语法糖。
|
||
|
||
## 社交关系 —— 共同好友 / 标签匹配
|
||
|
||
### 基础交集
|
||
|
||
用 **Set** 存储用户的兴趣标签，用 **ZSet** 做加权推荐：
|
||
|
||
```bash
|
||
# Set 存储原始标签（轻量，适合求交集）
|
||
SADD interests:user:1 go redis docker k8s
|
||
SADD interests:user:2 go python flask k8s
|
||
|
||
# 共同兴趣
|
||
SINTER interests:user:1 interests:user:2
|
||
# → go, k8s
|
||
```
|
||
|
||
### 加权推荐（ZSet 方案）
|
||
|
||
当每个标签有**权重分数**时，把标签转为 ZSet，利用 `ZUNIONSTORE` 计算匹配度：
|
||
|
||
```bash
|
||
# 用户兴趣 + 权重分数
|
||
ZADD rec:user:1 "go" 1.0 "redis" 0.9 "docker" 0.8 "k8s" 0.7
|
||
ZADD rec:user:2 "go" 0.95 "python" 1.0 "flask" 0.6 "k8s" 0.9
|
||
|
||
# 合并两个用户的兴趣，分数相加 = 共同权重
|
||
ZUNIONSTORE temp:rec 2 rec:user:1 rec:user:2 AGGREGATE SUM
|
||
|
||
# 分数越高 = 共同兴趣越多越强
|
||
ZRANGEBYSCORE temp:rec 1.5 2.0 REVERSE WITHSCORES
|
||
# → go(1.95), k8s(1.6)
|
||
```
|
||
|
||
> [!WARNING] 大集合运算警告
|
||
> `SINTER` / `SUNION` / `ZUNIONSTORE` 的时间复杂度是 O(N × M)，在大型集合上可能阻塞主线程。建议预计算 + 定时刷新，或在低峰期异步完成。
|
||
|
||
## 优先级队列
|
||
|
||
### 用 ZSet 做优先级任务队列
|
||
|
||
```bash
|
||
# score = priority (数值越大优先级越高)
|
||
# member = task JSON
|
||
|
||
ZADD priority-queue 10 '{"id":"t1","action":"email"}'
|
||
ZADD priority-queue 8 '{"id":"t2","action":"sms"}'
|
||
ZADD priority-queue 15 '{"id":"t3","action":"push"}'
|
||
|
||
# 取出最高优先级任务
|
||
ZPOPMAX priority-queue
|
||
# → {"id":"t3","action":"push"}
|
||
|
||
# 或阻塞式（无任务时等待）
|
||
BZPOPMAX priority-queue 5
|
||
```
|
||
|
||
## Sorted Set 性能边界
|
||
|
||
| 指标 | 数据量 | 说明 |
|
||
|------|--------|------|
|
||
| 单个 ZSet 推荐上限 | 200 万成员 | 超过后写入延迟上升 |
|
||
| skiplist 高度期望值 | O(log₂N) ≈ 20 | 平均跳板层数 |
|
||
| 内存占用估算 | ~500 bytes/entry | 含 ziplist/skiplist + hashtable 开销 |
|
||
|
||
### 百万级 ZSet 优化策略
|
||
|
||
```mermaid
|
||
mindmap
|
||
root((百万级 ZSet<br/>优化策略))
|
||
按业务维度拆分
|
||
全国排行→按省份
|
||
rank:gd 广东
|
||
rank:js 江苏
|
||
rank:sz 四川
|
||
各端独立
|
||
feed:recommend:app1
|
||
feed:recommend:app2
|
||
预计算 + 缓存
|
||
ZUNIONSTORE→定时刷新
|
||
低峰期异步合并
|
||
游标分页
|
||
ZRANGEBYSCORE + min/max
|
||
避免 OFFSET 深翻页
|
||
编码降级
|
||
<64元素 <64B→ziplist
|
||
≥128元素→skiplist+hashtable
|
||
```
|
||
|
||
> [!TIP] 编码转换的触发条件
|
||
> `maxziplist` entries（默认 128）和 `maxziplistvalue`（默认 64 bytes）控制着 ziplist ↔ skiplist 的转变。在数据量较大时建议调大 `zset-max-ziplist-entries` 以利用 ziplist 的内存紧凑性，但要权衡查询性能。
|
||
|
||
## 关联笔记
|
||
|
||
- [[hhs/Redis/02-核心数据类型]] — ZSet 底层编码（ziplist → skiplist）
|
||
- [[hhs/Redis/03-基本命令速查]] — ZSet 命令表
|
||
- [[hhs/Redis/README]] — 知识索引总览
|