1.Redis的源码数据类型-GEO
2.LBS - 空间索引Spatial Index
3.Redis GEO 命令学习及原理浅析
4.redis应用 8：GeoHash
5.使用Go语言手写一个简易版Redis，项目经验稳了！源码
6.Redis 源码限流的 3 种方式，还有谁不会！源码

Redis的数据类型-GEO

       Redis新增的GEO数据类型主要用于存储和操作地理位置信息。GEO实际上是源码源码到汇编码的工具一种有序集合（zset），每个元素包含经度、源码纬度和位置名称，源码通过这些属性，源码可以在Redis中存储和操作地理坐标。源码

       使用场景主要涉及地图应用、源码位置服务、源码地理空间分析等，源码例如商家定位、源码位置搜索和推荐、源码用户位置分析等。

       常用命令

       1. 添加：GEOADD命令

       功能：用于存储指定的地理空间位置，可以将一个或多个经度、纬度和位置名称添加到指定的key中。

       语法：GEOADD key [NX|XX] [CH] longitude latitude member [longitude latitude member ...]

       参数说明：

       longite：地点的经度，范围：-度到度，经度必须放在纬度之前。

       latitude：地点的纬度，范围：-.度到.度。

       member：地点名称。

       选项说明：

       NX：不添加新元素，只更新既有元素，v6.2.0版本出现。

       XX：不更新既有元素，只添加新元素，v6.2.0版本出现。

       CH：返回变更过的元素数量，同时包含新增和更新，v6.2.0版本出现。

       返回值：整型，返回新增或变更的元素数量。

       注意：使用GEOADD命令添加坐标时，若已有相同位置，则使用新坐标替换已有坐标。

       示例：

       2. 查询：GEOPOS命令

       功能：从给定key中返回指定名称的位置（经度和纬度）。

       语法：GEOPOS key member [member ...]

       返回：数组，每个元素为一个包含经度和纬度的snatshot源码子数组。

       示例：

       3. 计算举例：GEODIST命令

       功能：返回两个成员之间的距离，基于地球为完美球体的假设，计算结果可能存在%0.5误差。

       语法：GEODIST key member1 member2 [M | KM | FT | MI]

       选项说明：

       M：单位：米。

       KM：单位：公里（千米）。

       FT：单位：英里。

       M：单位：英尺。

       返回：可以转换为双精度浮点型的字符串。

       4. 获取GEOHASH值：GEOHASH命令

       Geohash是一种地理编码系统，将经纬度编码为数字和字母组成的字符串。虽然表示的是区域，但可以用于隐私保护。

       功能：返回指定成员的地理位置的GEOHASH值。

       语法：GEOHASH key member [member ...]

       返回值：数组，包含每个位置成员对应的GEOHASH值。

       示例：

       5. 查询指定范围的地点：GEOSEARCH命令

       功能：以经纬度为中心，返回距离不超过最大距离的所有位置元素。

       语法：GEOSEARCH key FROMMEMBER member | FROMLONLAT longitude latitude BYRADIUS radius [ASC | DESC][COUNT count [ANY]][WITHCOORD][WITHDIST][WITHHASH]

       选项说明：

       FROMMEMBER：指定起始成员。

       FROMLONLAT：指定经纬度。

       BYRADIUS：指定最大距离。

       ASC | DESC：返回结果的排序。

       COUNT：返回结果的数量。

       WITHCOORD：返回经度和纬度。

       WITHDIST：返回与中心点的距离。

       WITHHASH：返回GEOHASH值。

       返回值：数组，包含名称、经纬度、距离、GEOHASH值等信息。

       示例：

       6. 查询指定范围的地点：GEOSEARCHSTORE命令

       功能：存储匹配结果，将位置信息存储到目标键中。默认存储位置信息，可选以距离作为分数存储。

       语法：GEOSEARCHSTORE destination source FROMMEMBER member | FROMLONLAT longitude latitude BYRADIUS radius [ASC | DESC] [COUNT count [ANY]][STOREDIST]

       返回值：整型，存储的成员数量。

       示例：

LBS - 空间索引Spatial Index

       空间索引Spatial Index

       在O2O行业中，LBS（基于位置的服务）应用广泛，例如根据用户定位召回附近商家，或召回附近空闲出租车。这些服务依赖空间检索（Spatial Index）技术，iterable源码通常将球面坐标系通过墨卡托投影映射到二维平面坐标系，以此实现位置检索。

       空间索引的基本概念包括GeoHash、R-树、四叉树等。GeoHash通过将二维矩形区域映射成一维字符串，实现空间对象的高效存储和检索。R-树是一种基于矩形的平衡树，适用于处理空间数据的索引。四叉树是二维空间的递归细分，适合存储和查询有二维属性的数据。

       不同存储系统如MySQL、PostgreSQL、Redis、MongoDB和ElasticSearch在空间索引方面具有各自特点。MySQL 5.7引入了原生的GeoHash支持和空间索引功能，适合需要高性能和可扩展性的应用。PostgreSQL通过PostGIS扩展支持复杂查询，效率极高。Redis在3.2版本后增加了空间索引支持，适用于数据量较小的应用。MongoDB提供灵活的空间索引和查询，支持多种几何操作。ElasticSearch提供强大的地理位置功能和全文搜索结合，适用于复杂查询和分析。

       在实际业务中，应综合考虑数据量、检索复杂度和运维需求，选择合适的存储引擎。例如，MySQL适用于需要高性能和可扩展性的应用，而MongoDB则在处理大量非结构化数据时表现良好。ElasticSearch在复杂查询和分析场景中展现出色性能。

       本文旨在介绍空间索引的基本概念和技术，并对比不同存储系统的特点，希望为开发者在空间检索服务技术评估和选型时提供参考。

Redis GEO 命令学习及原理浅析

       Redis GEO命令在地理位置服务应用中发挥着关键作用，它利用Sorted Set数据结构和GeoHash编码实现高效地基于经纬度的查询。GeoHash编码将经纬度转换为分数值，确保了具有相近分数的元素在实际地理空间上也接近。通过划分小方格并映射到一维空间，源码传输Redis GEO允许精准的"搜索附近"功能。

       例如，GEOADD命令在≥3.2.0版本可用，它将地理位置信息添加到Sorted Set中，使用O(log(N))的时间复杂度。GEOPOS命令用于获取指定元素的经纬度，GEODIST则计算两点间的距离。GEOHASH则返回元素的GeoHash编码，便于范围查询。而6.2.0版本之后，GEORADIUS和GEORADIUSBYMEMBER命令被废弃，推荐使用GEOSEARCH和GEOSEARCHSTORE，它们提供了更灵活的查询和结果处理方式。

       总结来说，Redis GEO利用GeoHash编码和Sorted Set的数据结构，为基于位置的服务提供了高效且精确的查询能力。通过理解这些命令的原理和使用方法，开发者可以更好地在实际应用中利用Redis GEO实现地理位置相关的需求。

redis应用 8：GeoHash

       Redis在3.2版本后加入的GEO模块使我们能利用Redis实现地理定位功能，如摩拜单车的"附近Mobike"、美团与饿了么的"附近餐馆"。

       地图元素位置数据用二维经纬度表示，范围在经度(-, ]，纬度(-, ]。掘金办公室在望京SOHO的坐标(.,.)正数，中国位于东北半球。

       当元素距离不遥远时，使用勾股定理计算距离。但考虑经纬度坐标密度不均，计算距离时需加权。精确计算时，避免加权。

       经度度，维度度，距离密度非2:1，原因在于地球形状。

       计算"附近的人"，即给定坐标，按距离排序元素，如何入手？

       遍历计算所有元素距离过于耗时，应使用矩形区域限定元素数量，objviewer源码计算区域内元素距离，再排序。选择半径r，通过SQL圈定区域。用户不满意结果时，扩大半径继续筛选。

       高性能矩形区域算法要求数据表在经纬度坐标上加双向复合索引(x, y)。

       高并发场景下，数据库查询性能有限，大量"附近的人"查询可能不是一个好方案。

       GeoHash算法

       业界常用GeoHash算法计算地理距离。Redis采用GeoHash。该算法将二维坐标映射到一维整数，元素距离相近的坐标映射后点间距亦相近。需计算附近的人时，将目标位置映射到线上，获取线上的附近点。

       GeoHash算法如何映射坐标？假设地球为二维平面，分割成正方形方格，每格唯一。方格越小，坐标越精确。然后对这些方格进行整数编码，越近的方格编码越接近。编码法为“切蛋糕法”，将正方形蛋糕二刀均分成四块，标记为、、、四个二进制整数。接着将每个小正方形继续切割，每块使用4bit二进制整数表示。如此递归，正方形变小，二进制整数变长，精确度提高。

       编码后，每个坐标变为整数，损失程度与整数长度相关。对于"附近的人"功能，损失的精度忽略不计。

       GeoHash算法将整数base编码，存入Redis的zset中，score为元素key，值为位整数。

       在Redis进行Geo查询时，注意其内部结构为zset(skiplist)，通过score排序获取坐标附近的元素。将score还原为坐标值即可得到元素原始坐标。

       Redis Geo指令

       Redis提供6个Geo指令，易于掌握。使用时，需牢记其本质上是zset。

       增加指令：使用geoadd添加集合名称和多个经纬度名称三元组。

       距离计算：使用geodist指令计算两个元素距离，携带集合名称、名称和单位。

       获取位置：geopos指令获取集合中任意元素经纬度坐标，一次可获取多个。

       获取元素hash值：使用geohash指令获取元素经纬度编码字符串，可用于查询。

       附近公司查询：georadiusbymember指令查询指定元素附近元素，参数复杂。

       总结与注意事项

       地图应用中，数据量庞大，使用Redis Geo结构时，应避免单个key数据量过大影响集群迁移，线上服务运行。推荐使用单独的Redis实例部署Geo数据，避免集群环境。

       数据量过大时，Geo数据应按国家、省、市乃至区拆分，降低单个集合大小。

使用Go语言手写一个简易版Redis，项目经验稳了！

       大家好，我是 G哥！

       今天，我向大家分享一个利用 Go 语言打造的简易版 Redis 项目，这个项目旨在帮助开发者深入了解 Go 语言和构建高并发中间件。

       这个简易版 Redis 具备基本功能，如数据存储、缓存和键值对操作等，满足开发者学习和实践需求。通过探索此项目，不仅能够深化对 Go 语言的理解，还能够领略到使用 Go 语言开发高性能、并发处理系统的魅力。

       项目提供了 Darwin (MacOS) 和 Linux 版本的可执行文件，使用简便。启动方法如下：

       下载项目可执行文件

       运行启动命令

       启动后，即可通过 redis-cli 或其他 Redis 客户端连接到默认监听的 端口，进行数据交互。

       项目代码量较多，但学习并非难事。作者提供了详尽的教程指南，覆盖从 Go 编写 TCP 服务器到实现内存数据库、GeoHash 搜索功能等核心内容，对学习者友好。

       感谢作者对开源社区的贡献，通过这个项目，开发者能够在实践中学到宝贵的经验。项目地址如下：

       github.com/HDT/godi...

       通过探索和实践这个简易版 Redis 项目，相信你能够提升编程技能，更好地理解 Go 语言在并发处理和高性能系统构建中的应用。

Redis 限流的 3 种方式，还有谁不会！

       面对越来越多的高并发场景，限流显示的尤为重要。

       当然，限流有许多种实现的方式，Redis具有很强大的功能，我用Redis实践了三种的实现方式，可以较为简单的实现其方式。Redis不仅仅是可以做限流，还可以做数据统计，附近的人等功能，这些可能会后续写到。

第一种：基于Redis的setnx的操作

       我们在使用Redis的分布式锁的时候，大家都知道是依靠了setnx的指令，在CAS（Compare and swap）的操作的时候，同时给指定的key设置了过期实践（expire），我们在限流的主要目的就是为了在单位时间内，有且仅有N数量的请求能够访问我的代码程序。所以依靠setnx可以很轻松的做到这方面的功能。

       比如我们需要在秒内限定个请求，那么我们在setnx的时候可以设置过期时间，当请求的setnx数量达到时候即达到了限流效果。代码比较简单就不做展示了。

       当然这种做法的弊端是很多的，比如当统计1-秒的时候，无法统计2-秒之内，如果需要统计N秒内的M个请求，那么我们的Redis中需要保持N个key等等问题。

第二种：基于Redis的数据结构zset

       其实限流涉及的最主要的就是滑动窗口，上面也提到1-怎么变成2-。其实也就是起始值和末端值都各+1即可。

       而我们如果用Redis的list数据结构可以轻而易举的实现该功能。

       我们可以将请求打造成一个zset数组，当每一次请求进来的时候，value保持唯一，可以用UUID生成，而score可以用当前时间戳表示，因为score我们可以用来计算当前时间戳之内有多少的请求数量。而zset数据结构也提供了range方法让我们可以很轻易的获取到2个时间戳内有多少请求

       代码如下

publicResponselimitFlow(){ LongcurrentTime=newDate().getTime();System.out.println(currentTime);if(redisTemplate.hasKey("limit")){ Integercount=redisTemplate.opsForZSet().rangeByScore("limit",currentTime-intervalTime,currentTime).size();//intervalTime是限流的时间System.out.println(count);if(count!=null&&count>5){ returnResponse.ok("每分钟最多只能访问5次");}}redisTemplate.opsForZSet().add("limit",UUID.randomUUID().toString(),currentTime);returnResponse.ok("访问成功");}

       通过上述代码可以做到滑动窗口的效果，并且能保证每N秒内至多M个请求，缺点就是zset的数据结构会越来越大。实现方式相对也是比较简单的。

第三种：基于Redis的令牌桶算法

       提到限流就不得不提到令牌桶算法了。

       令牌桶算法提及到输入速率和输出速率，当输出速率大于输入速率，那么就是超出流量限制了。

       也就是说我们每访问一次请求的时候，可以从Redis中获取一个令牌，如果拿到令牌了，那就说明没超出限制，而如果拿不到，则结果相反。

       依靠上述的思想，我们可以结合Redis的List数据结构很轻易的做到这样的代码，只是简单实现

       依靠List的leftPop来获取令牌

//输出令牌publicResponselimitFlow2(Longid){ Objectresult=redisTemplate.opsForList().leftPop("limit_list");if(result==null){ returnResponse.ok("当前令牌桶中无令牌");}returnResponse.ok(articleDescription2);}

       再依靠Java的定时任务，定时往List中rightPush令牌，当然令牌也需要唯一性，所以我这里还是用UUID进行了生成

//S的速率往令牌桶中添加UUID，只为保证唯一性@Scheduled(fixedDelay=_,initialDelay=0)publicvoidsetIntervalTimeTask(){ redisTemplate.opsForList().rightPush("limit_list",UUID.randomUUID().toString());}

       综上，代码实现起始都不是很难，针对这些限流方式我们可以在AOP或者filter中加入以上代码，用来做到接口的限流，最终保护你的网站。

       Redis其实还有很多其他的用处，他的作用不仅仅是缓存，分布式锁的作用。他的数据结构也不仅仅是只有String，Hash，List，Set，Zset。有兴趣的可以后续了解下他的GeoHash算法；BitMap，HLL以及布隆过滤器数据(Redis4.0之后加入，可以用Docker直接安装Redislabs/rebloom)结构。

       有问题欢迎留言探讨。

       原文链接：/lmx/article/details/

redis学习笔记（二） - redis的数据类型bitmap/hyperloglog/GEO

       数据类型与应用案例

       在日常应用中，常见数据类型如bitmap、hyperloglog与GEO数据结构用于处理大规模数据的收集与统计，具有存取高效、多维度统计分析的优势。

       例如，手机App中的每天用户登录信息、电商网站商品的用户评论列表、用户在App上的签到打卡信息以及网页访问信息等，这些场景下数据量大，需要快速存取与统计。

       面试问题可能涉及如何利用集合数据进行统计分析，如在移动应用中统计每日新增用户数与留存用户数，电商网站评论列表中最新评论的处理，签到打卡中连续打卡用户的数量统计，以及网页访问记录中独立访客数量的计算。

       数据类型选择与功能

       针对统计需求，常用数据类型包括：

       二值统计（如bitmap）：用于表示集合中元素的取值，仅支持0和1两种状态，适合记录如用户是否登录过、**是否被点击播放等二元信息。

       基数统计（如hyperloglog）：用于统计集合中不重复的元素个数，即去重后的真实数量，适合计算UV（独立访客）、PV（页面访问量）、DAU（日活跃用户量）和MAU（月活跃用户量）等指标。

       地理定位（如GEO）：在需要处理地理位置数据的应用中，如滴滴打车等，GEO数据结构可实现高效地理位置查询与存储。

       应用场景举例

       日活跃用户统计、连续签到打卡情况分析、一周活跃用户列表、特定用户登录天数统计等，均可以通过上述数据类型实现高效、准确的数据统计与分析。

       以抖音应用的最新留言评价为例，需要对评论进行排序与分页显示，此时可使用Redis数据结构实现排序与分页功能，提高用户体验。

       关于签到打卡统计，bitmap数据类型能够高效记录用户是否签到的状态，节省存储空间，且便于计算连续签到天数等统计指标。

       基数统计如hyperloglog，则适用于处理大量数据的UV与PV等统计需求，通过概率算法降低内存占用，牺牲部分准确率以换取更高的效率。

       GEO数据结构在地理信息处理中，如滴滴打车定位车辆位置，通过GEOHash算法将三维坐标转换为一维点块，再进行高效查询。

       综合而言，Redis提供的多种数据类型与操作命令，能够针对不同场景与需求提供高效的数据存储与统计分析能力，实现大数据环境下应用的性能优化。