摘要： 你真的懂Redis的5种基本数据结构吗？这些知识点或许你还需要看看。
本文分享自华为云社区《你真的懂Redis的5种基本数据结构吗？这些知识点或许你还需要看看》，作者：李子捌。
Redis中所有的的数据结构都是通过一个唯一的字符串key来获取相应的value数据。
Redis有5种基础数据结构，分别是：
string（字符串）
list（列表）
hash（字典）
set（集合）
zset（有序集合）
其中list、set、hash、zset这四种数据结构是容器型数据结构，它们共享下面两条通用规则：
create if not exists：容器不存在则创建
drop if no elements：如果容器中没有元素，则立即删除容器，释放内存
本文将详细讲述的是Redis的5种基础数据结构。
string(字符串)是Redis最简单也是使用最广泛的数据结构，它的内部是一个字符数组。如图所示：
Redis中string(字符串)是动态字符串，允许修改；它在结构上的实现类似于Java中的ArrayList（默认构造一个大小为10的初始数组），这是冗余分配内存的思想，也称为预分配；这种思想可以减少扩容带来的性能消耗。
当string(字符串)的大小达到扩容阈值时，将会对string(字符串)进行扩容，string(字符串)的扩容主要有以下几个点：
长度小于1MB，扩容后为原先的两倍; length = length * 2
长度大于1MB，扩容后增加1MB; length = length + 1MB
字符串的长度最大值为 512MB
set -> key 不存在则新增，存在则修改
set key value
get -> 查询，返回对应key的value，不存在返回(nil)
get key
del -> 删除指定的key(key可以是多个)
del key [key …]
示例：
批量键值读取和写入最大的优势在于节省网络传输开销
mset -> 批量插入
mset key value [key value …]
mget -> 批量获取
mget key [key …]
过期set是通过设置一个缓存key的过期时间，使得缓存到期后自动删除从而失效的机制。
方式一：
expire key seconds
方式二：
setex key seconds value
上面的set操作不存在创建，存在则更新；此时如果需要存在不更新的场景，那么可以使用如下这个指令
setnx -> 不存在创建存在不更新
setnx key value
string(字符串)也可以用来计数，前提是value是一个整数，那么可以对它进行自增的操作。自增的范围必须在signed long的区间访问内，[-9223372036854775808,9223372036854775808]
incr -> 自增1
incr key
incrby -> 自定义累加值
incrby key increment
测试value为整数的自增区间
最大值：
最小值：
Redis的列表相当于Java语言中的LinkedList，它是一个双向链表数据结构（但是这个结构设计比较巧妙，后面会介绍），支持前后顺序遍历。链表结构插入和删除操作快，时间复杂度O(1)，查询慢，时间复杂度O(n)。
根据Redis双向列表的特性，因此其也被用于异步队列的使用。实际开发中将需要延后处理的任务结构体序列化成字符串，放入Redis的队列中，另一个线程从这个列表中获取数据进行后续处理。其流程类似如下的图：
队列在结构上是先进先出（FIFO）的数据结构（比如排队购票的顺序），常用于消息队列类似的功能，例如消息排队、异步处理等场景。通过它可以确保元素的访问顺序。
lpush -> 从左边边添加元素
lpush key value [value …]
rpush -> 从右边添加元素
rpush key value [value …]
llen -> 获取列表的长度
llen key
lpop -> 从左边弹出元素
lpop key
栈在结构上是先进后出（FILO）的数据结构（比如弹夹压入子弹，子弹被射击出去的顺序就是栈），这种数据结构一般用来逆序输出。
rpop -> 从右边弹出元素
rpop code
列表(list)是个链表数据结构，它的遍历是慢操作，所以涉及到遍历的性能将会遍历区间range的增大而增大。注意list的索引运行为负数，-1代表倒数第一个，-2代表倒数第二个，其它同理。
lindex -> 遍历获取列表指定索引处的值
lindex key ind
lrange -> 获取从索引start到stop处的全部值
lrange key start stop
ltrim -> 截取索引start到stop处的全部值，其它将会被删除
ltrim key start stop
Redis底层存储list(列表)不是一个简单的LinkedList，而是quicklist ——“快速列表”。关于quicklist是什么，下面会简单介绍，具体源码我也还在学习中，后面大家一起探讨。
quicklist是多个ziplist(压缩列表)组成的双向列表；而这个ziplist(压缩列表)又是什么呢？ziplist指的是一块连续的内存存储空间，Redis底层对于list(列表)的存储，当元素个数少的时候，它会使用一块连续的内存空间来存储，这样可以减少每个元素增加prev和next指针带来的内存消耗，最重要的是可以减少内存碎片化问题。
每个node节点元素，都会持有一个prev->执行前一个node节点和next->指向后一个node节点的指针（引用），这种结构虽然支持前后顺序遍历，但是也带来了不小的内存开销，如果node节点仅仅是一个int类型的值，那么可想而知，引用的内存比例将会更大。
ziplist是一块连续的内存地址，他们之间无需持有prev和next指针，能通过地址顺序寻址访问。
quicklist是由多个ziplist组成的双向链表。
Redis的hash(字典)相当于Java语言中的HashMap，它是根据散列值分布的无序字典，内部的元素是通过键值对的方式存储。
hash(字典)的实现与Java中的HashMap（JDK1.7）的结构也是一致的，它的数据结构也是数组+链表组成的二维结构，节点元素散列在数组上，如果发生hash碰撞则使用链表串联在数组节点上。
Redis中的hash(字典)存储的value只能是字符串值，此外扩容与Java中的HashMap也不同。Java中的HashMap在扩容的时候是一次性完成的，而Redis考虑到其核心存取是单线程的性能问题，为了追求高性能，因而采取了渐进式rehash策略。
渐进式rehash指的是并非一次性完成，它是多次完成的，因此需要保理旧的hash结构，所以Redis中的hash(字典)会存在新旧两个hash结构，在rehash结束后也就是旧hash的值全部搬迁到新hash之后，新的hash在功能上才会完全替代以前的hash。
hash(字典)可以用来存储对象的相关信息，一个hash(字典)代表一个对象，hash的一个key代表对象的一个属性，key的值代表属性的值。hash(字典)结构相比字符串来说，它无需将整个对象进行序列化后进行存储。这样在获取的时候可以进行部分获取。所以相比之下hash(字典)具有如下的优缺点：
读取可以部分读取，节省网络流量
存储消耗的高于单个字符串的存储
hset -> hash(字典)插入值，字典不存在则创建 key代表字典名称，field 相当于 key，value是key的值
hset key field value
hmset -> 批量设值
hmset key field value [field value …]
hget -> 获取字典中的指定key的value
hget key field
hgetall -> 获取字典中所有的key和value，换行输出
hgetall key
hlen -> 获取指定字典的key的个数
hlen key
举例：
在string(字符串)中可以使用incr和incrby对value是整数的字符串进行自加操作，在hash(字典)结构中如果单个子key是整数也可以进行自加操作。
hincrby -> 增对hash(字典)中的某个key的整数value进行自加操作
hincrby key field increment
注意如果不是整数会报错。
Redis的set(集合)相当于Java语言里的HashSet，它内部的键值对是无序的、唯一的。它的内部实现了一个所有value为null的特殊字典。
集合中的最后一个元素被移除之后，数据结构被自动删除，内存被回收。
set(集合)由于其特殊去重复的功能，我们可以用来存储活动中中奖的用户的ID，这样可以保证一个用户不会中奖两次。
sadd -> 添加集合成员，key值集合名称，member值集合元素，元素不能重复
sadd key member [member …]
smembers -> 查看集合中所有的元素，注意是无序的
smembers key
sismember -> 查询集合中是否包含某个元素
sismember key member
scard -> 获取集合的长度
scard key
spop -> 弹出元素，count指弹出元素的个数
spop key [count]
zset(有序集合)是Redis中最常问的数据结构。它类似于Java语言中的SortedSet和HashMap的结合体，它一方面通过set来保证内部value值的唯一性，另一方面通过value的score（权重）来进行排序。这个排序的功能是通过Skip List（跳跃列表）来实现的。
zset(有序集合)的最后一个元素value被移除后，数据结构被自动删除，内存被回收。
利用zset的去重和有序的效果可以由很多使用场景，举两个例子：
存储粉丝列表，value是粉丝的ID，score是关注时间戳，这样可以对粉丝关注进行排序
存储学生成绩，value使学生的ID，score是学生的成绩，这样可以对学生的成绩排名
zadd key [NX|XX] [CH] [INCR] score member [score member …]
超出范围的下标并不会引起错误。 比如说，当 start 的值比有序集的最大下标还要大，或是 start > stop 时， zrange 命令只是简单地返回一个空列表。 另一方面，假如 stop 参数的值比有序集的最大下标还要大，那么 Redis 将 stop 当作最大下标来处理。
可以通过使用 WITHSCORES 选项，来让成员和它的 score 值一并返回，返回列表以 value1,score1, …, valueN,scoreN 的格式表示。 客户端库可能会返回一些更复杂的数据类型，比如数组、元组等。
zrange key start stop [WITHSCORES]
其中成员的位置按 score 值递减(从大到小)来排列。 具有相同 score 值的成员按字典序的逆序(reverse lexicographical order)排列。 除了成员按 score 值递减的次序排列这一点外， ZREVRANGE 命令的其他方面和 ZRANGE key start stop [WITHSCORES] 命令一样
zrevrange key start stop [WITHSCORES]
zcard key
zscore key member z
排名以 0 为底，也就是说，score 值最小的成员排名为 0
zrank key member
min 和 max 可以是 -inf 和 +inf ，这样一来，你就可以在不知道有序集的最低和最高 score 值的情况下，使用 [ZRANGEBYSCORE]这类命令。
默认情况下，区间的取值使用闭区间，你也可以通过给参数前增加 ( 符号来使用可选的[开区间]小于或大于)
zrangebyscore key min max [WITHSCORES] [LIMIT offset count]
zrem key member [member …]
跳表全称叫做跳跃表，简称跳表。跳表是一个随机化的数据结构，实质就是一种可以进行二分查找的有序链表。跳表在原有的有序链表上面增加了多级索引，通过索引来实现快速查找。跳表不仅能提高搜索性能，同时也可以提高插入和删除操作的性能。
Skip List(跳跃列表)这种随机的数据结构，可以看做是一个二叉树的变种，它在性能上与红黑树、AVL树很相近；但是Skip List(跳跃列表)的实现相比前两者要简单很多，目前Redis的zset实现采用了Skip List(跳跃列表)（其它还有LevelDB等也使用了跳跃列表）。
RBT红黑树与Skip List(跳跃列表)简单对比：
RBT红黑树
插入、查询时间复杂度O(logn)
数据天然有序
实现复杂，设计变色、左旋右旋平衡等操作
需要加锁
Skip List跳跃列表
实现简单，链表结构
无需加锁
这里贴出Skip List的论文，需要详细研究的请看论文，下文部分公式、代码、图片出自该论文。
Skip Lists: A Probabilistic Alternative to Balanced Trees
https://www.cl.cam.ac.uk/teaching/2005/Algorithms/skiplists.pdf
先通过一张动图来了解Skip List的插入节点元素的流程，此图来自维基百科。
2.3.1 计算随机层数算法
首先分析的是执行插入操作时计算随机数的过程，这个过程会涉及层数的计算，所以十分重要。对于节点他有如下特性：
节点都有第一层的指针
节点有第i层指针，那么第i+1层出现的概率为p
节点有最大层数限制，MaxLevel
计算随机层数的伪代码：
论文中的示例
Java版本
代码中包含两个变量P和MaxLevel，在Redis中这两个参数的值分别是：
2.3.2 节点包含的平均指针数目
Skip List属于空间换时间的数据结构，这里的空间指的就是每个节点包含的指针数目，这一部分是额外的内内存开销，可以用来度量空间复杂度。random()是个随机数，因此产生越高的节点层数，概率越低（Redis标准源码中的晋升率数据1/4，相对来说Skip List的结构是比较扁平的，层高相对较低）。其定量分析如下：
level = 1 概率为1-p
level >=2 概率为p
level = 2 概率为p(1-p)
level >= 3 概率为p^2
level = 3 概率为p^2(1-p)
level >=4 概率为p^3
level = 4 概率为p^3(1-p)
……
得出节点的平均层数（节点包含的平均指针数目）：
所以Redis中p=1/4计算的平均指针数目为1.33
2.3.3 时间复杂度计算
以下推算来自论文内容
假设p=1/2，在以p=1/2生成的16个元素的跳过列表中，我们可能碰巧具有9个元素，1级3个元素，3个元素3级元素和1个元素14级（这不太可能，但可能会发生）。我们该怎么处理这种情况？如果我们使用标准算法并在第14级开始我们的搜索，我们将会做很多无用的工作。那么我们应该从哪里开始搜索？此时我们假设SkipList中有n个元素，第L层级元素个数的期望是1/p个；每个元素出现在L层的概率是p^(L-1), 那么第L层级元素个数的期望是 n * (p^L-1)；得到1 / p =n * (p^L-1)
所以我们应该选择MaxLevel = log(1/p)^n
定义：MaxLevel = L(n) = log(1/p)^n
推算Skip List的时间复杂度，可以用逆向思维，从层数为i的节点x出发，返回起点的方式来回溯时间复杂度，节点x点存在两种情况：
节点x存在(i+1)层指针，那么向上爬一级，概率为p，对应下图situation c.
节点x不存在(i+1)层指针，那么向左爬一级，概率为1-p，对应下图situation b.
设C(k) = 在无限列表中向上攀升k个level的搜索路径的预期成本（即长度）那么推演如下：
上面推演的结果可知，爬升k个level的预期长度为k/p，爬升一个level的长度为1/p。
由于MaxLevel = L(n)， C(k) = k / p，因此期望值为：(L(n) – 1) / p；将L(n) = log(1/p)^n 代入可得：(log(1/p)^n - 1) / p；将p = 1 / 2 代入可得：2 * log2^n - 2，即O(logn)的时间复杂度。
Skip List跳跃列表通常具有如下这些特性
Skip List包含多个层，每层称为一个level，level从0开始递增
Skip List 0层，也就是最底层，应该包含所有的元素
每一个level/层都是一个有序的列表
level小的层包含level大的层的元素，也就是说元素A在X层出现，那么 想X>Z>=0的level/层都应该包含元素A
每个节点元素由节点key、节点value和指向当前节点所在level的指针数组组成
假设初始Skip List跳跃列表中已经存在这些元素，他们分布的结构如下所示：
此时查询节点88，它的查询路线如下所示：
从Skip List跳跃列表最顶层level3开始，往后查询到10 < 88 && 后续节点值为null && 存在下层level2
level2 10往后遍历，27 < 88 && 后续节点值为null && 存在下层level1
level1 27往后遍历，88 = 88，查询命中
Skip List的初始结构与2.3中的初始结构一致，此时假设插入的新节点元素值为90，插入路线如下所示：
查询插入位置，与Skip List查询方式一致，这里需要查询的是第一个比90大的节点位置，插入在这个节点的前面， 88 < 90 < 100
构造一个新的节点Node(90)，为插入的节点Node(90)计算一个随机level，这里假设计算的是1，这个level时随机计算的，可能时1、2、3、4…均有可能，level越大的可能越小，主要看随机因子x ，层数的概率大致计算为 (1/x)^level ，如果level大于当前的最大level3，需要新增head和tail节点
节点构造完毕后，需要将其插入列表中，插入十分简单步骤 -> Node(88).next = Node(90); Node(90).prev = Node(80); Node(90).next = Node(100); Node(100).prev = Node(90);
删除的流程就是查询到节点，然后删除，重新将删除节点左右两边的节点以链表的形式组合起来即可，这里不再画图
实现一个Skip List比较简单，主要分为两个步骤：
定义Skip List的节点Node，节点之间以链表的形式存储，因此节点持有相邻节点的指针，其中prev与next是同一level的前后节点的指针，down与up是同一节点的多个level的上下节点的指针
定义Skip List的实现类，包含节点的插入、删除、查询，其中查询操作分为升序查询和降序查询（往后和往前查询），这里实现的Skip List默认节点之间的元素是升序链表
Node节点类主要包括如下重要属性：
score -> 节点的权重，这个与Redis中的score相同，用来节点元素的排序作用
value -> 节点存储的真实数据，只能存储String类型的数据
prev -> 当前节点的前驱节点，同一level
next -> 当前节点的后继节点，同一level
down -> 当前节点的下层节点，同一节点的不同level
up -> 当前节点的上层节点，同一节点的不同level
SkipList主要包括如下重要属性：
head -> SkipList中的头节点的最上层头节点（level最大的层的头节点），这个节点不存储元素，是为了构建列表和查询时做查询起始位置的，具体的结构请看2.3中的结构
tail -> SkipList中的尾节点的最上层尾节点（level最大的层的尾节点），这个节点也不存储元素，是查询某一个level的终止标志
level -> 总层数
size -> Skip List中节点元素的个数
random -> 用于随机计算节点level，如果 random.nextDouble() < 1/2则需要增加当前节点的level，如果当前节点增加的level超过了总的level则需要增加head和tail(总level)
点击关注，第一时间了解华为云新鲜技术~