Redis是一个数据结构服务器（data structure server），其核心是提供一系列原生数据类型来帮助你解决各种各样的问题，如缓存、队列、事件处理。
本文第一章节将简要介绍每种数据类型，并提供详细教程和命令参考的链接；第二章节简单将这些数据类型分成专业化类型和通用类型两种；第三章节简单介绍了通用数据类型的特性，以帮助我们选择合适的数据类型。最后章节则讲解了如何选择我们要使用的数据类型。
参考官方文档：Data-Types、Compare-Data-Types
文章目录
- [1. 梳理Redis数据类型](#1. 梳理Redis数据类型)
- [2. 专业化/通用性](#2. 专业化/通用性)
- [3. 盘点通用数据类型的特性](#3. 盘点通用数据类型的特性)
-
- [3.1. Strings 字符串](#3.1. Strings 字符串)
- [3.2. Hashes 哈希](#3.2. Hashes 哈希)
- [3.3. JSON](#3.3. JSON)
- [3.4. Lists 列表](#3.4. Lists 列表)
- [3.5. Sets 集合](#3.5. Sets 集合)
- [3.6. Sorted sets 有序集合](#3.6. Sorted sets 有序集合)
- [3.7. Stream 流](#3.7. Stream 流)
- [4. 选择数据类型](#4. 选择数据类型)
-
- [4.1. Documents 文档](#4.1. Documents 文档)
- [4.2. Collections 集合](#4.2. Collections 集合)
- [4.3. Sequences 序列](#4.3. Sequences 序列)
1. 梳理Redis数据类型
Redis Open Source实现以下的数据类型:
-
String 字符串
字符串是Redis最基本的数据类型，表示一个二进制安全的字节序列。
-
Hash 哈希
哈希是一种记录类型，由字段-值对组成的集合。类似于Python的字典、Java的HashMap、Ruby的哈希。
-
List 列表
列表（list）是按照插入顺序排序的字符串列表。
-
Set 集合
集合（set）是无序且不重复的字符串集合。使用 Redis 集合时，你可以在 O(1) 时间内添加、删除并检验存在性（换句话说，无论集合元素数量多少）。
-
Sorted Set 有序集合
有序集合（sorted set）是一组唯一成员的集合，按照每个成员的分数进行排序。
-
Vector set 向量集
向量集是一种专门用于管理高维向量数据的数据类型，在Redis中提供了快速高效的向量相似性搜索能力。向量集针对机器学习、推荐系统和语义搜索等场景进行了优化，每个向量代表多维空间中的一个数据点。向量集支持HNSW（hierarchical navigable small world）算法，允许你根据余弦相似度度量存储、索引和查询向量。对于向量集，Redis 原生支持混合搜索，结合了向量相似度与结构化滤波器。
-
Stream 流
Redis流（stream）是一种仅追加日志类型的数据结构，按照发生的顺序记录事件，然后将其联合处理。
-
Bitmap 位图
Redis位图不是一种独立的数据类型，而是基于字符串类型的一组位操作，将字符串视为位向量。由于字符串是二进制安全的，最大长度为512MB（即512 * 1024 * 1024 * 8 = 232位），因此适合设置多达232个不同的位。
位图就像一个巨大的开关面板，每个位代表一个独立的开关状态（开/关）。例如，可以用位图记录某个月每天的签到情况，31位就能表示整个月的签到状态，非常节省空间。
-
Bitfield 位域
Redis位域允许在单个字符串值中高效地编码多个整数值（从1位到63位）。这些值以二进制编码的Redis字符串形式存储。位域支持原子的读取、写入和递增操作，使其成为管理计数器和其他数值的理想选择。
- Overview of Redis bitfields
- The
BITFIELDcommand
-
Geospatial 地理空间
Redis地理空间索引适用于在指定地理半径或边界框内查找位置。
-
JSON JSON
Redis JSON提供结构化的层次式数组和键值对象，这些都与流行的JSON文本文件格式匹配。你可以将JSON文本导入Redis对象，访问、修改和查询单个数据元素。
-
Probabilistic data types 概率数据类型
这些数据类型让你能够以近似但高效的方式收集和计算统计数据，包括以下类型：
-
HyperLogLog
Redis HyperLogLog 数据结构提供了一种概率性的方法来估计大集合的基数（即唯一元素的数量）。该实现最多使用12KB内存，标准误差小于1%。
-
Bloom filter 布隆过滤器
布隆过滤器是一种概率性数据结构，用于检查某个元素是否可能存在于集合中。它可以保证不存在的准确性，但对于存在的判断可能会有误报。
-
Cuckoo filter 布谷鸟过滤器
布谷鸟过滤器是一种概率性数据结构，用于检查某个元素是否存在于集合中。与布隆过滤器类似，但支持删除操作，并且在某些场景下性能更好。
-
t-digest
t-digest 结构用于从数据流中估算百分位数，而无需存储和排序所有数据点。它可以回答诸如"给定值小于多少比例的数据"或"p百分位的值是多少"等问题。
-
Top-K
Top-K 数据结构用于估算数据流中出现频率最高的K个元素。它特别适用于检测网络异常和DDoS攻击等场景。
-
Count-min sketch
Count-min sketch 用于估算数据流中元素的出现频率。
-
-
Time series 时间序列
时间序列数据结构允许你存储和查询带时间戳的数据点。
2. 专业化/通用性
Redis提供的数据类型中，一部分是用于特定目的高度专业化的：
-
Geospatial 地理空间：存储带有相关坐标的字符串，用于地理空间查询。
-
Vector sets 向量集：存储字符串及其关联的向量数据（以及可选的元数据），用于向量相似性查询。
-
Probabilistic data types 概率数据类型：为大型数据集提供近似技术和其他统计数据。
包含HyperLogLog、Bloom filter、Cuckoo filter、t-digest、Top-K、Count-min sketch
-
Time series 时间序列：存储实值数据点及其收集时间。
一部分则更加通用：
- Strings 字符串：存储文本或二进制数据。
- Hashes 哈希：将键值对集合存储在单个键内。
- JSON：存储结构化的层级数组和K-V键值对对象，与流行的JSON文本文件格式相匹配。
- Lists 列表：存储一组有序的简单字符串。
- Sets 集合：存储一组无序且唯一的字符串。
- Sorted sets 有序集合：存储一组唯一的字符串以及其对应的分数。
- Streams 流：存储一系列条目，每个条目包含一组字段-值对。
通用数据类型在功能上有部分重叠，你甚至可以只使用字符串类型加一点小创意，就能模拟他们。但是，每种数据类型在性能、内存占用和功能上存在不同的权衡。
专业化数据类型都有其特定的使用场景，一个专业场景下基本上就只能使用对应的专业化数据类型。
而通用数据类型则更加灵活，一个场景下可能使用数据类型A、B、C、D都能实现。因此在一个业务场景下，选择使用哪种通用数据类型反而是更需要思考的。
3. 盘点通用数据类型的特性
在学习如何选择数据类型前，我们需要先简单介绍一下这些通用数据类型的特性。
3.1. Strings 字符串
- **结构：**非结构化文本/二进制数据、简单计数器、位集、整数集合。
- **操作：**get, set, append, increment, decrement, bitwise operations.
- **适用场景：**非结构化文档、计数器、标志、位图。
字符串主要用于存储文本或二进制数据块，其内部结构将由你的应用程序管理。不过，它们也支持访问字符串中位区间的槽作，以作为比特集、整数或浮点数使用。
3.2. Hashes 哈希
- **结构：**键值对集合
- **操作：**get, set, delete, increment, decrement, query.
- **适用场景：**字段数较少的简单对象。
哈希主要用于存储字段数量较少的对象（非嵌套、不复杂）。不过，实际上哈希中的字段数量并没有真正的限制，所以你可以在应用程序中意多种不同的方式来使用哈希。
哈希的字段值是字符串类型，但Redis提供了将他们作为整数/浮点数处理的命令，并且提供了简单的算术运算操作。
你可以为单个哈希字段设置过期时间，也可以用Redis查询引擎来索引和查询哈希文档。
3.3. JSON
- 结构： 层级数组和与流行的JSON文本文件格式匹配的键值对像。
- **操作：**get, set, update, delete, query.
- **适用场景：**具有多个字段的复杂嵌套对象。
JSON提供了丰富的数据建模功能，包含嵌套字段和数组。你可以使用简单的路径语法访问JSON数据中任意子集的数据。JSON也提供了比哈希更强大、更灵活的查询引擎特性。
3.4. Lists 列表
- **结构：**简单的字符串序列
- **操作：**push, pop, get, set, trim.
- 适用场景： 队列、栈、日志、其他的线性数据结构。
3.5. Sets 集合
- **结构：**无序的唯一字符串集合
- **操作：**add, remove, test membership, intersect, union, difference.
- **适用场景：**无关联数据的唯一元素集
集合存储唯一字符串的集合。提供高效的元素检查、添加、移除操作，还支持集合运算，如并集、交集和差分。
3.6. Sorted sets 有序集合
- 结构： 唯一字符串及其对应分数的集合。
- **操作：**add, remove, test membership, range by score or rank.
- **适用场景：**带有分数的唯一元素、有序的集合。
有序结合存储唯一字符串及其对应的分数。针对基于分数的范围查询进行了优化，因此对实现优先队列和其他的有序集合非常有用。
3.7. Stream 流
- 结构： 一系列条目，每个条目包含字段-值对。
- **操作：**add, read, trim.
- **适用场景：**日志数据、时间序列以及其他仅追加结构。
流存储一系列条目，每个条目包含一组字段值对。针对追加新条目和顺序读取做了优化，因此在实现日志数据、时间序列和其他仅追加数据结构时非常有用。还内置支持了消费者组来管理多个读取者，确保至少一次送达。
4. 选择数据类型
本章节将探讨每种数据类型在特定任务中的优缺点。
需要注意的是，这些建议都是"经验法则"，而非严格的定论。因为偏好某些数据类型可能存在许多微妙的理由。
4.1. Documents 文档
通常使用字符串、哈希或者JSON类型来存储文档数据。
JSON通常对内存和处理的要求更高，其次是哈希，最后是字符串。
建议参考下面的决策树作为你选择最合适数据类型的指南：
Yes
No
Yes
No
Yes
No
Yes
No
Yes
No
需要嵌套数据结构（字段、数组），或者需要使用Redis查询引擎进行地理空间索引/查询？
JSON
需要使用Redis查询引擎进行索引和查询，且可以没有嵌套数据结构和地理空间索引？
Hashes 哈希
需要在文档的单个数据项上设置过期时间？
Hashes 哈希
需要频繁访问文档中的单个数据字段，但这些字段只是简单的整型或比特，可以通过整数索引轻松引用？
Strings 字符串
需要频繁访问文档中，包含字符串或二进制数据值的各个数据字段？
Hashes 哈希
Strings 字符串
4.2. Collections 集合
通常使用集合或有序集合来存储集合数据，对于非常简单的集合，甚至可以使用字符串。
他们都可以进行基本的元素测试，但有着不同的额外功能和权衡。有序集合的内存开销和处理需求最高；其次是集合；最后是字符串。
注意：如果你需要存储集合或有序集合中键的额外属性，可以使用辅助哈希或JSON对象，其中的字段名与集合中的键匹配。
建议参考下面的决策树作为你选择最合适数据类型的指南：
Yes
No
Yes
No
Yes
No
需要以任意顺序或字典顺序存储和检索键？
Sorted sets 有序集合
需要为每个键存储额外的信息，且不需要集合操作（交集、并集、差分）？
Hashes 哈希
键是否都是已知范围内的简单整数索引？
Strings 字符串（Bitmap 位图）
Sets 集合
4.3. Sequences 序列
通常使用有序结合、列表、流来存储字符串或二进制数据序列。它们在特定用途上各有优缺点。
建议参考下面的决策树作为你选择最合适数据类型的指南：
Yes
No
Yes
No
需要维护任意优先级顺序/字典顺序，需要频繁通过索引访问元素或者执行集合操作？
Sorted sets 有序集合
主要是按照时间戳顺序存储和检索元素，或者管理多个消费者从序列中读取？
Stream 流
Lists 列表