一、GEO查询附近的人

引入

我们所处的任何位置都可以用经纬度和维度拉标识，经度的范围 -180°到 180°，维度的范围为 -90° 到 90°。维度以赤道为界。赤道以南为负数，赤道以北为整数；经度以本初子午线（英国格林尼治天文台）为界，东边为正数，西边为负数。
Redis 在 3.2 版本中增加了 GEO 类型用于存储和查询地理位置，关于 GEO 的命令不多，主要包含以下6个：

命令	说明	语法
geoadd	添加地理位置	geoadd key longitude latitude member
geopos	查询位置信息，可看多个	geopos key member [member…]
geodist	距离统计	geodist key member1 member2 [unit]
georadius	查询某位置内的其他成员信息	geoadius key longitude latitude radius unit [WITHCOORD][WITHDIST] [COUNT [ASC/DESC]
geohash	查询位置的哈希值，可以查多个	geohash key member [member …]
zrem	删除地理位置，可以删多个	zrem key member [member …]

重点参数说明如下：

longitude 表示经度
latitude 表示纬度
member 是为此经纬度起的名字此命令支持一次添加一个或多个位置信息。
unit：统计单位
1.WITHCOORD：返回满足条件位置的经纬度信息。
2.WITHHDIST：返回满足条件位置与查询位置的直线距离。
3.COUNT：指定返回满足条件位置的个数。
4.[ASC/DESC]：从近到远 | 从远到近排序返回。

基础使用

添加地理位置
- 我们先用百度地图提供的经纬度查询工具，地址：http://api.map.baidu.com/lbsapi/getpoint/index.html
- 找了以下4个地点，添加到 Redis 中
  天安门：116.404269,39.913164
  月坛公园：116.36,39.922461
  北京欢乐谷：116.499705,39.874635
  香山公园：116.193275,39.996348
```
geoadd site 16.404269  39.913164 tiananmen
geoadd site 116.36 39.922461 yuetan
geoadd site 116.499705 39.874635 huanle
geoadd site 116.193275 39.996348 xiangshan
```
查询位置信息
- geopos site tiananmen
距离统计
- geodist site tianan yuetan km
- https://www.hhlink.com/经纬度（经纬度计算距离）校验结果
查询某位置内的其他成员信息
- georadius site 116.405419 39.913164 5 km
- 此命令的意思是查询天安门（116.405419,39.913164）附近5公里范围内的成员列表。
查询哈希值
- geohash site tiananmen
删除地理位置
- zrem site xiaoming

应用场景

查询附近的人、附近的地点等；
计算相关的距离信息。

小结

GEO 是 Redis 3.2 版本中新增的功能，只有升级到 3.2+ 才能使用，GEO 本质上是基于 ZSet 实现的，这点在 Redis 源码找到相关信息，我们可以 GEO 使用实现查找附近的人或者附近的地点，还可以用它来计算两个位置相隔的直线距离。

二、基数统计算法-HyperLogLog

基数为什么要使用 HyperLogLog?

在我们实际开发的过程中，可能会遇到这样一个问题，当我们需要统计一个大型网站的独立访问次数时，该用什么什么的类型来统计？
如果我们使用 Redis 中的集合来统计，当它每天有数千万级别的访问时，将会是一个巨大的问题。因为这些访问量不能被清空，我们运营人员可能会随时查看这些信息，那么随着时间的推移，这些统计数据所占用的空间会越来越大，逐渐超出我们能承受最大空间。
例如，我们用 IP 来作为独立访问的判断依据，那么我们就要把每个独立 IP 进行存储，以 IP4 来计算，IP4最对需要 15 个字节来存储信息，例如：
110.110.110.110。当有一千万独立 IP 时，所占用的空间就是 15 bit*10000000 约等于 143 MB，但这只是一个页面的统计信息，假如我们有1千万个个这样的页面，那么我们需要 1T 以上的空间来存储这些数据，而且随着 IP6 的普及，这个存储数字会越来越大，那我们就不能用集合的方式来存储了，这个时候我们需要开发新的数据类型 HyperLogLog 来做这件事了。

HyperLogLog 介绍

集合保存数据，会去重，无序
HyperLogLog （下文简称HLL）是 Redis 2.8.9 版本添加的数据结构，它用于高性能的基数（去重）统计功能，它的缺点就是存在极低的误差率。

HLL 特点：

能够使用极少的内存来统计巨量的数据，它只需要12 k 空间就能统计 2^64 的数据；
统计存在一定的误差，误差率整体较低，标准误差为 0.81%；
误差可以被设置辅助计算因子进行降低。

基础使用

命令	说明	使用
pfadd	添加元素，支持添加一个或多个元素至HLL结构中	pfadd key element [element …]
pfcount	统计不重复的元素，支持一个或多个 HLL 结构。	pfcount key [key…]
pfmerge	合并一个或多个 HLL 至新结构，如果已经存在新key会覆盖	pfmerge 新key 旧key [旧key…]

三、布隆过滤器

定义

我们前面有讲到过 HyperLogLog 可以用来做基数统计，但它没提供判断一个值是否存在的查询方法，那我们如何才能查询一个值是否存在于海量数据之中呢？
如果使用传递的方式，例如 SQL 中的传统查询，因为数据量太多，查询效率又低有占用系统的资源2，因此我们需要一个优秀的算法和功能来实现这个需求，这是我们今天要讲的——布隆过滤器。
开启布隆过滤器在 Redis 中不能直接使用布隆过滤器，但我们可以通过 Redis 4.0 版本之后提供的 modules （扩展模块）的方式引入，本文提供两种方式的开启方式。

作用

缓存穿透的解决方案

安装使用

	 ```linux下载并安装布隆过滤器```
git clone https://github.com/RedisLabsModules/redisbloom.git
cd redisbloom 
make	 ## 编译，编译正常执行，会在跟目录生成一个 redisbloom.so 文件。```启动 Redis 服务器```./src/redis-server redis.conf --loadmodule ./src/modules/RedisBloom-master/redisbloom.so
## 其中–loadmodule 为加载扩展模块的意思，后面跟的是 redisbloom.so 文件的目录。
## 如果有命令提示则表名 Redis 服务器已经开启了布隆过滤器。

命令	说明	使用
bf.add	添加元素	bf.add key element
bf.madd	添加多个元素	bf.madd key element [element…]
bf.exists	判断某个元素是否存在，返回1表示存在	bf.exists key element
bf.mexists	判断多个元素是否存在，返回1表示存在	bf.exists key lement [element…]
bf.reserve	设置布隆过滤器的错误率，key得是没有创建过的	bf.reserve key 错误率存储元素大小

错误率

该错误是指在判断元素是否存在的时候，如果返回0，则里面一定没有，如果返回1，不一定有
错误率越小，占用的空间就越大，200就是实际存储的值要远大于这个值准确率就会降低

四、缓存雪崩&缓存穿透

（一）缓存雪崩

定义

缓存雪崩是指在短时间内，有大量缓存同时过期，导致大量的请求查询数据库，从而对数据库造成了巨大的压力，严重情况下可能导致数据库宕机的情况叫做缓存雪崩。

缓存雪崩解决方案

1.随机化过期时间
- 为了避免缓存同时过期，可在设置缓存时添加随机时间，这样就可以极大的避免大量的缓存同时失效。
2.加锁排队
- 加锁排队可以起到缓冲的作用，防止大量的请求同时操作数据库，但它的缺点是增加了系统的响应时间，降低了系统的吞吐，牺牲了一部分用户体验。

（二）缓存穿透

定义

缓存穿透是指查询数据库和缓存都无数据，因为数据库查询无数据，出于容错考虑，不会将结果保存到缓存中，因此每次请求都会查询数据库，这种情况就叫做缓存穿透。

缓存穿透解决方案

使用过滤器
- 我们可以使用过滤器来减少对数据库的请求，例如使用我们前面所学的布隆过滤器。
缓存空结果
- 另一种方式是我们可以把每次从数据库查询的数据都保存到缓存中，为了提高前台用户的体验（解决长时间内查询不到任何信息的情况），我们可以将空结果的缓存时间设置的短一些，例如 3-5分钟。