Redis的数据结构

发表于2026-04-09|更新于2026-04-09|后端

|浏览量:

Redis的数据结构

重要：Redis 为什么用跳表而不用平衡树？

https://juejin.cn/post/6844903446475177998

https://mp.weixin.qq.com/s?__biz=MzA4NTg1MjM0Mg==&mid=509777776&idx=1&sn=e56f24bdf2de7e25515fe9f25ef57557&mpshare=1&scene=1&srcid=1010HdkIxon3icsWNmTyecI6#rd

Redis的对象系统中的每种对象实际上都是基于使用场景选择多种底层数据结构实现的，比如ZSET就是基于【压缩列表】或者【跳跃表+字典】（这也跟之前排序中提到的Sort包实现的思想一样，基于数据规模选择合适的排序算法），体现了Redis对于性能极致的追求。

https://cloud.tencent.com/developer/article/1353762

文章作者: 褚成志

文章链接: https://www.chucz.asia/2026/04/09/Redis%E7%9A%84%E6%95%B0%E6%8D%AE%E7%BB%93%E6%9E%84/

Redis 数据结构

相关推荐

Redis核心数据类型的底层编码（C源码）（重要）

Redis K-V 底层设计原理：字典hashtablekey：string val：string、hash、list、set、sorted set map 就是字典，还要支持海量数据的存储，查找和插入删除（hashtable） hashtable 里面 hash(key) % hashtable.size ，最后的得到的就是[0, hashtable.size - 1] hash碰撞的时候，线性探测或者链表法。Redis 使用的是链表法注意这个hashtable里面的value的类型是五种常见类型谁都可以放，因为最后都是使用指针指向的，value的包装类里面会执行是什么数据类型。 redisDb–dict–dictht–dictEntry–redisObject Redis 渐进式rehash及动态扩容机制如图所示，扩容时机：在使用的容量是大小的一样的时候就会扩容，扩容大小：扩容的时候变为原来的2倍，渐进式迁移：新建数组之后，数据迁移的时候，一个链表上的数据是一个桶为单位转移的，不能一下全部转移会导致单线程阻塞，所以有了渐进式rehash的设计，dict字典包...

Redis的数据类型选择

String几乎所有的数据都可以使用 String 来存储。浪费存储空间，key 也是需要存储空间的管理、维护成为噩梦，Redis 中存在着大量的 KV 对象 key 冲突的几率变高（不同的业务系统共用一个 Redis 服务）常用的数据类型及其适用场景 string：应用最为广泛的数据类型，例如：计数器，session 等键值“独立〞的数据 hash：存储结构化（对象）的数据，KV 共同构成一个对象的信息 list：队列、栈、有界队列 set：去重、无序的数据集合，在类似于社交的业务功能上有广泛应用，例如：共同关注、共同喜好、数据去重 sortedset：带有权重的集合，在类似于排行榜业务上有广泛应用，且可以实现范围查找

布隆过滤器

布隆过滤器布隆过滤器由「初始值都为 0 的位图数组」和「 N 个哈希函数」两部分组成。当我们在写入数据库数据时，在布隆过滤器里做个标记，这样下次查询数据是否在数据库时，只需要查询布隆过滤器，如果查询到数据没有被标记，说明不在数据库中。第一步，使用 N 个哈希函数分别对数据做哈希计算，得到 N 个哈希值；第二步，将第一步得到的 N 个哈希值对位图数组的长度取模，得到每个哈希值在位图数组的对应位置。第三步，将每个哈希值在位图数组的对应位置的值设置为 1；查询的时****候只要有一个为 0，就认为数据 x 不在数据库中。没有的一定没有，有的也可能没有黑名单，爬虫去重只有加入和查询，不要求删除，极大减少内存，但是必须允许一定程度的失误率，会误杀好人，但是不会漏杀坏人布隆过滤器是一种数据结构，比较巧妙的概率型数据结构（probabilistic data structure），特点是高效地插入和查询，可以用来告诉你** “某样东西****一定不存在或者可能存在****”。** 如果存在那就是可能存在（hash的碰撞）如果不存在那就一定不存在相比于传统的...

Redis不同数据类型代码场景实践

string博客不好的实现12345jedis.set("key1", "value1");jedis.get("key1");jedis.del("lock_test");jedis.incr("blog_id_counter");Long key = jedis.incrBy("key", 1); 1jedis.set("lock_test", "value_test", SetParams.setParams().nx()); 12345678Long publishBlogResult = jedis.msetnx("article:1:title", "学习Redis", "article:1:content", "如何学好redis的使用", "art...

分布式锁最佳实践

在单体的应用开发场景中涉及并发同步的时候，大家往往采用 Synchronized（同步）或者同一个JVM内Lock机制来解决多线程间的同步问题。在分布式集群工作的开发场景中，就需要一种更加高级的锁机制来处理跨机器的进程之间的数据同步问题，这种跨机器的锁就是分布式锁。超卖问题复现现象存在如下的几张表：商品表订单表订单item表 :::danger 商品的库存为1，但是并发高的时候有多笔订单。 ::: 错误案例一：数据库 update 相互覆盖直接在内存中判断是否有库存，计算扣减之后的值更新数据库，并发的情况下会导致相互覆盖发生： 123456789101112131415161718192021222324252627@Transactional(rollbackFor = Exception.class)public Long createOrder() throws Exception { Product product = productMapper.selectByPrimaryKey(purchaseProductId); ...

对比 AOF 文件的内容是操作命令； RDB 文件的内容是二进制数据。 RDB 快照就是记录某一个瞬间的内存实际数据，而 AOF 文件记录的是命令操作的日志 RDB 恢复数据的效率会比 AOF 高些，因为直接将 RDB 文件读入内存就可以，不需要像 AOF 那样还需要额外执行操作命令的步骤才能恢复数据。 RDB 丢失的数据会更多，因为保存是全量快照，所以频率不能太高否则性能不好，所以会丢失更多数据 AOF 怎么用12345678910111213141516171819// redis.confappendonly yesappendfilename "appendonly.aof"# 同步方式appendfsync everysec# aof重写期间是否同步no-appendfsync-on-rewrite no# 重写触发配置auto-aof-rewrite-percentage 100auto-aof-rewrite-min-size 64mb# 加载aof时如果有错如何处理aof-load-truncated yes # yes表示如果aof尾部文件...

数据加载中