营销型网站建设实战感想/全网营销图片

1 Geographical 地理位置

1.1 介绍

例如朋友的定位，附近的人，两地之间的距离，方圆几里的人，都可以用此数据类型实现，Geographical 数据类型在 Redis 3.2 就已经推出了。

在官方文档中，此数据类型一共有 8 个命令：

这里推荐一个查城市经纬度的网站：http://www.jsons.cn/lngcode

1.2 添加地理位置

GEOADD key [NX|XX] [CH] longitude latitude member [longitude latitude member …]

这里说个问题，我认为官方把经纬度给写反了，下面的语法提示和上面官方给出的命令结构，都是纬度在前经度在后，而当我如下，按纬度，经度来添加北京时却报错，而官方也说明了经纬度的范围，按经度在前，纬度在后就可以添加，因此很明显，我认为是官方搞错了（此条命令作为错误案例我就不改了，下面的相关命令我都将改正为经纬度的顺序）。

1.3 获取地点的地理位置

GEOPOS key member [member …]

1.4 获取两个位置间的距离

GEODIST key member1 member2 [m|km|ft|mi]

1.5 以指定经纬度为中心，找出某一半径内的元素

GEORADIUS key latitude longitude radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [COUNT count [ANY]] [ASC|DESC] [STORE key] [STOREDIST key]

1.6 查询以指定元素为中心的其他元素

GEORADIUSBYMEMBER key member radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [COUNT count [ANY]] [ASC|DESC] [STORE key] [STOREDIST key]

1.7 将二维的经纬度转换为一维的字符串

GEOHASH key member [member …]

1.8 GEO 原理：用 Zset 实现其他操作

GEO 底层实现原理就是 Zset，我们可以用 Zset 命令来操作 Geo

2 Hyperloglog

2.1 介绍

（如果允许容错的话，可以使用，Hyperloglog 有 0.81 % 的错误率）

首先说一下基数的概念，基数（cardinal number）是集合论中刻画任意集合所含元素数量多少的一个概念。比如数据集 {1, 3, 5, 7, 5, 7, 8}， 那么这个数据集的基数集为 {1, 3, 5 ,7, 8}, 基数(不重复元素)为5。 基数估计就是在误差可接受的范围内，快速计算基数。

Redis 在 2.8.9 版本添加了 HyperLogLog 结构。

Redis HyperLogLog 是用来做基数统计的算法，HyperLogLog 的优点是，在输入元素的数量或者体积非常非常大时，计算基数所需的空间总是固定 的、并且是很小的。在 Redis 里面，每个 HyperLogLog 键只需要花费 12 KB 内存，就可以计算接近 2^64 个不同元素的基 数。这和计算基数时，元素越多耗费内存就越多的集合形成鲜明对比。但是，因为 HyperLogLog 只会根据输入元素来计算基数，而不会储存输入元素本身，所以 HyperLogLog 不能像集合那样，返回输入的各个元素。

可以统计网页的 UV（User Views），因为一个人访问网站多次，也算一个 UV，有 0.81 % 的错误率，在统计 UV 中可以忽略不计。

2.2 填加元素

2.3 统计元素个数

2.4 合并两 hp 中的元素（并集）

3 Bitmaps

3.1 介绍

可用于统计用户活跃或不活跃的状态，登录或未登录的状态，打开或未打卡的状态，只要是两个状态的内容，都可以使用 Bitmaps 存储。

3.2 增加 key 及其值

SETBIT key 索引 值

（如下图，可用于记录 zlc 一周的打卡情况）

3.3 获取值

GETBIT key 下标

3.4 统计某 key 的值中 1 的个数

BITCOUNT key