Redis 可以简单理解为：从单值缓存。到消息流、稀疏数组、全文检索、向量检索、概率统计，Redis 已经是一整套内存数据引擎。

这篇文章按最新官方命令文档整理，结构如 JSON、Search、Time Series、Bloom、Vector Set 也以官方命令文档为准。

下面不绕概念，直接看结构、命令、场景和取舍。怎么说呢，

先看选型

• 痛点：不知道该选哪种数据结构？
• 方法：根据业务场景快速匹配对应的Redis数据结构
• String这方面，单值缓存、计数器、令牌、会话、验证码、限流。
• 再看Hash，使用者资料、订单头信息、购物车摘要、字段局部更新。
• List的观点是，FIFO 队列、最近 N 条消息、操作日志尾部。
• Set这方面，去重、白名单、标签交并差集合运算。
• Sorted Set：排行榜优先级队列延时任务分数区间筛选。
• 再看Stream，可回放消息消费组重试积压处理。
• 说到Array，固定下标稀疏槽位位置映射。
• Bitmap / Bitfield：大规模布尔标记紧凑小计数器。其实，
• HyperLogLog：海量 UV 近似去重统计。话说回来，
• 说到Geo。附近门店附近骑手距离计算。
• JSON这方面，复杂文档嵌套对象局部方法更新。
• Time Series：指标传感器数据时间窗口聚合。Search全文检索标签过滤数值过滤混合查询。Vector Set:相似内容语义召回向量近邻搜索。Bloom / CMS / TopK / t-digest:近似判重热点检测频次估算分位数统计。

主要数据结构

String

痛点1:如何实现高效的单值缓存和计数器功能？

方法:
• 说明的观点是，Redis 最基础的类型。文本 JSON 串二进制整数计数器本质上都可以先落到 String。
• 说到常用命令，

  SET GET GETEX GETDEL INCR INCREX.

  SET session:user: "{\"name\":\"Alice\"。\"level\":\"vip\"}" EX
  GET session:user:
  GETEX session:user: EX
  SET order:seq
  INCR order:seq
  INCREX login:fail:user:
  BYINT UBOUND EX SATURATE
  GET login:fail:user:

• 现实场景这方面，登录会话短信验证码接口幂等 token订单流水号失败次数限流。
• 什么时候别用::字段很多经常只改其中一项时Hash更省心。

  Hash

  痛点2:如何高效管理复杂业务对象的多个字段?其实，
  方法::将一个业务对象塞进一个key里每个属性一个field.

  • 
    从常用命令来看，'HSET','HMGET'。'HGETALL','HINCRBY','HEXPIRE','HSCAN'. 

    
    Redis现在还支持字段级过期和Hash subkey notifications适合“对象局部状态”。HSET user:name Alice level vip city shanghai points
    HMGET user:name level city
    HINCRBY user:points
    HGETALL user:
    现实场景这方面，使用者资料商家信息订单头店铺配置购物车摘要。怎么说呢，再看什么时候别用。正文很大结构层级很深经常按嵌套方法改值时JSON更合适。
    
    List
    
    痛点3:如何实现有序队列和最近N条记录功能?
    
    方法:有顺序的字符串列表擅长头尾push/pop和阻塞式消费. 
    
    

  • 常用命令这方面。LPUSH RPUSH LPOP RPOP BRPOP LTRIM.

  
  LPUSH queue :pay order :order :order :
  BRPOP queue :pay :
  LPUSH feed :user :post :post :post :
  LTRIM feed :user :
  LRANGE feed :user :
  说到现实场景，简单异步队列最近浏览记录最近评论消息时间线。什么时候别用这方面，如果你需要ack重试消费组待处理消息列表直接上Stream.
  
  Set
  
  > 痛点4:> 想要较快完成集合运算和去重操作？老实说，
  
  > 方法:> 无序唯一主要价值不是“存一堆值”而是“天然去重+集合运算”. 
  
  

• > 常用命令:> SADD SISMEMBER SMEMBERS SINTER SUNION SDIFF.

SADD tag :article ::redis cache databaseSISMEMBER tag :article :: redisSADD campaign ::eligible user :: user :: user ::SADD vip ::users user :: user ::SINTER campaign ::eligible vip ::users
说到现实场景。活动参与名单黑白名单文章标签去重ID集共同兴趣人群。至于什么时候别用，如果要排序按权重打分做前N名Sorted Set更合适.

Sorted Set

> 想要排序打分或实现延迟任务？

> 方法:> 唯一成员+分数排序是Redis最常用的业务结构之一. 

• > 常用命令:> ZADD ZINCRBY ZRANGE ZREVRANGE ZREM ZUNION ZINTER.

ZADD ranking:sales sku:: sku:: sku::
ZINCRBY ranking:sales sku::
ZREVRANGE ranking:sales WITHSCORESZADD task::delay order:: order::
ZRANGEBYSCORE task::delay -inf +inf ASC
说到现实场景，销量榜积分榜直播打赏榜定时发布延时重试价格排序。说到什么时候别用，如果只是单纯membership判断没有排序需求Set更轻。

Stream

> 需要可靠的消息流处理？

> 方法:> Redis的消息流结构支持消息ID消费组pending重试和积压处理. 

• 再看常用命令。XADD XGROUP CREATE XREADGROUP XPENDING XACK XAUTOCLAIM XNACK./ul>

  XADD order_stream * orderId status created amount
  XGROUP CREATE order_stream order_group MKSTREAM
  XREADGROUP GROUP order_group worker- COUNT BLOCK STREAMS order_stream ->
  XPENDING order_stream order_group-
  -XNACK order_stream order_group FAIL IDS -
  说到现实场景，订单异步处理发票队列退款任务库存同步物流状态流.
  再看什么时候别用，如果只是“在线时收到一下就行”不要求补发和重试Pub/Sub更轻.
  
  Array
  
  > 想管理固定下标但允许稀疏槽位的数据？
  
  >方法< Array适合“按固定下标访问但又允许稀疏槽位”的数据元素类型是字符串目前官方仍标注为preview.
  常见问题及回答
  ARSET seatmap::bus:: A1 A2 A3
  ARSET seatmap::bus:: A6
  ARGET seatmap::bus::
  ARGET seatmap::bus::
  ARLEN seatmap::bus::
  ARCOUNT seatmap::bus::
  ARINFO seatmap::bus::
  实际应用场景
  客运影院选座停车位编号快递柜格口仓库货位固定编号状态表.
  注意事项
  如果元素本身还是复杂对象需要嵌套字段和条件更新JSON通常更顺手.
  Bitmap
  >想高效管理布尔值或进行批量标记吗?，?，?，?，?，?，?，?，Solution Bitmap不是独立引擎本质是String把它当bit数组来使用.
  Common commands SETBIT GETBIT BITCOUNT BITOP.
  Example SETBIT checkin:::-- SETBIT checkin:::--
  GETBIT checkin:::-- BITCOUNT checkin:::--
  Real scenarios Sign in is read have opened features ads have seen risk control hit marking.
  When not to use User ID is very discrete offset range is extremely large time Bitmap may waste space.
  Bitfield
  >想把一个字符串切成很多小整数字段?按理说，Solution If Bitmap fits for storing boolean values Bitfield fits for storing multiple small integer fields in a string.
  Common commands BITFIELD BITFIELD_RO.
  Example BITFIELD ad_freq_user_ INCRBY u8 _BITFIELD ad_freq_user_ INCRBY u8 _BITFIELD ad_freq_user_ GET u8 _ GET u8 _
  Real scenarios Same users exposure count of multiple pages small counter slots compact status bits packed.
  When not to use Fields often add delete modify names need readability time Hash more directly.
  
  HyperLogLog
  至于**问题**。如何使用极少内存进行大规模UV统计？**方法**这方面，HyperLogLog提供了近似UV统计能力。误差率控制在±0.81%以内。**关键特性**：
  - 高效空间利用
  - 支持并集操作
  - 不保留原始数据，只保留统计结果
  **示例代码**：
  bash
  PFADD uv:set date1,date2。date5 ...
  PFCOUNT uv:set # 查询估算值
  PFMERGE uv:set_all uv:set,uv:set # 跨天累加UV统计
  **实际使用**：日UV周UV活动触达人群广告去重曝光人群。**替代建议**：若需精确名单或完整明细，应采取其他精确去重方法。
  
  Geo
  **问题**的观点是，如何快速查找附近资源？**解决方法**：Geo功能基于经纬度建立空间索引，提供距离查询与范围搜索能力。**主要指令**：GEOADD GEODIST GEOSEARCH GEORADIUS GEPOS ...
  **技术参考示例**：
  bash GEOADD driver_online lat1,lon1 driver_id1 lat2,lon2 driver_id2 ...
  bash GEORADIUS driver_online lat。lon radius UNIT km WITHCOORD # 获取周边驱动
  bash GEODIST driver_online driver_id1 driver_id2 # 驱动之间距离
  **典型使用情境**：附近门店附近骑手就近服务网点。**非推荐情况**：复杂多边形GIS分析需专业地理引擎支撑。
  
  JSON
  
  
  挑战描述： 需要灵活管理嵌套复杂的业务对象？
  
  技术策略： 原生JSON支持让您直接在Redis中操作JSON方法而无需反序列化全量内容。
  
  主要教程:
  
  
  属性增删修改通过$.path语法精准定位
  
  支持浮点运算NUMINCRBY等操作函数式编程特性FCALL
  
  
  
  示范演示:
  json {
  "title":"产品名称"。"tags":,"inventory": {
  "count":99,"min_level":50,"max_level":999 }
  }
  
  实际应急情境: 商品详情CMS内容块动态配置带嵌套关系的业务对象。
  
  风险提醒: 高频热点更新或原子性要求较强时考虑拆分关键属性至其他结构调整性能响应速度。
  
  
  Time Series
  
  
  开发瓶颈: 高频时间戳+数据采样需要哪些调整技巧？
  
  程序架构: TSDB专注于时间窗口聚合与自动过期策略设置RETENTION参数控制生命周期。
  
  技术参考:
  
  
  TS.CREATE key RETENTION sec
  
  TS.ADD key timestamp value
  
  TS.RANGE key start end AGGREGATION avg|max...
  
  
  
  典型代码片段:
  lua -- CPU温度监控示例 TS.CREATE cpu_temp RETENTION -- 天 TS.ADD cpu_temp * -- 自动填充当前时间 TS.RANGE cpu_temp now-60 now AGGREGATION avg INTERVAL --
  
  主要价值: 指标传感器事件支付成功率库存波动等需时间轴关联追踪的一致抽取方法论。
  
  避坑教程: 若包含非纯时间戳元素请勿强行拼装至该类型可能影响后续聚合维度拓展能力设计冲突风险较高建议拆表处理特殊属性维护独立通道保证纯净度原则满足后续多维分析需求自由度最大化利益最大化投入产出比ROI提高显著可见尤其对于中长期规划发展影响比较长远不可忽视其关键影响力所在未来价值潜力无限值得进一步了解研究学习掌握...
  
  
  Search
  
  懒得写SQL?Redis Search帮你搞定!说起来，
  
  作为开发者你一定遇到过这些烦恼:
  ❌ 全文字段难以匹配?怎么说呢，✅ FT.SEARCH带你飞!说起来，❌ 数据越来越多查询越来越慢?✅ 混合查询帮你提速，❌ 聚合结果总不对劲?✅ FT.AGGREGATE给你答案!
  
  五分钟找到关键功能:
  
  从基础建模来看，
  
  FT.CREATE idx_product ON HASH PREFIX product:* \
  SCHEMA title TEXT price NUMERIC tags TAG stock NUMERIC weight NUMERIC ...
  
  至于弹性搜索，
  
  FT.SEARCH idx_product "@title:" \
  FILTER "@stock:" RETURN title price LIMIT ...
  
  再看深度聚合。
  
  FT.AGGREGATE idxproduct "@price:" \
  GROUPBY tags AS category \
  SU娱乐OUNT REDUCE SUM AS totalprice ...
  
  再看生产级建议，
  
  🔍 对于高并发环境建议创建副本读写分离调整负载均衡程序响应延迟降低至毫秒级体验获得明显提高满意度明显调整！
  
  📊 大规模部署推荐基于Cluster架构水平
  能力弹性伸缩满足公司级增长需求保障服务连续可靠安全可控环境健康稳定！
  
  💡 注意权衡精确度vs资源占比选择恰当调参达到最佳平衡收益最大化投入有效节约成本创造更大价值输出！
  
  Vector Set
  
  🔥 引爆AI时代!Redis Vector带你玩转相似推荐!
  
  🤖 AI/ML工程师必备技能包!✨ 快速找到相似商品/内容/语义召回！🧠 原生支持向量检索，无需外接专门服务！
  
  🚨 主要困惑：
  
  Q:"我怎么才能快速搭建相似推荐程序？"
  A:"Vector Set就是答案！"
  
  Q:"我的AI模型输出怎么办？"
  A:"直接VADD进来！VSIM就给结果，"
  
  🛠️ 三步上云：
  
  ① 准备向量:
  ② 插入:VADD my_set VALUES @embedding FOR product_1
  
  ③ 查询:VSIM my_set ELE @query_embedding KNN COUNT WITHDISTANCE
  
  ⚙️ 内核机制：
  
  • 基于LSH算法调整超大规模相似搜索！• 支持余弦距离/L2距离两种方式！• index_structure参考不同数据分布！
  
  ⚠️ 注意事项：
  
  不要混淆精确过滤与相似检索两种不同需求！前者请继续使用Search！避免频繁删除操作影响index质量导致结果不稳定！初始batch_size设置太小会影响首次index效率尽可能一次load足够多数据！
  
  Bloom Filter
  
  ☣️ 防止程序崩溃!快速判断"这个元素存在吗?"
  
  🧬 原子科技背后简单易懂!按理说，
  
  ◼️ 一秒记住三个关键词:
  • 小内存 • 快判断 • 有误差
  
  🛠️ 典型代码片段:
  
  // 初始化
  BF.RESERVE myfilter items errorrate bitsperitem bytesused estimateditemswitherrorrate estimatedmemoryinmb estimatedmemoryinkb...
  
  // 添加元素
  BF.ADD myfilter itema itemb...
  
  // 检查存在
  BF.MQUERY myfilter itemx itemy... → 
  
  🧪 应急预警程序必备!
  
  ⚠️ :
  绝不能依赖它做真正"不存在"决定!避免预分配错误导致误判率飙升!不过，删除功能仅针对部分版本CuckooFilter更全面!
  
  Count-Min Sketch
  
  📊 海量监控中发现热点?不过，CMS助你精准捕获!
  
  ℹ️ 三分钟理解原理图:
  
  
  → →
  ↓
  →
  
  
  ♻️ 生产环境调优教程:
  
  ✅ 建议width/depth≥8×4以上才有意义!⚠️ 较小scale导致严峻偷渡漏报问题!ℹ️ memory≈width×depth×4bytes
  
  💡 带宽敏感环境注意事项:
  
  ▶ 集中增删容易导致瞬间网卡!▶ 分散添加防止短暂负载暴涨!▶ 小心超高并发竞争lock争夺资源!
  
  Top-K
  
  🔥 推荐程序必备!把Top-K变得轻松愉快~
  
  🧪 原理解析与图示演示:
  
  
  ——→
  ↙ ↙ ↙ ↘ ↘ ↘...
  ——→
  ↑ ↑ ↑ ↙ ↙ ↙...
  ←←←← ← ← ←←←← ← ← ← ←←←← ← ← ←...
  top-k elements + ir counts/frequencies!
  
  ☁︎ 生产环境配置参考:
  
  ① 初始reserve阶段必须至少设置capacity≥k×log!否则会陷入不断rebuild循环浪费CPU资源！其实，② 预估accuracy≈sqrt!超过此范围则需要增加容量或者降低k值达到平衡状态！③ 最好一次init足够memory!后续add不会主动申请新空间造成碎片严峻！
  
  ⛔ 特殊情况警报机制设置：
  
  ■ 大批新元素突然进入会破�estructure!监控eviction ratio超过某阈值立即触发报警进行干预修复工作保证服务正常运行可靠安全有效防止故障发生事故出现损失巨大不可挽回遗憾终身难忘教训深刻永远铭记...
  
  t-digest
  
  📈 数据科学利器!一目了然看清各百分比分布情况~
  
  ℹ︎ 初学者必知三原则：
  
  ★ 较小sample size会导致较差quantile accuracy!★ 压缩程度决定precision vs size tradeoff!★ delta parameter默认设置已经足够多数据!
  
  ♻ 生产环境调优资料:
  
  ▶ 建议delta≤maxsamplesize^!▶ 对于正态分布样本delta可以更大!▶ 压缩层级通常在bitstoallocate范围!
  
  🧰 Redis 的关键特性总览 🧰 ### TTL & Expiration Management ☣︎ 超时自毁兵团报到！bash EXPIRE otp_code MINUTES // 自毁验证码 TTL lock_key SECONDS // 棄子争先 SETEX draft_order TIMEOUT "{...}" // 草稿箱 ⚡ 性能杀手锋芒毕露！▶ 动态TTL更新引起clock drift ⚠ 分片cluster各自通知 ### Transaction & WATCH Mechanisms ☣ 警告！简易乐观锁机制~ java WATCH inventory MULTI DECR inventory IF ) { COMMIT } ELSE { UNWATCH } ROLLBACK ℹ 注意事项清单 ◼ pipeline vs transaction区别 ◼ exec失败全部abort ◼ watch释放方式选择 ### Lua Scripting & Functions ✍ 清爽干脆写脚本吧~ lua local stock = tonumber) if stock>= n redis.call return else return end EVALSHA sha script_keys ... FCALL func_name args ... FDELETE func_name FSET func_name source FLSE name file FLOAD file name FLINFO name -- 查看已注册函数信息 FLDROP name -- 清除已注册函数