目录
一 高级用法之慢查询
1.1 生命周期
配置一个时间，如果查询时间超过了我们设置的时间，我们就认为这是一个慢查询
配置的慢查询，只在命令执行阶段
客户端超时不一定慢查询，但慢查询是客户端超时的一个可能因素
1.2 两个配置
1.2.1 slowlog-max-len
- 慢查询是一个先进先出的队列
- 固定长度
- 保存在内存中
1.2.2 slowlog-max-len
慢查询阈值（单位：微秒）
- slowlog-log-slower-than=0，记录所有命令
- slowlog-log-slower-than <0,不记录任何命令
1.3 设置慢查询
# 慢查询演示
-设置慢查询--->只要超过某个时间的命令--->都会保存起来
# 设置记录所有命令
CONFIG SET slowlog-log-slower-than 0
# 最多记录100条
config set slowlog-max-len 100
# 持久化到本地配置文件
config rewrite
# 就会记录所有命令了
## 1.4 查看慢查询队列
```python
slowlog get [n]
slowlog len #获取慢查询队列长度
slowlog reset #清空慢查询队列
1.5 作用
# 有什么用，如何聊？
-公司好多项目用这一个redis实例
-最近公司发现，redis响应非常慢
-通过排查它的 慢查询-->排查出一些慢命令
-找到对应的执行项目--->位置
-避免再执行这些命令了
二 pipline与事务
2.1 什么是pipeline(管道)
Redis的pipeline(管道)功能在命令行中没有，但redis是支持pipeline的，而且在各个语言版的client中都有相应的实现
将一批命令，批量打包，在redis服务端批量计算(执行)，然后把结果批量返回
1次pipeline(n条命令)=1次网络时间+n次命令时间
pipeline期间将“独占”链接，此期间将不能进行非“管道”类型的其他操作，直到pipeline关闭；如果你的pipeline的指令集很庞大，为了不干扰链接中的其他操作，你可以为pipeline操作新建Client链接，让pipeline和其他正常操作分离在2个client中。不过pipeline事实上所能容忍的操作个数，和socket-output缓冲区大小/返回结果的数据尺寸都有很大的关系；同时也意味着每个redis-server同时所能支撑的pipeline链接的个数，也是有限的，这将受限于server的物理内存或网络接口的缓冲能力
2.2 python客户端实现pipline
import redis
pool = redis.ConnectionPool(host='10.211.55.4', port=6379)
r = redis.Redis(connection_pool=pool)
# pipe = r.pipeline(transaction=False)
#创建pipeline
pipe = r.pipeline(transaction=True)
#开启事务
pipe.multi()
pipe.set('name', 'lqz')
#其他代码，可能出异常
pipe.set('role', 'nb')
pipe.execute() # 事务的执行
2.3 与原生操作对比
通过pipeline提交的多次命令，在服务端执行的时候，可能会被拆成多次执行，而mget等操作，是一次性执行的，所以，pipeline执行的命令并非原子性的
2.4 使用建议
1 注意每次pipeline携带的数据量
2 pipeline每次只能作用在一个Redis的节点上
3 M(mset，mget….)操作和pipeline的区别
2.5 原生redis操作操作事务
# 1 mutil 开启事务，放到管道中一次性执行
multi # 开启事务
set name lqz
set age 18
exec
# 2 模拟事务 mutil +watch 模拟事务 乐观锁
# 在开启事务之前，先watch
watch age
multi
decr age
exec
# 另一台机器
multi
decr age
exec # 先执行，上面的执行就会失败(乐观锁，被wathc的事务不会执行成功)
# django+mysql实现乐观锁
# 使用python+redis实现乐观锁
https://www.cnblogs.com/liuqingzheng/p/9997092.html
三 发布订阅
3.1 角色
# 发布者发布了消息，所有的订阅者都可以收到，就是生产者消费者模型（后订阅了，无法获取历史消息）
# 设计模式的：观察者模式
3.2 模型
3.3 使用
# 发布消息，向lqz频道发送了hellowrold-->不会有人收到--->没有人订阅
publish lqz "hello world"
# 订阅消息客户端1
subscribe lqz
# 订阅消息客户端2
subscribe lqz
# 发布订阅和消息队列的区别
发布订阅，订阅者都能收到，
消息队列有个抢的过程，只有一个抢到
四 bitmap位图
4.1 位图是什么
位图是一种特殊的散列表。
申请一个大小为1亿、布尔类型（true或者false）的数组。将这1千万个整数作为数组下标，将对应的数组值设置成true。比如，整数5对应下标为5的数组值设置为true，也就是array[5]=true。
查询某个整数K是否在这1千万个整数中的时候，只需将array[K]取出来，看是否等于true。如果等于true，那说明1千万整数中包含这个整数K；相反，就表示不包含这个整数K。
不过，很多语言中提供的布尔类型，大小是1个字节的，并不能节省太多内存空间。实际上，表示true和false，只需要一个二进制位（bit）就可以了。
```python
下面是字符串big对应的二进制（b是98）
## 4.2 相关命令
```python
# 操作 比特位
set hello big #放入key为hello 值为big的字符串
getbit hello 0 #取位图的第0个位置，返回0
getbit hello 1 #取位图的第1个位置，返回1 如上图
# 设置比特位
etbit hello 7 1 #把hello的第7个位置设为1 这样，big就变成了cig
# 获取指定字节范围内，有几个1
bitcount key 0 3 # 数字指的是字节
4.3 独立用户统计
-假设有1亿用户，假设5千万活跃--->统计日活
-使用集合：大约需要200m
-使用bitmap位图：大约需要12m内存
-如果活跃用户量少，不适合用bitmap
| 数据类型 | 每个userid占用空间 | 需要存储用户量 | 全部内存量 |
|---|---|---|---|
| set | 32位(假设userid是整形，占32位) | 5千万 | 32位*5千万=200MB |
| bitmap | 1位 | 1亿 | 1位*1亿=12.5MB |
# 面试题：
redis的key值最大多少 512M
redis的string 类型vaule值最大多少 512M
五 HyperLogLog
5.1 介绍
基于HyperLogLog算法：极小的空间完成独立数量统计
本质还是字符串
5.2 三个命令
# 基于HyperLogLog算法：极小的空间完成独立数量统计，去重
# 布隆过滤器
# 具体操作
pfadd uuids "uuid1" "uuid2" "uuid3" "uuid4" # 增加值
pfcount uuids # 统计个数
# 数据不能删除单个
# 跟集合很像，但是占的内存空间很小
百万级别独立用户统计，百万条数据只占15k
错误率 0.81%
无法取出单条数据，只能统计个数
# 作用：
-爬虫去重
-黑白名单
-垃圾邮件过滤
-独立用户统计
-有个用户登录，就把用户id放到HyperLogLog中
-最后只需要统计一下 个数 就能统计出今天的活跃人数
六 GEO地理位置信息
6.1 介绍
GEO（地理信息定位）：存储经纬度，计算两地距离，范围等
# 类似于
-附近的人，餐馆，医院
-附近5km内的 xx
-我距离某个好友的距离
# 经纬度哪里来？
-前端(app,web),都是可以申请，获得经纬度的-->是前端做
-前端拿到--->调用我们的一个接口--->把经纬度传入--->存起来-->redis的geo中
-我要统计我附近5公里以内的好友
-需要我的经纬度
-我所有好友的经纬度，已经在 redis的geo中存好了
6.2 案例
geoadd cities:locations 116.28 39.55 beijing
geoadd cities:locations 117.12 39.08 tianjin
geoadd cities:locations 114.29 38.02 shijiazhuang
geoadd cities:locations 118.01 39.38 tangshan
geoadd cities:locations 115.29 38.51 baoding
# 计算两个地理位置的距离
geodist cities:locations beijing tianjin km
# 计算北京方圆 150km内的城市
georadiusbymember cities:locations beijing 90 km
# geo本质时zset类型