Redis系列之HyperLogLog用法简介

迷南。 2021-09-29 15:10 507阅读 0赞

### （1）HyperLogLog简介 ###

在Redis 在 2.8.9 版本才添加了 HyperLogLog，HyperLogLog算法是用于基数统计的算法，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。HyperLogLog适用于大数据量的统计，因为成本相对来说是更低的，最多也就占用12kb内存

业务场景，HyperLogLog常用于大数据量的统计，比如页面访问量统计或者用户访问量统计

举个例子，假如要统计一个页面的访问量(PV)，这个还比较好办，可以直接用redis计数器或者直接存数据库都可以做，然后如果再加需求，现在要统计一个页面的用户访问量(UV)，一个用户一天内如果访问多次的话，也只能算一次，这样的话，你可能会想到用SET集合来做，因为SET集合是有去重功能的，key存储页面对应的关键字，value存储对应userId，这种方法是可行，可是访问量一多的话，假如有几千万访问量，那就麻烦了，为了统计一个访问量，要频繁创建SET集合对象

那有其它方法吗？针对上面大访问量的情况，redis是有实现了HyperLogLog算法，HyperLogLog 这个数据结构的发明人 是Philippe Flajolet 教授

Redis集成的HyperLogLog使用语法主要有pfadd和pfcount，顾名思义，一个是来添加数据，一个是来统计的，使用比较容易掌握，不过算法是比较复杂的，然后为什么用pf？是因为HyperLogLog 这个数据结构的发明人 是Philippe Flajolet教授 ，所以用发明人的英文缩写，这样我们也容易记住这个语法了

下面给出一些简单例子，启动redis客户端

127.0.0.1:6379> flushall
    OK
    127.0.0.1:6379> pfadd uv user1
    (integer) 1
    127.0.0.1:6379> pfcount uv
    (integer) 1
    127.0.0.1:6379> pfadd uv user2
    (integer) 1
    127.0.0.1:6379> pfcount uv
    (integer) 2
    127.0.0.1:6379> pfadd uv user3
    (integer) 1
    127.0.0.1:6379> pfcount uv
    (integer) 3
    127.0.0.1:6379> pfadd uv user4
    (integer) 1
    127.0.0.1:6379> pfcount uv
    (integer) 4
    127.0.0.1:6379> pfadd uv user5 user6 user 7 user8 user9 user10
    (integer) 1
    127.0.0.1:6379> pfcount uv
    (integer) 10
    127.0.0.1:6379>

然后用java的Jedis库来实现

加上Maven：

<dependencies>
      	<dependency>
    			<groupId>redis.clients</groupId>
    			<artifactId>jedis</artifactId>
    			<version>2.9.0</version>
    		</dependency>
      </dependencies>

写个测试类，**要先启动redis服务端**

package com.test.redis;
    
    import redis.clients.jedis.Jedis;
    
    public class RedisPFCountTest {
    	
    	public static void main(String[] args) {
    		Jedis jedis = new Jedis("127.0.0.1",6379);
    	    for (int i = 0; i < 1000; i++) {
    	      jedis.pfadd("pv", String.valueOf(i));
    	    }
    	    long total = jedis.pfcount("pv");
    	    System.out.printf("%d\n", total);
    	    jedis.close();
    	}
    
    }

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9zbWlsZW5pY2t5LmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]  
再加大数据量，这里写了10万次的统计，可以看出是有一点误差的  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9zbWlsZW5pY2t5LmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1]  
当然HyperLogLog算法一开始就是为了大数据量的统计而发明的，所以很适合那种数据量很大，然后又没要求不能有一点误差的计算，HyperLogLog 提供不精确的去重计数方案，虽然不精确但是也不是非常不精确，标准误差是 0.81%，不过这对于页面用户访问量是没影响的，因为这种统计可能是访问量非常巨大，但是又没必要做到绝对准确，访问量对准确率要求没那么高，但是性能存储方面要求就比较高了，而HyperLogLog正好符合这种要求，不会占用太多存储空间，同时性能不错

### (2) PFMERGE 用法 ###

pfadd和pfcount常用于统计，然后来个需求，假如两个页面很相近，现在想统计这两个页面的用户访问量呢？这里就可以用pfmerge合并统计了，语法如例子：

127.0.0.1:6379> PFADD test1 "apple" "banana" "cherry"
    (integer) 1
    127.0.0.1:6379> PFCOUNT test1
    (integer) 3
    127.0.0.1:6379> PFADD test2 "apple" "cherry" "durian" "mongo"
    (integer) 1
    127.0.0.1:6379> PFCOUNT test2
    (integer) 4
    127.0.0.1:6379> PFMERGE test1&test2 test1 test2
    OK
    127.0.0.1:6379> PFCOUNT test1&test2
    (integer) 5

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9zbWlsZW5pY2t5LmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]: /images/20210812/facc349d21e4498cb5ac53b973b3d9a6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9zbWlsZW5pY2t5LmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70 1]: /images/20210812/25dce50056064a748e0f5b3b42292f39.png