微服务Spring Boot 整合 Redis 实现UV 数据统计的详细过程
Bug 终结者 人气:0⛄引言
本文参考黑马 点评项目
在各个项目中，我们都可能需要用到UV数据统计功能，这样可以使我们更加方便、快捷的查看网站的活跃度！
一、HyperLoglog基础用法
⛅HyperLoglog 基本语法、命令
HyperLogLog
PFADD ：将指定元素添加到HyperLogLogPFCOUNT：返回存储在HyperLogLog结构体的该变量的近似基数，如果该变量不存在,则返回0PFMARGE：将多个 HyperLogLog 合并（merge）为一个 HyperLogLog ， 合并后的 HyperLogLog 的基数接近于所有输入 HyperLogLog 的可见集合（observed set）的并集.
详见官网： Redis 中文翻译 官方网站 HyperLogLog
⚡HyperLoglog 命令完成功能实现
PFADD命令
使用PFADD 添加数据
PFCOUNT 统计
- 得到基数值，白话就叫做去重值（1，1，2，2，3, 3）的插入pfcount得到的是3
- 可一次统计多个key
- 时间复杂度为O(N)，N为key的个数
- 返回值是一个带有 0.81% 标准错误（standard error）的近似值.
使用PFCOUNT查询
PFMERGE 合并
合并key
HyperLogLog 的应用场景
- 基数不大的、数据量不大就用不上。
- 有局限性，就是只能统计基数数量，没办法统计具体的内容
- 和BitMap相比，属于两种特定统计情况，HyperLogLog比 BitMap去重方便很多
- HyperLogLog 可以 与 BitMap 配合使用，BitMap标识那些用户活跃，HyperLogLog计数
二、UV统计 测试百万数据的统计
☁️什么是UV统计
- UV：全称Unique Visitor，也叫独立访客量，是指通过互联网访问、浏览这个网页的自然人。1天内同一个用户多次访问该网站，只记录1次。
- PV：全称Page View，也叫页面访问量或点击量，用户每访问网站的一个页面，记录1次PV，用户多次打开页面，则记录多次PV。往往用来衡量网站的流量。
通常来说 UV 会比 PV 大很多，一个网站的独立访客量 和 页面访问或点击量，肯定是独立访客大的。
UV统计在服务端做会比较麻烦，因为要判断该用户是否已经统计过了，需要将统计过的用户信息保存。但是如果每个访问的用户都保存到Redis中，数据量会非常恐怖，那怎么处理呢？
Hyperloglog(HLL)是从Loglog算法派生的概率算法，用于确定非常大的集合的基数，而不需要存储其所有值。
Redis 中的HLL 是基于string数据结构实现的，单个HLL的内存永远小于16kb， 内存极低！作为代价，其测量结果是概率性的，有小于0.81％的误差。不过对于UV统计来说，这完全可以忽略。
⚡使用SpringBoot单元测试进行测试百万数据统计
首先进入Redis 查看 内存占用
info memory
核心源码
@Test
void testHyperLoglog() {
String[] values = new String[1000];
int j = 0;
for (int i = 0; i < 1000000; i++) {
j = i % 1000;
values[j] = "user" + i;
if (j == 999) {
//发送至redis
stringRedisTemplate.opsForHyperLogLog().add("hl2", values);
}
}
//统计数量
Long count = stringRedisTemplate.opsForHyperLogLog().size("hl2");
System.out.println("count = " + count);
}执行后，如下图
再次查看内存占比
可以看出占用大约为14KB，存储上百万数据只占用了14KB数据，可见HyperLogLog的强大！
⛵小结
以上就是【Bug 终结者】对 微服务Spring Boot 整合 Redis 实现 UV 数据统计 的简单介绍，UV数据统计功能是很常用的，在项目中，是一个不错的亮点，统计功能也是各大系统中比较重要的功能，签到完成后，去统计本月的连续 签到记录，来给予奖励，可大大增加用户对系统的活跃度，HyperLogLog可以与BitMap相结合，从而能够能高效的对网站进行深层次的分析！ 技术改变世界！！！
加载全部内容