黄江仿做网站/网站优化公司大家好

基于Redis实现-UV统计

本文将使用HyperLogLog来实现UV统计。

首先我们搞懂两个概念：

• 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，只记录一次。
• 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，记录一次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。

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。

1.HyperLogLog(HLL)

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。相关算法原理大家可以参考：算法介绍
Redis中的HLL是基于string结构实现的，单个HLL的内存永远小于16kb，内存占用极低！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。

#1. PFADD — 添加元素到 HyperLogLog
#作用：向指定的 HLL 中添加一个或多个元素。
#返回值：1：如果至少有一个新元素被添加  0：如果所有元素已经存在（不会重复计数）
# 向 "daily_uv" 添加 3 个用户访问记录
PFADD daily_uv user1 user2 user3
(integer) 1  # 表示有新增数据# 再次添加（user1 已存在，但 user4 是新用户）
PFADD daily_uv user1 user4
(integer) 1  # user4 是新元素，返回 1
--------------------------------------------------------------------------------------------
#2. PFCOUNT — 计算基数（不重复元素数量）
#作用：返回 HLL 中近似的不重复元素数量（允许少量误差）。
#返回值：估算的基数（如 UV 数）。
# 查询 "daily_uv" 的独立访客数
PFCOUNT daily_uv
(integer) 4  # 返回近似值（实际可能是 4 或 3.96≈4）# 计算多个 HLL 的并集（如统计一周的 UV）
PFCOUNT monday_uv tuesday_uv wednesday_uv
(integer) 1250  # 返回 3 天的总 UV（去重后）
--------------------------------------------------------------------------------------------
#3. PFMERGE — 合并多个 HyperLogLog
#作用：将多个 HLL 合并成一个新的 HLL（计算并集）。
#返回值：OK（成功时返回）。
# 合并 "monday_uv" 和 "tuesday_uv" 到 "weekly_uv"
PFMERGE weekly_uv monday_uv tuesday_uv
OK# 查询合并后的 UV
PFCOUNT weekly_uv
(integer) 850  # 返回两天的总 UV（去重后）

2.使用UV统计

这里先查看此时Redis内存使用情况：

• used_memory:1485704(字节)
• used_memory_human:1.42M

我们向Redis插入100万条数据：

@Resource
private StringRedisTemplate stringRedisTemplate;
@Test
void testHyperLogLog() {// 准备数组，装用户数据String[] users = new String[1000];// 数组角标int index = 0;for (int i = 1; i <= 1000000; i++) {// 赋值users[index++] = "user_" + i;// 每1000条发送一次if (i % 1000 == 0) {index = 0;stringRedisTemplate.opsForHyperLogLog().add("Num", users);}}// 统计数量Long size = stringRedisTemplate.opsForHyperLogLog().size("Num");System.out.println("size = " + size);
}

注意：在Java中size对应PFCOUNT命令，add对应PFADD命令，union对应PFMERGE命令。

插入结果：

此时我们查看Redis的内存使用情况：

• used_memory:1500088(字节)
• used_memory_human:1.43M
  
  (1500088-1485704)/1024=14.04kb,可以看到内存使用极少！！
  因此当我们需要统计大数据量时不妨考虑考虑UV统计。