Redis统计访问量的3种实现方式

一、你是否遇到过这些统计难题？

• 高并发场景下内存爆炸：用hash统计日活时，单键内存占用飙升到10mb？
• 独立访客重复计数：用户多次访问被重复统计，导致uv数据虚高？
• 近似值误差过大：百万级pv统计时，误差率超过5%？

这些问题，redis的3种核心方案能帮你解决！

二、方案一：hash结构实时统计

适用场景：

• 实时统计独立用户（如日活/周活）
• 需要精确计数（如商品点击次数）

核心代码：

# 场景：记录用户访问时间戳（防重复计数）
pipeline.hset("user:visits:202310", user_id, time.time())
pipeline.expire("user:visits:202310", 86400)  # 每天清理一次

# 统计当前活跃用户数
current_uv = redis.hlen("user:visits:202310")

参数说明：

• hset：哈希表存储用户id和最后访问时间
• expire：自动清理过期数据，避免内存泄漏
• 痛点解决：通过时间戳去重，精确统计独立用户

内存优化技巧：

• 问题：10万用户id存储需约100kb * 10^5 = 10gb
• 方案：使用user_id:md5缩短键名，内存占用可降低至**<1mb/万用户**

三、方案二：bitmap统计独立访客

适用场景：

• 亿级用户规模的uv统计
• 内存敏感场景（如单机统计全站访问量）

核心代码：

# 场景：统计本月访问过的用户（假设用户id为整数）
user_id = 123456
redis.setbit("uv:202310", user_id, 1)

# 获取本月uv总数
total_uv = redis.bitcount("uv:202310")

参数说明：

• setbit：将用户id对应位设为1，每个用户仅占1bit内存
• bitcount：统计所有置位位数，时间复杂度o(1)

内存对比：

四、方案三：hyperloglog估算uv

适用场景：

• 超大规模近似统计（如全网日活）
• 可接受误差的场景（误差率<0.8%）

核心代码：

# 场景：统计全站日活（误差率0.5%）  
redis.pfadd("uv:202310", user_id)
estimated_uv = redis.pfcount("uv:202310")

参数说明：

• pfadd：将用户id加入hyperloglog结构
• pfcount：返回近似值，内存占用仅<1kb/百万用户

性能对比：

五、实战选择指南

对比表格：

优化建议：

• 混合方案：用hash统计小时级数据，用hyperloglog汇总日级数据
• 数据分片：对亿级用户id按user_id % n分片存储，降低单键内存压力
• 冷热分离：历史数据定期转储到mysql，redis仅保留活跃数据

六、总结

redis统计访问量的本质是内存优化+算法选型的平衡。

• 痛点场景：用bitmap解决内存爆炸，用hyperloglog应对超大规模
• 实时需求：hash结构仍是精确统计的首选

以上为个人经验，希望能给大家一个参考，也希望大家多多支持代码网。