Redis不只是缓存:五大数据结构的高并发实战场景

Redis数据结构分布式锁
于 2026-10-29 04:13:04 修改
·本内容遵循CC 4.0 BY-SA版权协议

Redis 不会只当缓存用的,它那五个数据结构,每一根都硬邦邦的。我最早接触 Redis 的时候,跟大多数人一样,GET、SET、EXPIRE 三板斧,不就是个带超时时间的 HashMap 嘛,K/V 缓存嘛,存个验证码、存个 token、顶多加个布隆过滤器挡一下穿透,仅此而已。直到有一次做活动,线上流量把数据库拖垮了,缓存的缓存击穿、缓存雪崩连环暴击,我被迫去翻 Redis 的底层数据结构源码,才发现这东西的定位根本不是"缓存中间件",而是一个内存数据结构服务器。它给你的不是一个简单的字典,而是 String、List、Hash、Set、ZSet 这五套自带操作原语的数据结构,你完全可以用它去实现分布式锁、延迟队列、排行榜、附近的人、UV 统计、消息队列、全局 ID 生成器……全都是在内存里完成的,快到你根本不需要去依赖那些额外的中间件。

说白了,Redis 是一个披着缓存外衣的数据结构服务器。同一个 Redis,有人用它扛住了双十一的流量,有人用它实现了 B 站风格的弹幕系统,还有人只是把它当成 MySQL 前面的挡箭牌。这两种做法之间的差距,不在于 Redis 本身,而在于你是否真的吃透了它的数据结构。下面这 10 个场景,是我在真实项目中验证过不止一遍的,涵盖了高并发抢购、实时排名、分布式会话、毫秒级统计、地理位置检索等大半个后端开发的硬需求,你挨个看完,应该会发现系统的很多瓶颈,其实根本不用加机器,把 Redis 的姿势换个角度就化解了。

1. 先聊思路:为什么 Redis 能玩出这么多花样

1.1 五大基础数据结构对应的核心问题域

聊场景之前,得先把 Redis 的"内功心法"摆出来。很多人把 Redis 当成一个大号的 Map,这是对的,但又不全对。Redis 的真正威力在于,它的 Value 本身就是有"形状"的,每一种形状都对应着一类经典问题:

  • String(字符串):不只是缓存字符串,还能自增自减(INCR/DECR),所以它能做计数器、限流器、分布式 ID、库存扣减。
  • List(列表):双向链表,支持头尾插入弹出,天然适合做消息队列的轻量版(LPUSH + BRPOP),也适合做时间线、操作日志等"先进先出后进先出"的场景。
  • Hash(哈希):相当于嵌套的 Map,特别适合存对象字段,比如用户信息、商品信息、购物车,避免了反复 JSON 序列化整个对象的浪费。
  • Set(集合):无序去重,天然支持求交集、并集、差集,适合做标签系统、共同好友、好友关注关系。
  • ZSet(有序集合):每一个元素带一个 score,按分数排序,这是 Redis 里最"作弊"的数据结构,排行榜、延迟队列、滑动窗口限流全靠它。

所以,你看,同一个 Redis,只要你把这五根"柱子"用对了,它就不只是一个缓存层,而是一套轻量级的内存计算引擎。

1.2 从"缓存思维"到"数据结构思维"的转变

这里我建议你做一个思想实验:你现在要做一个抽奖活动,用户签到、做任务、消耗积分,然后可以参与抽奖。如果是"缓存思维",你会怎么设计?把用户信息、积分、签到记录全部都塞进各种奇怪的 Key 里,然后自己写一堆业务逻辑去串。但如果是"数据结构思维",你会怎么设计?

  • 用户积分用一个 ZSet 维护,score 就是积分值,天然就能按积分排行。
  • 用户签到用一个 String 按天做 bit 位(比如 sign:20250101),每天的 bit 位记录签没签。
  • 抽奖记录用一个 List 做流水,或者用 Set 做去重防止超抽。

你会发现,结构即业务。当你的数据以最合适的结构存在时,很多"算法"和"业务逻辑"其实就是 Redis 自带的一个命令而已。这就是我把这些场景串起来的思路——不是给你讲 10 个孤立的技巧,而是让你把这五大数据结构当成一套工具箱,看到什么业务问题,脑子里第一反应是"这能用哪个 Redis 结构来解决"。

2. 高并发硬仗:分布式锁与限流

2.1 分布式锁:从 setnx 到 Redisson 的完整演进

先讲分布式锁,这是 Redis 在企业级项目里最被低估的使用场景之一。为什么需要分布式锁?因为你一旦上了多实例、多服务节点,JVM 自带的 synchronized 就锁不住了——每个实例都有自己的一把锁,根本不可能互斥。这时候就需要一个所有实例都能访问的"中央锁",Redis 就是最自然的选型。

最原始的姿势是 SETNX(SET if Not eXists)命令:如果 Key 不存在就设置成功,返回 1;如果存在就设置失败,返回 0。这个命令单看没什么问题,但实操中坑一堆:假如线程 A 拿到锁之后处理业务,处理到一半进程发生了 GC 停顿、网络延迟,锁一直没释放,其他线程全卡死。于是大家开始加超时时间,SET key value NX EX 30,意思是 30 秒必须放锁。但新的问题又来了:如果线程 A 的业务逻辑超过 30 秒,锁自动释放了,线程 B 抢到锁开始执行业务,这个时候线程 A 终于执行完了,它又手动执行 DEL 把锁删了——这就会导致线程 B 的锁被线程 A 误删,两个线程同时进入了临界区,互斥性彻底失效。

解决误删的办法很经典:在 Value 里存放一个唯一标识(比如 UUID),删除之前先 GET 一下,看看是不是自己的锁,是自己的才删。但你再仔细一想,"GET + 判断 + DEL"这三个操作并不是原子的,中间依然有被穿插执行的窗口。正确做法是引入 Lua 脚本来保证原子性:

LUA
if redis.call("GET", KEYS[1]) == ARGV[1] then
return redis.call("DEL", KEYS[1])
else
return 0
end

这个 Lua 脚本在 Redis 服务端是一个原子操作,不会被打断。你以为到这算完了?还早。如果是 Redis 主从架构,线程 A 在主节点拿到了锁,主节点还没来得及同步到从节点就宕机了,从节点顶上成了新的主节点,锁信息丢失,线程 B 再来 SETNX,照样能拿到锁——互斥性再次被突破。Redis 官方对此给出的方案叫 RedLock(红锁算法),意思是你得部署多个完全独立的 Redis 节点,加锁的时候要向超过半数的节点同时加锁,才算加锁成功。但这个方案在业界一直有争议,因为它在极端场景下依然不是"绝对安全"。

所以我的个人建议是这样的分层策略:

  • 业务允许偶发重叠(比如有些非关键任务、异步补偿),直接用 Redis 单节点锁 + 超时时间 + 唯一标识 + Lua 释放,简单高效。
  • 业务绝对不允许重叠(比如发放余额、扣减库存),不要过度依赖 Redis 锁,改用数据库乐观锁或 ZooKeeper 临时顺序节点,配合事务,保证最终正确。
  • 如果一定用 Redis 且业务要求较高,直接上 Redisson 客户端。它封装好了看门狗机制——如果你的业务没执行完,它会自动帮你续期锁,类似"护锁线程",避免锁提前过期的问题。

我们团队真实遇到过一个问题:锁过期时间设置得太短(10 秒),导致大量任务并发失败。后来换了 Redisson,它的看门狗默认 30 秒做一次续期,直接解决了这个痛点。还有一次是锁粒度过粗,一个用户的所有操作共用一个写锁,导致请求排队严重,当时把锁粒度从"用户级"降到"账户级"、甚至"订单级",性能才彻底释放。分布式锁的粒度设计,很可能比锁本身更重要。

2.2 限流实战:基于计数器的滑动窗口实现

前面说的是"锁",现在讲"闸"——限流。限流的核心思想是控制单位时间内的请求量,防止热点事件把后端冲垮。用 Redis 实现限流,最原始的方式是固定窗口:用 INCR + EXPIRE,比如一个用户 1 分钟最多 100 次请求。

TEXT
key = user:rate:limit:1024
INCR key
EXPIRE key 60
如果自增后的值 > 100,则拒绝请求

这个方案有一个著名的"临界点问题":第 59 秒来了 100 个请求,第 61 秒窗口重置后又来了 100 个请求,跨窗口瞬间实际是 200 个请求通过了。所以固定窗口限流在大流量下并不严谨。

更严谨的做法是滑动窗口:用 ZSet 记录每次请求的时间戳,然后每次都去统计"当前时间往前数 60 秒内"的请求数。伪代码如下:

LUA
-- 滑动窗口限流
local key = KEYS[1] -- 用户限流 Key
local now = tonumber(ARGV[1]) -- 当前时间戳(毫秒)
local window = tonumber(ARGV[2]) -- 窗口大小,比如 60000ms
local limit = tonumber(ARGV[3]) -- 最大请求数
 
-- 移除窗口外的过期记录
redis.call('ZREMRANGEBYSCORE', key, 0, now - window)
-- 统计当前窗口内请求总数
local count = redis.call('ZCARD', key)
 
if count < limit then
redis.call('ZADD', key, now, now .. '-' .. math.random(1000000))
-- 设置过期时间,避免 Key 残留
redis.call('PEXPIRE', key, window)
return 1
else
return 0
end

这个方案统计精确,能够避免固定窗口的临界点问题,同时用 PEXPIRE 保证不用的 Key 自动清理掉。当然,ZSet 的每一个请求都会存一条记录,大流量下内存消耗不小。如果对内存要求高,可以退一步用多个桶(比如每秒一个桶,按秒做 INCR),把精度从 1 分钟降到 1 秒,用更多 Mem 换精度,这也是我常用的折中方案。

实际踩坑提醒一下:

  • 记得给 Key 设置过期时间,否则用户量一大,Redis 里全是废 Key,内存爆掉。
  • 限流和"负载保护"不同,它需要返回值告诉调用方"你被限流了,请重试",而不是让调用方直接超时。
  • 生产环境不要用 INCR 之后判断是否大于阈值,而应该用 Lua 脚本把"检查+自增+判断"拉成一个原子操作,防止并发下超发。

3. 统计类场景:HyperLogLog、位图与排行榜

3.1 用 HyperLogLog 做 UV 统计,12KB 撑起千万级去重

我做活动平台的时候,流量最大的一块需求就是 PV/UV 统计。PV 好说,一个 Redis 计数器就搞定了,INCR 完事。但 UV 有一个去重逻辑——同一个用户在 24 小时内多次访问只能算一个 UV。如果用户量是百万级甚至千万级,你把每个用户 ID 都存进一个 Set 里去重,内存分分钟爆炸。这时候就该 HyperLogLog 登场了。

Redis 提供 PFADD 和 PFCOUNT 两个命令。

BASH
PFADD uv:2025:01:01 user_1001 user_1002 user_1003
PFCOUNT uv:2025:01:01

HyperLogLog 的底层原理是"概率计数",它用极小的固定内存(每个 Key 大约 12KB)来估算一个集合中的唯一元素个数,标准误差为 0.81%。这是什么概念?1 亿个 UV 的数字,估算出来可能是 9900 万,也可能是 10100 万,对于大多数运营报表来说完全够用。而且它支持多 Key 合并(PFMERGE),可以很方便地把一周的数据合并成一个月的汇总。

当然要分场景:如果统计结果是直接用钱结算的(比如广告曝光计费),那还是老老实实上 Set 精确统计,别用概率结构挑战财务底线。如果是给运营看趋势、看量级的,直接上 HyperLogLog,性价比无敌。

3.2 位图实战:签到统计与亿级在线状态

位图这个场景知道的人少,但杀伤力极大。Redis 的 String 底层是一个字节数组,你可以用 SETBIT/GETBIT 命令操作二进制位。比如做一个用户签到功能,一年 365 天,你只需要 365 个 bit,大约 46 个字节,就能记录一个用户一整年的签到记录。一亿个用户一年的签到记录,总内存只有 4.6GB,而且查询某一天有没有签到是 O(1) 的复杂度。

具体设计:

BASH
# 第 100 位标记为 1,表示用户在今年的第 100 天签到了
SETBIT sign:10001 100 1
# 查询用户第 100 天是否签到
GETBIT sign:10001 100
# 统计用户今年签到总天数
BITCOUNT sign:10001

除了签到,位图还能做亿级用户在线状态管理。每个用户对应一个 bit,0 表示离线,1 表示在线,SETBIT online:20250101 12345 1 标记用户上线,BITCOUNT 就能实时统计全站在线人数。我之前给一个大后台做过这个功能,以前用 MySQL UPDATE 更新在线状态并发扛不住,换位图之后,统计从分钟级变成毫秒级,内存开销还小得恐怖。

3.3 排行榜:Sorted Set 就是为这事生的

排行榜可能是 Redis 用得最爽的场景。ZSet 的每个元素带一个 score,Redis 会自动按分数排序,天然支持排行榜。以游戏排行榜为例:

BASH
# 玩家 1024 初始分数 1000
ZADD rank:game:2025 1000 1024
# 每赢一局加 10 分
ZINCRBY rank:game:2025 10 1024
# 获取 TOP 30
ZREVRANGE rank:game:2025 0 29 WITHSCORES
# 获取玩家当前排名
ZREVRANK rank:game:2025 1024

排行榜有一个经典问题:如果分数相同怎么办?你想让"分数相同的人,先达到这个分数的人排在前面",一个常见技巧是把 score 变成一个小数:整数部分是分数,小数部分是时间戳的倒序。比如分数 1000、达成时间戳 1700000000,那么你存的 score 可以用 1000.999999999 这样的组合(具体精度需要按业务调)。还有一种方案是 ZINCRBY 加分后,再维护一个"达成时间"的 ZSet,前端同时读两个榜单,按分数排序后再按时间排序。两种方案各有优劣,但都能解决"并列排名"的展示问题。

再提一句,排序在百万级数据时性能依然极好,因为 Redis 的跳表(skip list)结构,增删改查几乎都是 O(log N) 级别,这是 MySQL 的 ORDER BY 在实时榜单场景下完全无法比拟的。

4. 业务功能场景:GEO、延迟队列与轻量消息队列

4.1 GEO:附近的人、门店推荐与配送调度

Redis 3.2 引入了 GEO 功能,底层实现还是基于 ZSet,但它直接封装了地理解析和距离计算,用起来极其顺手。你可以用 GEOADD 把一批门店的位置丢进去,然后用 GEOSEARCH(Redis 6.2 版本新命令,比旧版 GEORADIUS 更准确)查找附近指定半径内的门店。

BASH
GEOADD store:loc 116.397128 39.916527 "store_a"
GEOADD store:loc 116.410886 39.880833 "store_b"
# 查找北京西站(116.322, 39.894)5 公里内的门店,并按距离从近到远排
GEOSEARCH store:loc FROMLONLAT 116.322 39.894 BYRADIUS 5 km ASC

这个功能的经典应用不只是"附近的人",还包括外卖的"附近商家"、共享单车的"附近空闲车辆"、快递的"配送路线规划"。需要注意一点:GEO 的经纬度都是用户输入的,存在脏数据很可能导致距离计算失真,所以写入时要做好边界校验。另外,如果要支持大规模的"实时车辆位置更新",你不能随意 ZREM 然后再 GEOADD,因为频繁的写操作会导致跳表提前旋转,性能下降。更好的做法是批量写入、降低更新频率。

4.2 延迟队列:订单超时自动取消与定时任务调度

延迟队列是一个被我低估了很久的场景。需求长这样:用户下单后 15 分钟未支付,系统自动取消订单;视频发布后 1 小时自动转码;活动开始前 30 分钟给所有参与者发送提醒。这类"延时任务"从实现方式上讲,无非是三种路线:

  • 用定时任务轮询数据库,缺点:DB 压力大、延迟不精确、积压任务多了会变成对 DB 的轮询轰炸。
  • 用消息队列的延迟消息(比如 RabbitMQ 的 TTL + 死信队列),需要额外引入组件。
  • 用 Redis 的 ZSet 实现延迟队列,性价比最高。

用 ZSet 实现的思路很简单:score 存放任务执行的时间戳,value 存放任务内容。然后启动一个轮询任务,每秒查一次 ZSet 中 score 小于等于当前时间的记录,取出并执行。伪代码如下:

LUA
-- 放入延迟任务
ZADD delay_queue 1739779200000 "order:10086"
 
-- 轮询取出到点的任务
ZRANGEBYSCORE delay_queue 0 1739779201000 WITHSCORES LIMIT 0 10
DEL delay_queue member -- 取出的同时删除,防止重复消费

这套方案的优点是不需要额外引入中间件,直接用现有的 Redis 就能搞。但有几个坑你要注意:

  • 如果你只用一个 Redis Key,并发消费时要小心多个 worker 同时取出同一个任务。我用 ZREM 的返回值来判断:ZREM 返回 1 表示当前 worker 抢到了,返回 0 表示任务已经被其他 worker 拿走了。
  • 轮询间隔不要太短,否则 Redis 会被无意义的空查询打满。一般 1 秒轮询一次就够,如果想精确到毫秒级,再考虑引入更专精的延迟队列中间件。
  • ZSet 里的 value 建议放一个 JSON 序列化后的任务 DTO,并包含任务唯一 ID、业务参数、重试次数,方便失败后重新投递。

我们在做订单超时场景时,实测用这个方案处理了日均千万级的延迟任务,Redis 实例的 CPU 使用率依然很低,而且代码量比引入新中间件少了一个数量级。

4.3 Stream 与 List 做消息队列的取舍

聊到消息队列,很多人第一反应是 Kafka 或 RabbitMQ,但别忘了 Redis 本身就提供了 List 类型的阻塞队列原语。LPUSH + BRPOP 就是一套最简单、最可靠的生产者-消费者模型。

BASH
# 生产者
LPUSH task:queue <json_task>
# 消费者,阻塞读取,超时时间 10 秒
BRPOP task:queue 10

这套方案的优点是一个命令就能实现消息的入队与消费,且天然支持 FIFO(先进先出),如果你只是想要一个轻量的任务队列,不要求消息不丢失、不要求精准消费,那这已经够用。但注意,它有一个致命弱点:一旦消费者崩溃,从 List 里弹出的消息就永久丢失了,因为 BRPOP 是"弹出即删除"。如果你需要消费确认、消息回溯、消费者组的能力,必须上 Redis 5.0 推出的 Stream。

Stream 是 Redis 官方的消息队列,提供了 XADD、XREADGROUP、XACK 等命令,支持消费者组(多个消费者分摊消息、支持消息 ACK),支持消息持久化(配合 RDB/AOF),还支持 PEL(Pending Entries List,待处理消息列表)来处理消费失败。我在项目里用过 Stream 做过一个中等规模的告警消息通道,整体比 List 放心很多,因为你可以明确知道哪些消息被谁消费了、哪些卡在 PEL 里等重试。

做个简单的选型表给你参考:

方案 优势 劣势 适合场景
List + BRPOP 简单直接,无额外学习成本 消息无 ACK 机制,消费端崩溃会丢消息 日志收集、内部任务调度、数据上报
Redis Stream 支持消费者组、消息确认、持久化 需要 Redis 5.0+,客户端 API 稍重 较大体量任务分发、可靠消息投递
Kafka / RabbitMQ 高吞吐、持久化、多副本、生态完善 需要独立部署,运维成本高 企业级数据管道、核心交易消息

这里我想强调一个容易被忽视的点:Redis 的 List 和 Stream 都不适合保存无限增长的消息流。这些数据是存在内存里的,如果生产速度一直大于消费速度,内存会持续膨胀。所以要么控制消息的 TTL,要么定期清理,要么干脆换 Kafka。Redis 官方也有提醒,它定位是低延迟的"轻量中间件",不是高吞吐的"大硬盘"。

5. 会话与 ID 生成:Redis 的分布式隐藏技能

5.1 Session 共享:多实例登录态的统一管理

我这些年接手的项目中,几乎每个都有"Session 不一致"的问题。原来单体应用,用户登录后把用户信息塞进 Tomcat 的 HttpSession,单机没问题。后来上了多实例,用 Nginx 做负载均衡,用户第一次请求落在 A 实例登录成功,第二次请求被转发到 B 实例,B 实例发现没有他的 Session,就要求重新登录。这种体验做一次,用户就流失了。

解决 Session 共享的通用姿势是 Spring Session Data Redis:把原本存储在本地的 Session 数据全部转移到 Redis。用户登录后,Session 信息写入 Redis,应用层只需要根据 Session ID 去 Redis 里取数据,不管请求落在哪台机器上,都能拿到同一条 Session。这其实也是"缓存"思维的一个延伸:把一个有状态的应用变成了无状态服务,非常关键。

官网的实践细节有几个:

  • 立一个全局的 Session 前缀(比如 spring:session:),设置合理的过期时间,比如登录态 2 小时。
  • Redis 中存的是 Session 属性的序列化结果,注意 序列化器的配置。默认的 JDK 序列化导致存储的数据肉眼不可读,我一般改成 JSON 序列化(GenericJackson2JsonRedisSerializer),可读性好,排查问题方便,内存也小一大截。
  • 应对"踢人下线、强制刷新在线列表"等需求时,可以给每个用户多维护一个 ZSet(key 存用户 ID,score 存登录时间),既能找到用户所有在线 Session,又能精确控制某个 Session 的失效。

Redis 会话共享最突出的价值不是省了几台服务器,而是让应用彻底无状态,只有无状态才能平滑水平扩展。我从踩坑中悟出的一句话:做分布式之前,先把本地的 HttpSession 关掉,因为你永远不知道流量会打到哪台机器上。

5.2 分布式 ID:用 INCR 的全局唯一流水号

最后一个场景是分布式 ID 生成。正常的单体项目用 MySQL 自增 ID 就够了,但在分布式场景下,多个服务节点各自生成 ID,冲突是必然的。业界常用的方案有雪花算法(Snowflake)、UUID、数据库号段,但 Redis 也可以当 ID 生成器用,而且实现极简单。

BASH
# 生成本次请求需要的唯一序号
INCR global:order:seq

INCR(或 INCRBY)返回自增后的值,命令本身是原子的,多线程多实例并发调用时不会重复。Redis 官方也专门为这种场景提供了 INCRBY 配合 EXPIRE 的用法。举个例子:生成订单号,你需要"年月日 + 当日序号",可以每天一个 Key(order:seq:20250101),INCR 后拼上日期前缀,就得到形如 2025010100012345 的订单号。

注意这里的卧龙与凤雏并存的坑:

  • 单点问题:如果 Redis 宕机,你的 ID 生成器就挂了,而且可能存在"回拨风险"(Redis 拿到的值是最后一次落盘的 AOF 快照之后的值)。如果 ID 生成器对你来说是核心链路,必须给 Redis 做主从,并且设置合理持久化策略。
  • 趋势递增 ≠ 严格递增:多线程情况下通过同一个 Redis INCR 生成的 ID 是趋势递增的,但并不保证严格连续,这通常没问题,但你别指望它能当数据库主键用(虽然大多数时候能用)。
  • 如果追求极端性能,可以把"拿号"和"取号"分离:先从 Redis 取一个号段(比如 INCRBY range:key 1000),然后在本地内存里自增 1000 个 ID 再回 Redis 拿下一段,这样就把 Redis 的压力下降了千倍。这个方案还有个名字,叫"redis 号段模式”,很多公司的发号器就是这么做的。

Redis 分布式 ID 的好处是:实现简单、低延迟、不依赖第三方组件,对绝大多数写操作不频繁的业务,完全够用。如果你对唯一性要求极高,同时要避免时钟回拨,那就用雪花算法——但如果追求简单,Redis 已经能扛住主流的业务规模了。

6. 聊聊我在实际项目中的选型心得

最后说点我自己的体会。用 Redis 最重要的不是记命令,而是建立"结构驱动设计"的直觉。我现在拿到一个需求,第一反应不是去建表,而是先想:这个数据形态最适合用 Redis 的哪种结构?是 ZSet(带权重的有序集合)、是 HyperLogLog(应对海量去重)还是位图(压缩状态信息)?数据结构选对了,后面所有逻辑都是水到渠成。

举一个我印象很深的例子:有一次做排行榜优化,原项目用 MySQL 表存了上百万条积分数据,每次榜单接口要跑好几秒,还被运营疯狂吐槽。我迁移到 Redis ZSet 之后,线上最高负载 2000 QPS 时榜单接口 P99 延迟只有 20ms 左右。这种性能飞跃不是我多厉害,而是 Redis 的结构天生就是干这个事的。

还要强调一点,Redis 虽然牛,但它不是银弹,尤其别把它当成万能存储。内存成本比磁盘高一个量级,Redis 的数据量一旦接近物理内存,性能就会雪崩(因为要触发淘汰策略或 swap)。所以我给自己的规则是:

  • 能用消息队列解决的(真的需要 ACK、持久化),不用 Redis 硬顶。
  • 能用数据库解决的(不追求极低延迟、需要复杂查询),不强行塞 Redis。
  • Redis 里只放热数据和结构有天然优势的数据,比如排行榜、延迟队列、计数器、分布式锁。

最后,你如果真的想精通 Redis,建议自己动手把源码里那几个数据结构源码啃一遍,至少搞清楚:List 的 quicklist、ZSet 的 skip list、Hash 的 ziplist/ hash table 这些底层结构在什么条件下会切换。搞懂了底层,你自然就明白为什么"大数据量的 ZSet 排序依然快""为什么 Hash 字段少时内存更省"" 为什么排行榜用 ZSet 而不是用数据库"——这些答案全都在源码里。等你吃透这些,Redis 就真的不只是一个"缓存"了,而是你工具箱里最锋利的一把刀。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
C语言的文件读取与写入操作
学了一年的C语言了,现在回过头来做一下总结。并且博客开了挺长一段时间却没有谢什么实际的东西。现在做下总结,对之后的学习帮助应该挺大的。与大家共勉! 现在,我先来介绍一下C语言的文件读取与写入的原理和具体操作方法。 C语言文件读取与写入是通过将文件看成一个字符序列进行读入和写出的。所以读取与写入文件就用到了指针,而这个指针是一个特殊的指针,我们称为文件指针。 指针名称是
wzyxdwll