企业官网建设流程全解析

一、RedisJSON：原生 JSON 支持的 NoSQL 数据引擎

1. 简介

RedisJSON 为 Redis 增加了对 JSON 文档的原生存储与操作能力，无需序列化/反序列化即可直接读写嵌套字段，适用于配置管理、用户画像、微服务间数据交换等场景。

2. 核心原理

RedisJSON 使用ReJSON 引擎，底层基于树状结构（Tree-based）存储 JSON 对象，支持按路径（JSONPath）高效访问子节点。内存布局优化避免深拷贝，提升读写性能。

3. 常用命令

4. 应用场景

• 用户资料动态更新（避免全量覆盖）
• IoT 设备状态快照存储
• 微服务间传递结构化配置

二、RedisSearch：高性能全文搜索与二级索引

1. 简介

RedisSearch 提供倒排索引、向量相似度搜索、聚合分析等功能，可替代 Elasticsearch 在轻量级场景中的角色。

2. 核心原理

• 基于倒排索引（Inverted Index）实现文本搜索
• 支持数值范围索引、地理空间索引、向量索引（HNSW/FLAT）
• 使用FST（有限状态转换器）压缩索引，节省内存
  

3. 常用命令

• FT.CREATE：定义索引结构
• FT.SEARCH：执行全文/条件搜索
• FT.AGGREGATE：分组聚合（如按城市统计用户数）
• FT.INFO：查看索引状态
• FT.DROPINDEX：删除索引

4. 应用场景

• 商品搜索（支持多字段过滤+排序）
• 日志关键词检索
• 向量相似推荐（如“猜你喜欢”）

三、RedisBloom：概率数据结构利器（布隆过滤器为核心）

1. 简介

RedisBloom 提供布隆过滤器（Bloom Filter）、Cuckoo Filter、Top-K、Count-Min Sketch 等概率数据结构，用于高效去重、存在性判断、流量统计。

2. 布隆过滤器原理

• 使用k 个哈希函数将元素映射到位数组
• 查询时若任一位为 0，则元素一定不存在；若全为 1，则可能存在（有误判率）
• 空间效率极高，1MB 可支持千万级元素

3. 常用命令

• BF.RESERVE key error_rate capacity：预分配过滤器
• BF.ADD / BF.MADD：添加单个元素/多个元素
• BF.EXISTS / BF.MEXISTS：查询单个元素存在性/多个元素存在性
• CF.ADD / CF.EXISTS：Cuckoo Filter（支持删除）

5. 应用场景

• 防止缓存穿透（先查 Bloom 判断 key 是否合法）
• 爬虫 URL 去重
• 实时 UV 统计（配合 HyperLogLog）

四、RedisTimeSeries：高性能时序数据处理

1. 简介

专为时间序列数据（如监控指标、传感器数据）设计，支持自动压缩、降采样、聚合查询。

2. 核心原理

• 数据按时间戳有序存储，使用块压缩（Chunk Compression）减少内存
• 支持保留策略（RETENTION）自动过期旧数据
• 可与 Redis Streams 或 Grafana 集成

3. 常用命令

• TS.CREATE metrics:cpu RETENTION 86400000 LABELS host server1
• TS.ADD metrics:cpu * 45.6（* 表示当前时间戳）
• TS.RANGE metrics:cpu 1700000000 1700010000 AGGREGATION avg 60
• TS.MRANGE ... FILTER host=server1（多序列查询）

4. 应用场景

• 服务器监控（CPU/内存/网络）
• IoT 设备数据采集
• 金融行情 tick 数据存储

五、RedisGraph：图数据库初探

1. 简介

基于属性图模型，使用Cypher 查询语言，适合社交关系、知识图谱、欺诈检测等场景。

2. 核心原理

• 图数据以稀疏矩阵（CSR 格式）存储
• 查询引擎支持模式匹配与路径遍历
• 所有操作在单次 Redis 调用中完成，低延迟
  

3. 常用命令

• GRAPH.QUERY：执行 Cypher 语句
• GRAPH.DELETE：删除图
• GRAPH.EXPLAIN：查看执行计划

4. 应用场景

• 社交网络好友推荐
• 反欺诈（识别异常转账环路）
• 知识图谱实体关系查询

六、模块对比总表

七、实战演练

1. 安装redis-stack

Redis 官方提供的集成了多个模块的镜像

dockerrun-p6379:6379-it--rmredis/redis-stack:latest

2. RedisJSON 实战：用户画像动态管理

场景：存储和更新用户资料（支持嵌套字段）

# 1. 创建用户 JSON 文档JSON.SET user:1001 $'{"name":"Alice","profile":{"age":28,"city":"Shanghai","tags":["developer","gamer"]},"settings":{"theme":"dark","lang":"zh"}}'# 2. 获取用户姓名JSON.GET user:1001 $.name# 返回: "\"Alice\""# 3. 更新年龄（原子递增）JSON.NUMINCRBY user:1001 $.profile.age1# 返回: "29"# 4. 添加新标签JSON.ARRAPPEND user:1001 $.profile.tags'"mobile"'# 返回: 3（数组长度）# 5. 查询所有 tagsJSON.GET user:1001 $.profile.tags# 返回: "[\"developer\",\"gamer\",\"mobile\"]"# 6. 删除 settings 字段JSON.DEL user:1001 $.settings# 返回: 1（成功删除 1 个字段）

验证完整文档：

JSON.GET user:1001 $

3. RedisSearch 实战：商品搜索系统

场景：电商商品全文检索 + 多条件过滤

# 1. 创建商品索引（支持文本、数值、标签）FT.CREATE idx:products ON HASH PREFIX1product: SCHEMA name TEXT WEIGHT2.0description TEXT price NUMERIC category TAG in_stock NUMERIC# 2. 添加商品数据HSET product:101 name"Wireless Headphones"description"Noise-cancelling Bluetooth headphones"price129.99category"electronics"in_stock1HSET product:102 name"Running Shoes"description"Lightweight trail running shoes"price89.99category"sports"in_stock1HSET product:103 name"Smart Watch"description"Fitness tracker with heart rate monitor"price199.99category"electronics"in_stock0# 3. 全文搜索“headphones”，且有库存FT.SEARCH idx:products"@name:headphones @in_stock:[1 1]"# 4. 按价格区间 + 类别搜索FT.SEARCH idx:products"@category:{electronics} @price:[100 200]"RETURN2name price# 5. 聚合：统计各分类商品数FT.AGGREGATE idx:products"*"GROUPBY1@category REDUCE COUNT0AS count

预期结果示例（第4步）：

1)(integer)22)"product:101"3)1)"name"2)"Wireless Headphones"3)"price"4)"129.99"4)"product:103"5)1)"name"2)"Smart Watch"3)"price"4)"199.99"

参数解释

如果省略 PREFIX，RedisSearch 不会自动索引任何已有或新增的 Hash

4. RedisBloom 实战：防止缓存穿透（URL 黑名单）

场景：爬虫请求过滤，避免查询不存在的资源

# 1. 创建布隆过滤器（误判率 1%，容量 10,000）BF.RESERVE url_blacklist0.0110000# 2. 添加恶意 URLBF.ADD url_blacklist"/admin/delete"BF.ADD url_blacklist"/api/v1/secret"# 3. 模拟正常请求（应返回 0）BF.EXISTS url_blacklist"/user/profile"# 返回: 0 → 安全，可继续处理# 4. 模拟恶意请求（应返回 1）BF.EXISTS url_blacklist"/admin/delete"# 返回: 1 → 拦截！# 5. 批量检查（用于日志分析）BF.MEXISTS url_blacklist"/login""/admin/delete""/health"# 返回: 0 1 0

注意：即使返回 1，也可能是误判（但概率 ≤1%），需结合其他策略。

5. RedisTimeSeries 实战：服务器 CPU 监控

场景：每秒采集 CPU 使用率，自动保留 7 天

# 1. 创建时序 key，保留 7 天（604800 秒），标签用于聚合TS.CREATE metrics:cpu:server01 RETENTION604800LABELShostserver01typecpu# 2. 模拟写入 5 个时间点的数据（时间戳单位：毫秒）TS.ADD metrics:cpu:server01171000000000023.5TS.ADD metrics:cpu:server01171000006000045.2TS.ADD metrics:cpu:server01171000012000067.8TS.ADD metrics:cpu:server01171000018000032.1TS.ADD metrics:cpu:server01171000024000089.0# 3. 查询最近 5 分钟数据（按 1 分钟平均聚合）TS.RANGE metrics:cpu:server0117100000000001710000300000AGGREGATION avg60000# 4. 多服务器聚合（需先创建多个 series）TS.CREATE metrics:cpu:server02 RETENTION604800LABELShostserver02typecpu TS.ADD metrics:cpu:server02171000000000018.3# 5. 查询所有 CPU 指标（按 host 分组）TS.MRANGE17100000000001710000300000FILTERtype=cpu

聚合输出示例（第3步）：

1) 1) (integer) 1710000000000 2) "34.35" 2) 1) (integer) 1710000060000 2) "56.5" ...

参数解释

6. RedisGraph 实战：社交网络好友关系

场景：查找“朋友的朋友”

# 1. 构建图：添加用户和好友关系GRAPH.QUERY social" MERGE (a:Person {id:'1', name:'Alice'}) MERGE (b:Person {id:'2', name:'Bob'}) MERGE (c:Person {id:'3', name:'Charlie'}) MERGE (d:Person {id:'4', name:'David'}) MERGE (a)-[:FRIEND]->(b) MERGE (b)-[:FRIEND]->(c) MERGE (a)-[:FRIEND]->(d) "# 2. 查询 Alice 的直接好友GRAPH.QUERY social" MATCH (a:Person {name:'Alice'})-[:FRIEND]->(f) RETURN f.name "# 3. 查询“朋友的朋友”（排除自己和直接好友）GRAPH.QUERY social" MATCH (a:Person {name:'Alice'})-[:FRIEND]->()-[:FRIEND]->(foaf) WHERE foaf.name <> 'Alice' RETURN DISTINCT foaf.name "# 4. 查看图结构统计GRAPH.QUERY social"CALL db.labels()"GRAPH.QUERY social"CALL db.relationshipTypes()"

第3步预期结果：

1) 1) "foaf.name" 2) 1) "Charlie"

说明：Alice → Bob → Charlie，所以 Charlie 是“朋友的朋友”。

八、高频面试题

Q1：RedisBloom 的布隆过滤器为什么不能删除元素？如何解决？
A：标准布隆过滤器使用位数组，多个元素可能共享同一位，删除会导致误删。解决方案是使用Cuckoo Filter（RedisBloom 支持），它支持安全删除。

Q2：RedisJSON 和普通 String 存 JSON 有什么区别？
A：String 需全量读写和反序列化，而 RedisJSON 支持路径级原子操作，内存更省、性能更高，且支持 JSONPath 查询。

客户端反序列化 → 修改 login_count → 重新序列化
（这一步在你的应用代码里完成，比如 Python/Java）

String存 JSON = 把整个书复印一遍再改一个字
RedisJSON = 直接在原书上用笔修改那个字，又快又省纸。

Q3：RedisSearch 能替代 Elasticsearch 吗？
A：在中小规模、低复杂度场景（如商品搜索、日志关键词）可以；但 ES 在分布式扩展、复杂分析、生态工具上仍占优。RedisSearch 优势在于低延迟、高吞吐、与 Redis 生态无缝集成。

Q4：RedisTimeSeries 如何实现数据压缩？
A：采用Delta-of-Delta + Simple-8b 编码，对时间戳和值进行差分压缩，通常可减少 70%+ 内存占用。

Q5：RedisGraph 不支持集群，如何应对大数据量？
A：可采用分片策略（如按用户 ID 分图），或仅用于高频小图查询，大图分析交由专用图数据库（如 Neo4j）。