在上一篇文章中，讲到了redis五大基本数据类型的使用场景，除了string，hash，list，set，zset之外，redis还提供了一些其他的数据结构（当然，严格意义上也不算数据结构），一起来看看redis还可以做哪些事？
一 Bitmaps在计算机中，使用二进制做为信息的基础单元，也就是输入的任何信息，最终在计算机底层都会转会为一串二进制的数字。在redis中，提供了Bitmaps来进行位操作。我们可以把Bitmaps想象成一个以位为单位的数组，数组的下标叫做偏移量。使用Bitmaps的优势就是占用空间更少。
假如我们想记录员工今天是否登录过公司官网，我们可以日期做为key，员工id做为偏移量（这里员工id在数据库中是自增的），如果id是从1000开始，为了节省空间，一般会将员工id减去这个初始值来做为偏移量，偏移量一般从0开始。是否访问官网用0和1来表示。
这样的话，id为3的员工访问了官网，就将他的值写成1
# id为3的员工访问了官网 setbit user:2020-11-04 3 1 # id为18的员工访问了官网 setbit user:2020-11-04 18 1查看某个员工是否访问过官网
getbit user:2020-11-04 1查询指定范围（字节）内值为1的个数，比如我想查看id从1-24之间有多少员工访问了官网
bitcount user:2020-11-04 1 3 二 HyperLogLogHyperLogLog可以利用极小的内存空间完成数据统计，无法获取单条数据，只能做为统计使用，会有一定的误差率。
假如我想统计访问官网的IP地址
添加官网今天访问的ip列表
# 2020-11-04访问的ip pfadd 2020-11-04:ip "ip1" "ip2" "ip3" # 2020-11-05访问的ip pfadd 2020-11-05:ip "ip3" "ip4" "ip5"计算今天官网访问的ip数
pfcount 2020-11-04:ip返回结果为3
查看2020-11-04和2020-11-05这两天总共有多少个独立ip访问过网站
先将两天的数据做并集，并复制给某个值
pfmerge 2020-11:ip 2020-11-04:ip 2020-11-05:ip然后使用pfcount命令查询，获得的值为5
pfcount 2020-11:ip 三 GEO在Redis3.2版本中增加了GEO（地理位置定位）功能，可以使用此功能来获取附近的人。
添加命令如下，可批量添加
geoadd city longitud latitude member我们添加几个城市的位置信息，来获取某个城市附近的城市
geoadd city 116.28 39.55 beijing 117.12 39.08 tianjin获取北京的经纬度命令如下
geopos city beijing查看beijing和tianjin两座城市的距离
geodist city beijing tianjin km最后面的km表示距离单位是公里，支持的单位有以下几个：
m，米
km，千米
mi，英里
ft，尺
获取附近的位置有两个命令，georadius根据经纬度获取，georadiusbymember根据成员获取
georadius key longitude laitude [单位] georadiusbymember key member [单位]后面还可以跟非必须参数，参数分别如下
withcoord：返回结果中包含经纬度
withdist：返回结果中包含距离中心位置的距离
withhash：返回结果中包含geohash（就是将经纬度转换为hash值）
COUNT count：指定返回结果的数量
asc|desc：返回结果按距离中心位置的距离排序
store key：将返回结果的地理位置信息保存到指定key中
storedist key：将返回结果距离中心位置的距离保存到指定key中
四 发布订阅模式消息在上一篇文章中讲到了可以使用list和zset来实现消息队列，但是上面实现的消息队列是点对点模式，也就是一条消息只能由一个消费者来消费。除此之外，redis还支持发布订阅模式，即一个消息由所有订阅者消费，比如广播、公告等等，发布一条公告后，所有关注了我的用户都可以收到这条公告。
发布消息
发布到信道channel:message一条消息，消息内容为hi
pulish channel:message hi订阅信道
订阅者可以订阅一个或多个信道，比如订阅channel:message
subscribe channel:message取消订阅
unsubscribe channel:message查看活跃信道
pubsub channels查看订阅数
查看信道channel:message订阅个数
pubsub numsub channel:messageredis的发布订阅模式和专业的消息中间件相比，略显粗糙，但是实现起来非常简单，学习成本较低。
五 Bloom Filter布隆过滤器是redis4版本中新增的一个功能。其实现原理和Bitmaps差不多，也是利用一个位数组，将你的值经过多个hash函数，得到对应的位数组的位置，将这些值设置为1。布隆过滤器经常别用来防止缓存穿透。
存在的问题，如果说某个元素不存在，则一定不存在，如果说某个元素存在，则可能不存在。这是因为如果有三个元素a，b，c要放入同一个数组中去，假设a经过三次hash，得到1，5，7三个位置，那么就会将这三个位置修改成1，b经过三次hash，得到2，4，6三个位置，将这三个位置修改成1。c经过三次hash得到2，5，7三个位置，但是经过前两个元素hash后，这三个位置已经修改成1了，那么我们能说c一定存在吗？显然不能！
点关注、不迷路如果觉得文章不错，欢迎关注、点赞、收藏，你们的支持是我创作的动力，感谢大家。
如果文章写的有问题，请不要吝惜文笔，欢迎留言指出，我会及时核查修改。