数据库有很多，为什么Redis能有如此突出的表现呢？一方面，因为它是内存数据库，所有操作都在内存上完成。另外一方面就要归功于他的数据结构。高效的数据结构是Redis快速处理的基础。今天我们就来聊聊了Redis的数据类型以及对应的数据结构。
首先Redis有5大基本类型：
1.String(字符串)
2.List(列表)
3.Hash(哈希)
4.Set(集合)
5.Zset(Sorted Set 有序集合)
他们的底层实现简单来说一共有6种，分别是简单的动态字符串、双向链表、压缩列表、哈希表、跳表以及整数数组。他们和数据类型的对应关系如下所示:
可以看到这些数据结构都是值的底层实现，那键和值之间是用什么数据结构来进行组织的呢？为了实现从键到值的快速访问，Redis使用了一个哈希表来保存所有的键值对。
哈希表的最大好处很明显，就是可以以O(1)的时间复杂度来快速查找到键值对。但他有一个潜在的风险点，当你往Redis里写入大量的数据就会出现哈希表的冲突问题以及rehash带来的操作阻塞问题。
Redis解决哈希冲突的方式，就是链式哈希。链式哈希很容易理解，就是指同一个hash桶中的多个元素用一个链表来保存。如下图所示：
这就出现一个问题，哈希冲突链表上的元素只能通过指针逐一查找再操作。如果哈希表里写入的数据越来越多，哈希冲突也会越来越多，这就会导致某些哈希冲突链过长，进而导致链上的元素查找耗时长，效率低。这对求快的redis来说是不能接受的。
所以Redis会对哈希表做rehash操作。rehash也就是增加现有的哈希桶的数量，让逐渐增多的entry元素能在更多的桶之间分散保存，减少单个桶中的元素个数，从而减少冲突。
为了使rehash更高效，Redis默认使用2个全局哈希表：哈希表1和哈希表2。一开始，当你刚插入数据时，默认使用哈希表1，此时哈希表2并没有分配空间。随着数据的增多，Redis开始执行Rehash。主要分为以下3步：
给哈希表2分配更大的空间。
把哈希表1的数据重新映射并拷贝到哈希表2。
释放哈希表1的空间。
到此我们可以从哈希表1切换到哈希表2，用容量更大的哈希表2来保存更多的数据，而原来的哈希表1留做下一次rehash扩容备用。
可以看到第二步会涉及到大量的数据拷贝，如果一次性把哈希表1全部都迁移完，会造成Redis线程阻塞，无法服务其他请求。为了避免这个问题，Redis采用了渐进式的Rehash。简单来说就是在第二步拷贝数据时，仍然正常处理客户端的请求，每处理一个请求，从哈希表1的第一个索引位置开始，顺带着将这个索引位置上的所有entries拷贝到哈希表2中；等处理下一个请求时，再顺带拷贝哈希表1的下一个索引位置的entries。这样就避免了一次性大量的数据拷贝，保证了数据的快速访问。
目前为止，你已经了解了Redis的键和值是怎么通过哈希表来组织的了，对于String类型来说，找到哈希桶就能直接增删改查了，所以哈希表O(1)的时间复杂度就是它的复杂度，但是对于集合类型来说，即使找到哈希桶了，还需要在集合中进一步操作。接下来我们就分别聊聊集合类型的底层数据结构和操作复杂度。
我们在上面已经了解到集合类型的底层结构主要有5种：整数数组、双向链表、哈希表、压缩列表和跳表。
其中，哈希表的操作特点我们已经学过；整数数组和双向链表也很常见，主要是通过数组下标和链表指针逐个访问元素，操作复杂度是O(N)，操作效率比较低。压缩列表实际上类似于一个数组，和数组不同的是，压缩列表在表头有三个字段zlbytes、zltail和zllen，分别表示列表的长度、列表尾的偏移量和列表中元素的个数；压缩列表在表尾还有一个zlend表示列表结束。在压缩列表中，如果我们要查找定位第一个元素和最后一个元素，可以通过表头直接定位，时间复杂度为O(1)。而查找其它元素时，就没有那么高效了，只能逐个查询，时间复杂度为O(N)。