Redis是如何支持基于Key的快速访问的

一谈到Redis，马上能想到的就是：“快”，那么，Redis之所以快，一方面是因为Redis的所有操作都在内存中完成，内存操作本身就很快，另一方面就要归功于它的数据结构了，高效的数据结构是Redis快的基石。

全局哈希表

为了实现基于Key的快速访问，Redis采用了哈希表作为最底层的数据存储结构，如果你了解Java中的HashMap，那么理解Redis的哈希表则应该非常容易，实际上也就是数组+链表的结构，这样一来，我们就可以在O(1)的时间复杂度下快速的查找出所需的Key，并且无论是多少Key都不受影响。

我们先来看看哈希表的具体结构设计，每一个dictEntry元素，都保存了*key和*value的指针，*value指针保存在联合体v中，既然保存的是指针，所以也就能保存任何类型的数据结构（String，Hash，List，Set）

typedef struct dictEntry {void *key;union {void *val;uint64_t u64;int64_t s64;double d;} v;struct dictEntry *next;
} dictEntry;

哈希表结构

typedef struct dictht {dictEntry **table;unsigned long size;unsigned long sizemask;unsigned long used;
} dictht;

哈希冲突

当然，提到哈希表，肯定少不了哈希冲突的问题，Redis中采用的方式和Java中的HashMap一样，都是链式哈希的方式，所以一旦冲突变多，就会导致链表过长，最终退化为O(n)的时间复杂度，这对Redis来说肯定是不能接受的。

所以，解决的方式也和Java中的HashMap一样，直接进行一次rehash操作就好了，简单来说就是扩大Entry数组的大小，从而来减少哈希冲突，当然为了不对线上访问造成影响，Redis还采用渐进式rehash的方式，实际上Redis每次在进行rehash操作时，会新准备一个比原哈希表大一倍的新哈希表，然后在每一次处理请求的时候，顺便处理一次数据迁移，比如从原哈希表的第一个索引位置开始，把这个位置上的Entry全部挪到新的哈希表中，这样通过分摊处理，就避免了一次性全量处理所带来的阻塞问题。

一张图

相关源码

就用Hash数据类型中的HGET方法举例

void hgetCommand(client *c) {robj *o;if ((o = lookupKeyReadOrReply(c,c->argv[1],shared.null[c->resp])) == NULL ||checkType(c,o,OBJ_HASH)) return;addHashFieldToReply(c, o, c->argv[2]->ptr);
}

static void addHashFieldToReply(client *c, robj *o, sds field) {int ret;if (o == NULL) {addReplyNull(c);return;}// 如果底层数据结构是压缩列表的处理逻辑if (o->encoding == OBJ_ENCODING_ZIPLIST) {unsigned char *vstr = NULL;unsigned int vlen = UINT_MAX;long long vll = LLONG_MAX;ret = hashTypeGetFromZiplist(o, field, &vstr, &vlen, &vll);if (ret < 0) {addReplyNull(c);} else {if (vstr) {addReplyBulkCBuffer(c, vstr, vlen);} else {addReplyBulkLongLong(c, vll);}}// 如果底层是Hash表的处理逻辑} else if (o->encoding == OBJ_ENCODING_HT) {sds value = hashTypeGetFromHashTable(o, field);if (value == NULL)addReplyNull(c);elseaddReplyBulkCBuffer(c, value, sdslen(value));} else {serverPanic("Unknown hash encoding");}
}

看Hash表的逻辑，基本上就是标准的Hash表查找方式

sds hashTypeGetFromHashTable(robj *o, sds field) {dictEntry *de;serverAssert(o->encoding == OBJ_ENCODING_HT);de = dictFind(o->ptr, field);if (de == NULL) return NULL;return dictGetVal(de);
}

dictEntry *dictFind(dict *d, const void *key)
{dictEntry *he;uint64_t h, idx, table;if (dictSize(d) == 0) return NULL; /* dict is empty */if (dictIsRehashing(d)) _dictRehashStep(d);h = dictHashKey(d, key);for (table = 0; table <= 1; table++) {idx = h & d->ht[table].sizemask;he = d->ht[table].table[idx];while(he) {if (key==he->key || dictCompareKeys(d, key, he->key))return he;he = he->next;}if (!dictIsRehashing(d)) return NULL;}return NULL;
}

#define dictGetVal(he) ((he)->v.val)

【Redis实战】认识Redis中的全局哈希表相关推荐

Redis实战之Redis + Jedis
用Memcached,对于缓存对象大小有要求,单个对象不得大于1MB,且不支持复杂的数据类型,譬如SET 等.基于这些限制,有必要考虑Redis! 相关链接: Redis实战 Redis实战之Redi ...
Redis实战 - 09 Redis BitMaps 实现用户签到，统计签到次数，统计签到情况等功能
文章目录 1. 需求分析 2. 设计思路 3. 用户签到和统计连续签到的次数 1. 签到控制层 SignController 2. 签到业务逻辑层 SignService 3. 测试 4. 按月统计用 ...
redis(二)redis实战使用redis进行文章的排序
2019独角兽企业重金招聘Python工程师标准>>> http://www.beckbi.cn/?p=172 redis实战使用redis进行文章的排序转载于:https://m ...
程序员面试中常见的哈希表，到底是什么？
作者 | 倪升武责编 | 胡巍巍我所写的这些数据结构,都是比较经典的,也是面试中经常会出现的,这篇文章我就不闲扯了,全是干货,如果你能读完,希望对你有所帮助~ 哈希表也称为散列表,是根据关键字值( ...
Redis实战 - 15 Redis事务机制和乐观锁实现
文章目录 1. Redis事务简介 2. Redis事务的操作命令 3. Redis的事务回滚 4. Redis监控事务 1. Redis事务简介在 Redis 中,也存在多个客户端同时向 Redi ...
Redis底层详解（一）哈希表和字典
一.哈希表概述首先简单介绍几个概念:哈希表(散列表).映射.冲突.链地址.哈希函数. 哈希表(Hash table)的初衷是为了将数据映射到数组中的某个位置,这样就能够通过数组下标访问该数据,提高数 ...
mysql是表级锁还是行级锁_带你了解MySQL数据库中的全局锁、表级锁、行级锁
在 MySQL 数据库中,有很多各种各样的锁,这些锁大致可以分为三类:全局锁.表级锁.行级锁.这篇文章小编就带你简单了解一下这三种锁. 1. 全局锁全局锁是粒度比较大的锁,基本上也使用不上,就像我们 ...
c++的STL中的map(哈希表)与unordered_map
map: unordered_map: map: map内部实现了一个红黑树,该结构具有自动排序的功能,因此map内部的所有元素都是有序的 unordered_map:unordered_map内部实 ...
在Javascript中实现伪哈希表
了解数据结构的人应该都听说过哈希表这种数据结构,它是一种典型的利用键值对存储并检索数据的一种非线性结构,又称散列表或杂凑法.在一般的线性表结构中,数据的相对位置是随机的,即数据和用于检索的关键字之间不 ...

【Redis实战】认识Redis中的全局哈希表

文章目录