玩转Redis-HyperLogLog统计微博日活月活

名词解释

DAU(Daily Active User)日活跃用户数量

常用于反映网站、互联网应用或网络游戏的运营情况。DAU通常统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）

月活跃用户数量(Monthly Active User，MAU)

月活跃用户数量通常统计一个月（统计月）之内，登录或使用了某个产品的用户数（去除重复登录的用户）

Note：日活、月活反映用户的活跃度，但是无法反映用户的粘性。

日活数据统计面临哪些挑战

2020年2月26日，微博发布2019年第四季度及全年财报。数据显示，截至2019年底，微博月活跃用户达到5.16亿，相比2018年年底净增长约5400万，其中移动端占比94%。2019年微博全年营收提升至122.4亿元，其中广告营收达到106亿元。

Bitmaps可用于统计日活吗？

前文《玩转Redis-京东签到领京豆如何实现》提到了 Bitmaps 在大数据下的应用，那么Bitmaps可以用于统计日活数据吗？我们来做个计算分析（以一亿用户为例）：

使用Bitmaps计算日活月活：

• 计算日活：bitcount key获取key为1的数量
• 计算月活：可把30天的所有bitmap做or计算，再进行bitcount计算
• 计算留存率：昨日留存=昨天今天连续登录的人数/昨天登录的人数，即昨天的bitmap与今天的bitmap进行and计算，在除以昨天bitcount的数量

通过以上计算，我们发现Bitmaps已经很节省空间了。统计一个网站的日活已不在话下，但是大型互联网公司除了日活，还有UV、PV等等需要统计。面对上千甚至更多的需统计模块，1个模块1天需要12M，一年就需要12M * 365 / 1024 ≈ 4.3G，1000个模块一年就需要12M * 365 / 1024 / 1024 ≈ 4.2T。So 革命尚未成功，我们还需再节省点！

日活数据统计的特点

• 数据需要去重
• 数据允许有一定的偏差，101W和102W差距不大
• 占用空间尽可能小

HyperLogLog介绍

HyperLogLog必知

HyperLogLog（HLL）是一种用于基数计算的概率数据结构，通俗的说就是支持集合中不重复元素的统计。

常规基数计算需要准备一块内存空间用于存储已经计数的元素，避免某些元素被重复统计。Redis提供了一种用精度来换取内存空间的算法，标准误差低于1%。仅需要12K 就能完成统计（再加上HLL自身所需的一点bytes），如果HyperLogLog中的元素较少，所需内存空间更小。HyperLogLogs的标准误差是0.81%。

输入元素数量或体积非常大时，HLL所需空间固定且很小。12kb内存可计算接近 2^64 个不同元素的基数。

HyperLogLog虽然技术实现是一种不同的数据结构，但底层依旧是Redis strings，所以可以使用GET命令获取序列化后的数据，使用SET命令反序列化数据存储到Redis。

HyperLogLog和Sets的区别

HyperLogLog如何使用

HyperLogLog核心命令：PFADD、PFCOUNT、PFMERGE

HyperLogLog命令对比分析

HLL操作命令中的PF含义：HyperLogLog 数据结构的发明人 Philippe Flajolet 的首字母缩写。

HyperLogLog命令详解

HyperLogLog命令注意事项

• PFADD仅存储标记，不存储元素本身
• PFCOUNT实际是一个write命令，执行PFCOUNT时可能会重新计算计数值并存储
• key有多个时，PFCOUNT会动态合并计算，并且计算结果不会被缓存，所以生产环境执行PFCOUNT时尽量避免带多个key
• key有多个时，PFCOUNT是先合并再计算，结果为多个对象合并<去重>后的基数值（注意：不是基数值之和）
• PFMERGE计算的是sourcekey的并集
• 如果destkey已存在，则PFMERGE执行后destkey最终的结果是dest+source的并集

HyperLogLog命令示例

// pfadd、pfcount 示例

127.0.0.1:6379> pfadd hll 1
(integer) 1
127.0.0.1:6379> pfadd hll 1
(integer) 0
127.0.0.1:6379> pfadd hll 2 3 4
(integer) 1
127.0.0.1:6379> pfcount hll
(integer) 4
127.0.0.1:6379> pfcount hll:notexist
(integer) 0
127.0.0.1:6379> pfadd hll2 a b
(integer) 1
127.0.0.1:6379> pfcount hll2
(integer) 2
127.0.0.1:6379> pfcount hll hll2
(integer) 6
127.0.0.1:6379> get hll
"HYLL\x01\x00\x00\x00\x04\x00\x00\x00\x00\x00\x00\x00A\xee\x84[v\x80Mt\x80Q,\x8cC\xf3"
127.0.0.1:6379> set hll:error error666
OK
127.0.0.1:6379> pfcount hll:error
(error) WRONGTYPE Key is not a valid HyperLogLog string value.

// pfmerge 示例

127.0.0.1:6379> pfadd hllm1 1 2 3 4 5
(integer) 1
127.0.0.1:6379> pfadd hllm2 5 6 7 8
(integer) 1
127.0.0.1:6379> pfmerge hllm3 hllm1 hllm2
OK
127.0.0.1:6379> pfcount hllm3
(integer) 8

127.0.0.1:6379> pfadd hllm4 7 8 9 10 11 12 14 14
(integer) 1
127.0.0.1:6379> pfmerge hllm4 hllm1 hllm2
OK
127.0.0.1:6379> pfcount hllm4
(integer) 13

HyperLogLog应用场景

网站日活月活

• 日活：每天一个HLL，用户登录时则 PFADD HLL20200719 userID;
• 月活：合并当月的所有日活数据 PFMERGE HLL202007 HLL20200701 HLL20200702 HLL20200703 ...

网页UV

UV（Unique Visitor）独立访客：1天内；cookie为标识；相同的客户端多次访问只计为1个访客。

比如老板想实时查看公司网站某些页面从今天0点到现在被多少独立访客访问。

其他场景场景

• 搜索引擎关键词搜索量
• 用户在线人数统计
• 基于基数计数的数据分析场景

转载至：https://zxiaofan.blog.csdn.net/article/details/107449335