redis 跳跃表、字典、压缩列表、快速列表

1. 跳跃表

在这里插入图片描述

跳跃表是有序集合的底层实现。就是将有序集合的部分节点进行分层。每一层都是有序集合，并且层次越高，节点数量就越少。最底层的包含所有节点数据。典型的空间换时间。

Redis中的跳跃表（Skip List）是一种数据结构，用于实现有序集合（Sorted Set）。它是一种有序的、分层的链表结构，可以提供快速的插入、删除和查找操作。

跳跃表通过在链表中添加多级索引来加速查找操作，使得在有序集合中的元素可以更快地被定位。每一级索引称为一个层，具有一定的间隔。跳跃表中的每个节点包含了一个值和多个指针，指向下一级的节点。

跳跃表的插入、删除和查找操作都具有较好的平均时间复杂度，接近于O(log N)，其中N是有序集合的元素数量。相比于传统的有序链表或平衡二叉树，跳跃表的实现更加简单，且具有较好的性能。

在Redis中，跳跃表主要用于实现有序集合数据类型，通过跳跃表可以高效地支持元素的按照分数（score）进行排序和检索。跳跃表中的每个节点都包含一个元素的值和分数，元素按照分数进行有序存储。跳跃表还支持按照索引范围获取一定区间的元素，如获取分数在指定范围内的元素。

需要注意的是，跳跃表在插入和删除操作时，可能会进行索引调整和层级重构的操作，以保持跳跃表的平衡性和性能。这些操作在维护有序集合时是透明执行的，对用户来说是不可见的。

空间换时间

跳跃表通过在链表中添加多级索引来提高查找的效率，从而牺牲了一定的空间复杂度以换取更快的查询速度。通过添加索引层，跳跃表可以跳过一些节点，直接到达目标节点的附近，从而减少了查找的时间复杂度。

在跳跃表中，节点的数量和索引层数量之间存在着平衡。更多的索引层可以提高查找的效率，但会增加索引层的空间占用。因此，跳跃表的空间复杂度会随着索引层数的增加而增加，但相对于传统的有序链表或平衡树结构，跳跃表的空间占用仍然相对较小。

通过空间换时间的策略，跳跃表可以在较低的时间复杂度内实现插入、删除和查找操作。它在大多数情况下能够提供接近O(log N)的平均时间复杂度，其中N是元素的数量。这使得跳跃表成为一种高效的有序集合实现方式。

需要注意的是，跳跃表的空间复杂度O(n)可能会比其他数据结构稍高，特别是当需要添加大量索引层时。因此，在应用中选择使用跳跃表时，需要根据具体的需求和资源限制进行权衡和评估。

跳跃表的随机函数

跳跃表中的随机函数用于决定节点是否升级到更高层级的索引，以平衡跳跃表的结构和提高查询效率。

在跳跃表（Skip List）中，随机函数用于决定节点是否升级到更高层级的索引。跳跃表的多级索引结构是通过层级之间的指针链接实现的，而随机函数的作用是控制节点在哪些层级上存在索引。

具体来说，随机函数在插入新节点时被用来决定节点是否升级到更高层级。当新节点被插入到跳跃表中时，根据设定的概率阈值，随机函数生成一个随机数。如果随机数满足升级条件，即在概率阈值内，那么新节点将被插入到更高层级的索引中。

通过随机函数来决定节点是否升级到更高层级的索引，可以确保跳跃表的平衡性和性能。如果没有随机函数，所有节点都会被插入到最高层级的索引中，这将导致跳跃表的查询性能下降。

通过随机函数的引入，跳跃表可以在插入新节点时动态地决定节点的层级分布，使得节点在不同层级上的分布更加均匀，提高了查询效率。同时，通过调整随机函数的概率阈值，还可以对跳跃表的结构进行灵活的控制，以适应不同数据集和查询模式的需求。

跳跃表和b+树对比

在一般情况下，B+树相对于跳跃表来说更加占用空间。

B+树是一种平衡树结构，每个节点包含多个键和对应的子节点，叶子节点形成有序链表。B+树的每个节点都需要存储键和子节点的信息，以及一些管理结构和指针。相对于链表结构的跳跃表，B+树在每个节点上存储的数据量更多，所以通常会占用更多的存储空间。

跳跃表在每个节点中只需要存储值和指向下一级节点的指针，而B+树的节点需要存储键、值和子节点的指针。此外，B+树的节点结构相对复杂，可能包含额外的管理信息（如节点的层级、父节点的指针等），这也会占用一定的空间。

虽然跳跃表需要额外的索引层来提供快速的查找，但是它相对于B+树来说在整体结构和节点的存储上更加简单，所以通常情况下跳跃表相对更加节省空间。

需要根据具体的应用场景和需求选择适合的数据结构。如果空间占用是一个关键因素，而查询效率相对次要，可以考虑使用跳跃表。如果查询效率是首要考虑的因素，并且可以承担更高的空间占用，可以选择B+树。

2.字典

Redis 的字典是一种高效的键值对存储结构，用于实现 Redis 中的多个功能，提供快速的查找和插入操作，并支持动态扩容和冲突处理。

Redis的字典（Dictionary）是一种用于存储键值对的数据结构。它在 Redis 中被广泛应用，用于实现 Redis 的核心数据结构之一——哈希表。

字典的作用是提供高效的键值对存储和查找。在 Redis 中，字典被用于实现键的存储和索引，它是实现 Redis 数据库中键值对存储和快速访问的重要组件。

字典的特点包括：

高效的查找和插入操作：字典使用哈希表作为底层实现，通过哈希算法将键映射到哈希表的索引位置，从而实现快速的查找和插入操作。平均情况下，字典的查找和插入操作的时间复杂度为 O(1)。
动态扩容：字典的大小是可以动态调整的，当字典的负载因子达到一定阈值时，会自动触发扩容操作，重新调整哈希表的大小，以保证字典的性能和空间效率。
冲突处理：由于哈希算法不可避免地会出现键的冲突（多个键映射到同一个哈希表索引位置），字典使用链地址法（拉链法）来解决冲突。具体来说，每个哈希表索引位置上维护一个链表，将映射到同一索引的键值对链接在一起。

在 Redis 中，字典被广泛应用于多个功能的实现，例如：

实现 Redis 的键空间：Redis 数据库中的所有键以及与之对应的值都存储在字典中。
哈希类型的底层实现：Redis 的哈希类型使用字典来存储键值对，实现了快速的字段查找和插入操作。
命令的实现：Redis 的命令字典用于存储命令名称和对应的命令处理函数。

字典的实现

Redis的字典是通过哈希表实现的，哈希表使用数组存储键值对，通过哈希函数计算键的索引位置，使用线性探测法解决冲突，支持动态扩容。这种实现方式使得Redis的字典具有快速的查找和插入操作，并能够处理大量的键值对。

哈希表是一种基于哈希函数的数据结构，它通过将键映射到哈希表的索引位置来实现快速的查找和插入操作。在Redis中，哈希表被用作字典的底层实现。

Redis的哈希表采用开放地址法（Open Addressing）来解决键的冲突。具体实现上，Redis使用的是线性探测法（Linear Probing），当发生冲突时，会按照一定的步长依次探测哈希表的下一个位置，直到找到一个空槽来存储键值对。

下面是Redis哈希表的主要组成部分：

哈希表数组：Redis的哈希表由一个数组构成，每个数组元素称为哈希表节点（Hash Table Node）。每个节点存储了一个键值对，包括键和值的指针。
哈希函数：Redis使用一种双重哈希函数（Double Hashing）来计算键的哈希值，并将哈希值映射到数组的索引位置。
冲突解决：当多个键映射到同一个索引位置时，发生了冲突。Redis使用线性探测法来解决冲突，即依次检查下一个位置，直到找到一个空槽。
动态扩容：当哈希表的负载因子超过一定阈值时，Redis会触发扩容操作，重新分配更大的数组，并将现有的键值对重新插入到新的哈希表中。这样可以保持哈希表的性能和空间效率。

3.压缩列表

在这里插入图片描述

压缩列表通过紧凑的存储方式、分层结构和数据压缩技术实现了高效的存储和表示方式。它在 Redis 中被广泛应用于列表和有序集合的存储，以及相关操作的实现。压缩列表的设计使得 Redis 可以在较小的内存占用下存储大量的元素，提供了高效的数据结构支持。

压缩列表（Compressed List）是 Redis 中用于存储和表示列表和有序集合的一种数据结构。它采用紧凑的方式存储多个元素，通过连续的内存块来减少存储空间的占用。

压缩列表的实现方式相对简单，下面是它的主要特点和实现原理：

紧凑存储：压缩列表将多个元素紧凑地存储在一块连续的内存区域中，避免了元素之间的指针开销，从而减少了存储空间的占用。
有序性：压缩列表中的元素按照插入顺序排列，并且支持按照元素的位置索引进行快速访问。
灵活的数据类型支持：压缩列表可以用于存储列表（List）和有序集合（Sorted Set）两种数据类型。它可以存储不同类型的元素，例如整数、浮点数和字节数组等。
分层结构：压缩列表可以分为多个层级，每个层级包含一系列连续的节点。每个节点包含一个字节数组来存储元素数据，并带有一些控制信息，如元素长度和编码方式。
数据压缩：为了进一步减少存储空间的占用，压缩列表使用不同的编码方式来表示不同长度的元素。根据元素的长度，可以选择使用整型编码、字节数组编码或者整型浮点数编码。

压缩列表优缺点

压缩列表在存储空间效率和插入/删除操作的性能上具有优势。然而，在随机访问和遍历操作方面可能存在一些开销。因此，在选择数据结构时，需要根据具体的使用场景和需求来权衡压缩列表的优缺点。

优点：

紧凑的存储形式：压缩列表采用紧凑的存储方式，通过连续的内存块存储多个元素，避免了指针开销，减少了存储空间的占用。
快速的插入和删除操作：由于数据的紧凑存储形式，压缩列表在插入和删除操作上表现出色。它可以在常数时间内进行这些操作，而不会受到内存分配和指针调整的开销。
有序性和快速的索引访问：压缩列表中的元素按照插入顺序排列，并且支持按照位置索引进行快速访问。通过偏移量计算，可以在常数时间内访问特定位置的元素。
简单的实现和高效的内存管理：相对于其他数据结构，压缩列表的实现相对简单，减少了额外的数据结构开销。此外，它还能有效地利用内存，因为它不需要为每个元素分配独立的节点。

缺点：

随机访问开销：虽然压缩列表支持按照位置索引进行快速访问，但对于大型列表，随机访问的性能会受到限制。这是因为压缩列表不具备像数组那样的连续内存访问特性，而是通过偏移量进行跳跃式访问。
遍历开销：由于压缩列表是紧凑存储的，遍历整个列表的开销相对较高。如果需要频繁地进行遍历操作，可能会影响性能。
更新操作的复杂性：对于较大的压缩列表，插入和删除操作可能涉及到数据的移动和内存的重新分配，这会带来一定的复杂性和开销。