Redis 是高性能内存数据库，其 Set（集合） 是一种存储无序且唯一元素的数据结构。集合底层基于哈希表实现，支持高效的增删查操作，并提供强大的集合运算功能。本文将系统讲解 Redis Set 的基础命令、集合运算、典型业务场景以及性能优化策略。

一、Redis Set 基础命令与核心特性

1. 基础增删查命令

Redis Set 的核心特性是 唯一性、无序性、快速访问。下面详细介绍每个基础命令的用法、原理和注意事项。

命令 作用与细节
SADD key member [member ...] 向集合中添加一个或多个元素。唯一性保证重复元素不会被添加，返回实际新增的元素数量。示例：SADD tags "tech" "sports"
SMEMBERS key 返回集合中所有元素，时间复杂度 O(N)。大集合会阻塞 Redis 主线程，生产环境建议用 SSCAN 分批遍历。
SISMEMBER key member 判断元素是否存在于集合中，时间复杂度 O(1)。适合频繁判断操作，例如用户标签检查。
SCARD key 返回集合元素数量，时间复杂度 O(1)，读取元数据即可，无需遍历。
SPOP key [count] 随机移除并返回一个或多个元素。注意：Redis 内部随机是哈希表遍历顺序，并非完全均匀随机。示例：SPOP prizes 1
SMOVE source destination member 原子操作，将元素从 source 集合移动到 destination 集合。若 source 无该元素，返回 0；若 destination 已存在该元素，仅从 source 删除。
SREM key member [member ...] 删除集合中一个或多个元素，返回实际删除数量。时间复杂度 O(1) 单元素。

  1. sadd

  1. Smembers

  1. Sismember

  1. Scard

  1. Spop

2. 核心特性

  1. 唯一性

    1. 集合自动去重，适合存储不允许重复的元素，例如用户标签、已读消息 ID、任务唯一标识。

    2. 示例：

SADD user:1:tags "tech"
SADD user:1:tags "tech"  # 不会重复添加

  1. 无序性

    1. 元素存储顺序与插入顺序无关。

    2. 底层采用哈希表，增删查时间复杂度均为 O(1)。

    3. 示例：

SADD set1 1 2 3
SMEMBERS set1  # 返回顺序可能是 2,3,1

  1. 随机性

    1. SPOP、SRANDMEMBER 可随机获取元素，适合抽奖、推荐系统。

    2. 注意：随机性是哈希表遍历顺序，不是严格均匀随机。

二、Set 集合运算命令

Redis Set 提供高效的集合运算，可实现交集、并集和差集操作。

1. 基础集合运算

运算类型 含义 命令示例
交集（Inter） 多个集合的共同元素 SINTER key1 key2
并集（Union） 多个集合的所有元素（去重） SUNION key1 key2
差集（Diff） 在集合 A 中存在但在其他集合中不存在的元素 SDIFF key1 key2

  • 集合运算原理：

    • Redis 使用底层哈希表快速查找元素。

    • 时间复杂度通常为 O(M*N)，M 为最小集合大小，N 为集合数量。

2. 存储型运算命令

  • SINTERSTORE、SUNIONSTORE、SDIFFSTORE：

    • 将运算结果存储到目标集合，避免重复计算。

    • 示例：

SINTERSTORE common:friends user:1:friends user:2:friends

  • 适用场景：

    • 频繁复用运算结果。

    • 减少重复集合计算的性能开销。

三、典型业务场景

1. 标签系统

  • 应用示例：

SADD user:1:tags "tech" "sports"
SISMEMBER user:1:tags "tech"  # true
SMEMBERS user:1:tags           # 返回所有标签

  • 推荐系统：

    • 计算共同兴趣：

SINTER user:1:tags user:2:tags

2. 抽奖/随机推荐

  • 随机抽奖：

SPOP prizes 1  # 从奖品集合随机抽取一名获奖者

  • 随机推荐：

    • 若需要保留原集合，可用 SRANDMEMBER：

SRANDMEMBER products 5  # 随机获取 5 个商品

3. 好友关系与共同关注

  • 好友关系存储：

SADD user:1:friends 2 3 4
SADD user:2:friends 3 4 5

  • 计算共同好友：

SINTER user:1:friends user:2:friends  # 返回 3,4

  • 分析单向关注：

SDIFF user:1:friends user:2:friends  # 返回 user:1 关注但 user:2 未关注的好友

四、性能注意事项与最佳实践

  1. 避免全量遍历

    1. SMEMBERS 返回所有元素，若集合过大，会阻塞 Redis 主线程。

    2. 推荐使用 SSCAN 进行增量扫描：

SSCAN key 0 MATCH pattern COUNT 100

  1. 集合运算的性能风险

    SINTERSTORE cached:common_tags user:1:tags user:2:tags

    1. 大集合频繁执行 SINTER、SUNION 会增加 CPU 开销。

    2. 优化策略：

      • 预计算结果并存储到新集合中，减少重复计算。

      • 示例：

  2. 随机命令的特性

    1. SPOP 和 SRANDMEMBER 的随机性基于哈希表内部结构。

    2. 对于严格均匀随机抽样，可结合业务逻辑二次处理。

  3. 数据量适配

    1. Redis 会自动选择集合编码：

      • intset：元素为整数且数量小，内存紧凑。

      • hashtable：元素较多或包含非整数，支持 O(1) 增删查。

    2. 开发者无需干预，但理解编码切换有助于分析性能瓶颈。

  4. 集合操作最佳实践

    1. 小集合：可直接使用 SMEMBERS 和集合运算命令。

    2. 大集合：使用 SSCAN 和 *STORE 命令减少性能压力。

    3. 避免频繁随机抽取大量元素，推荐先缓存或分片处理。

五、Redis Set 集合运算命令与底层编码

1. 核心集合运算命令

Redis 提供的集合运算命令可以对多个集合进行交集、并集和差集计算，同时支持直接存储结果，避免重复计算。

命令 功能与细节 示例
SUNION key [key ...] 返回多个集合的 并集，即所有集合的元素去重后的结果。时间复杂度 O(N)，N 为参与集合的总元素数。 SUNION tags:male tags:sports
SUNIONSTORE destination key [key ...] 计算多个集合的并集并存储到 destination 集合中，避免重复计算。 SUNIONSTORE tags:combined tags:male tags:sports
SDIFF key [key ...] 返回多个集合的 差集，即在第一个集合中存在、但在其他集合中不存在的元素。 SDIFF friends:user:1 friends:user:2
SDIFFSTORE destination key [key ...] 计算差集并存储到目标集合，减少重复运算开销。 SDIFFSTORE friends:unique friends:user:1 friends:user:2
SINTER key [key ...] 返回多个集合的 交集，即所有集合的共同元素。时间复杂度 O(M*K)（M 为最小集合大小，K 为集合数量），大集合场景需谨慎使用。 SINTER tags:male tags:sports
SINTERSTORE destination key [key ...] 计算交集并存储到目标集合，适合频繁复用交集结果的业务场景。 SINTERSTORE tags:active_male tags:male tags:active

使用示例：

# 用户标签集合
SADD user:1:tags "sports" "tech" "music"
SADD user:2:tags "tech" "movies" "music"

# 并集
SUNION user:1:tags user:2:tags
# 输出: "sports", "tech", "music", "movies"

# 交集
SINTER user:1:tags user:2:tags
# 输出: "tech", "music"

# 差集
SDIFF user:1:tags user:2:tags
# 输出: "sports"

2. 底层编码与优化

Redis Set 底层根据元素类型和数量使用 两种编码：

  1. intset（整数集合）

    1. 当集合元素为整数且数量较少时使用。

    2. 内存占用小，存储在紧凑的数组中。

    3. 增删查复杂度为 O(N)（小集合，性能影响可忽略）。

    4. 自动切换阈值：

      • 集合大小或整数范围超过阈值，自动切换为 hashtable。

  2. hashtable（哈希表）

    1. 元素为字符串或集合较大时使用。

    2. 增删查复杂度为 O(1)。

    3. 内存消耗比 intset 高，但可支持大集合和高并发访问。

开发者优化思路：

  • 对小集合存储整数元素，可充分利用 intset 的内存优势。

  • 对大集合或混合类型集合，使用 hashtable，确保 O(1) 的操作性能。

  • 编码切换是 Redis 自动完成的，无需手动干预，但理解机制有助于优化内存与性能。

六、Set 的典型业务场景

Redis Set 的核心优势在于 唯一性、无序性、集合运算能力，可广泛应用于用户画像、社交关系、去重统计等场景。

1. 用户画像与标签系统

  • 场景说明：

    • 每个用户打标签（性别、兴趣、消费行为、活跃度等）。

    • 通过集合运算分析用户特征，实现精准营销和推荐。

  • 实现示例：

# 用户标签
SADD user:1:tags "female" "25-30" "sports" "premium"
SADD user:2:tags "female" "25-30" "sports"

# 交集 - 查找 25-30 岁女性喜欢运动的用户
SINTER user:1:tags user:2:tags
# 输出: "female", "25-30", "sports"

# 并集 - 合并多个标签用户群体
SUNION user:1:tags user:2:tags
# 输出: "female", "25-30", "sports", "premium"

  • 商业价值：

    • 精准营销：通过交集获取目标群体。

    • 用户分层：利用标签组合区分高价值用户与潜在用户。

    • 个性化推荐：基于标签交集计算兴趣相似度。

2. 社交关系计算

  • 好友关系：

SADD user:1:friends 2 3 4
SADD user:2:friends 3 4 5

# 共同好友
SINTER user:1:friends user:2:friends
# 输出: 3, 4

# 单向关注分析
SDIFF user:1:friends user:2:friends
# 输出: 2

  • 应用场景：

    • 社交平台共同好友推荐。

    • 关系图分析，辅助好友推荐算法。

    • 单向关注统计，如分析未互粉用户。

3. 数据去重与统计

  • PV / UV 统计：

    • PV（页面浏览量）：每次访问增加计数即可，用 String。

    • UV（独立访客数）：需去重，用 Set 存储访问用户 ID，SCARD 获取集合大小。

# UV 统计
SADD uv:20260126 user:1001
SADD uv:20260126 user:1002
SCARD uv:20260126
# 输出: 2

  • 优势：

    • 去重天然支持。

    • 增删查时间复杂度 O(1)，适合高并发环境。

  • 时间窗口管理：

    • 为日/周/月统计，可通过 key 前缀区分：

uv:20260126  # 日 UV
uv:2026w4    # 周 UV
uv:2026m1    # 月 UV

七、延伸思考：互联网大厂的业务与技术逻辑

1. 用户分层的商业价值

  • 用户分层是精准营销和流量变现的核心。

  • 通过 Set 存储的用户标签，可以将用户按兴趣、消费行为、活跃度分层。

  • 示例：

    • 高价值用户 → 定向推送优惠券。

    • 潜在用户 → 推送低价引流商品。

  • 核心逻辑：通过集合运算快速划分群体，实现业务目标。

  1. 技术与业务协同

  • 大厂技术方案本质上是为业务目标服务。

  • Set 的集合运算能力为“用户画像、社交关系、去重统计”等场景提供高效解决方案。

  • 技术选型原则：

    • 解决业务痛点优先。

    • 性能优化要结合业务特性，如 UV 统计用 Set 而非 String。

八、性能注意事项与最佳实践

  1. 大集合运算风险

    SINTERSTORE tags:active_female tags:female tags:active

    1. SINTER、SUNION 对大集合性能影响大。

    2. 优化策略：

      • 使用 *STORE 命令预计算并存储结果。

      • 示例：

  2. 编码感知优化

    1. 小整数集合 → intset，节省内存。

    2. 字符串或大集合 → hashtable，保证 O(1) 访问。

    3. 了解编码切换有助于调优内存和性能。

  3. 时间窗口管理

    1. UV/活跃用户统计等需按日/周/月管理。

    2. 避免集合无限增长，定期清理历史 key。

  4. 渐进式遍历替代全量查询

    1. 大集合避免使用 SMEMBERS。

    2. 推荐使用 SSCAN：

SSCAN uv:20260126 0 MATCH user:* COUNT 100

  1. 随机命令使用注意

    1. SPOP、SRANDMEMBER 随机性基于哈希表遍历顺序。

    2. 若业务需要严格均匀随机，可结合应用逻辑进行二次处理。

✅ 总结

  • Redis Set 核心特性：

    • 唯一性：天然去重，适合 UV 统计、用户标签。

    • 无序性：基于哈希表，增删查 O(1)。

    • 集合运算能力：交集、并集、差集，高效支撑用户画像、社交关系计算。

  • 命令体系：

    • 基础增删查：SADD、SREM、SISMEMBER、SCARD、SPOP。

    • 集合运算：SINTER、SUNION、SDIFF 及对应 *STORE 命令。

  • 典型场景：

    • 用户画像与标签系统 → 精准营销。

    • 社交关系分析 → 好友推荐、单向关注统计。

    • 数据去重与统计 → UV、独立用户计数。

  • 性能优化：

    • 大集合使用 SSCAN，避免阻塞。

    • 高频集合运算使用 *STORE 缓存结果。

    • 注意编码切换，利用 intset 内存紧凑优势。

    • 时间窗口管理，避免集合无限增长。

# redis # 性能优化 # 数据库 # 缓存
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

半价 Claude 上线，OpenAI 却先崩了

avatar AI编程社区

2026实测横评：Claude Code国产平替Agent选型指南

对比海外Claude Code，国产Agent工具的核心优势在于适配国内企业协同体系、数据合规可控、无访问限制，不同产品的场景侧重存在区分。飞书 aily 凭借均衡的综合能力、完善的企业管控、原生办公生态联动，成为大多数中大型企业的首选平替方案，兼顾代码开发与团队协作双重需求；垂直开发工具则更适合单一技术团队独立采购。

avatar AI编程社区

Claude 5 上下文怎么瘦身：先画冲突图，再做逐项删除回归

Anthropic披露精简Claude Code的system prompt时删除80%内容且无评测损失，但强调不应简单套用比例。关键在于三点：梳理上下文来源（如system prompt、Skills等），识别冲突规则，并通过回归测试验证删除安全性。建议建立上下文清单和冲突图，按风险分组删除并绑定回归样本测试。同时可将常驻说明改为按需加载，确保触发准确性。最终目标不是单纯减少token，而是消除

avatar AI编程社区