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):

统计方式 占用计算 1亿用户占用空间(M)
MySQL 32bit的int数据类型 1个int所需存储空间为4字节,可存储32 bit位 10^8 / (1024 * 1024 * 8 / 32) ≈ 381 M
Redis Bitmaps Bitmaps单个支持512M,不像int单个仅存储32位 10^8 / (1024 * 1024 * 8) ≈ 12M

__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

对比/数据类型 Sets HyperLogLog
是否实际存储统计元素 存储 不存储元素,仅存储存在的标记
增加元素 SADD PFADD
统计元素数量 SCARD PFCOUNT
删除元素 SREM 不支持删除元素

HyperLogLog如何使用

HyperLogLog核心命令:PFADD、PFCOUNT、PFMERGE

HyperLogLog命令对比分析

命令 功能 参数
PFADD 添加元素到HLL数据结构 key element [element …]
PFCOUNT 返回HLL的基数值 key [key …]
PFMERGE 合并多个HLL结构数据到destkey destkey sourcekey [sourcekey …]

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

Redis-HyperLogLog操作

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
// 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.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
// 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

Powered by AppBlog.CN     浙ICP备14037229号

Copyright © 2012 - 2021 APP开发技术博客 All Rights Reserved.

访客数 : | 访问量 :