当前位置:首页 > 文章列表 > 数据库 > Redis > Redis如何用SDIFF找新增关注对象

Redis如何用SDIFF找新增关注对象

2026-04-05 19:24:23 0浏览 收藏
Redis 的 SDIFF 命令本身无法直接识别“新增关注”,它仅执行静态集合差运算,不感知时间或变化顺序;真正实现新增关注分析,必须预先构建两个语义清晰、命名规范(如按日期或带哈希标签)的快照集合(例如 follow:uid:123:20240520 和 follow:uid:123:20240521),再用 SDIFF 计算差集——否则极易因键名错误、空键误判、客户端解析异常或集群跨槽限制导致结果失真;尤其在大规模场景下,还需权衡全量快照比对的性能开销与增量日志方案的架构适配性。

Redis怎样找出新增的关注对象_基于Set的SDIFF指令求取差集

SDIFF 能不能直接找出“新增关注”

不能——SDIFF 本身只做集合差运算,不记录时间或顺序。所谓“新增”,本质是对比两个时间点的 follow_set:旧快照 vs 新快照。你得先有这两个集合,SDIFF 才能算出“新加入的成员”。常见错误是拿当前关注集和一个空集、或和用户资料集去差,结果要么全返回、要么恒为空。

怎么构造两个可比的 Set

关键在命名和写入时机。必须让 Redis 里同时存在两个有明确语义的 Set:

  • follow:uid:123:20240520(昨天快照)
  • follow:uid:123:20240521(今天快照)

或者更稳妥地用带过期的临时键:follow:uid:123:tmp_new 和 follow:uid:123:tmp_old,每次更新前先 RENAME 旧键再写新键。别用 SADD 增量写入后直接差——那不是“新增”,是“当前全量减去某静态参考集”,语义错位。

SDIFF 返回结果为空却以为有新增

典型原因有三个:

  • 两个键名拼错,比如少写了 :uid: 或日期格式不一致(2024-05-21 vs 20240521),SDIFF 对不存在的键视为空集,SDIFF a b 中若 b 不存在,结果等价于 SMEMBERS a
  • 用了 SDIFFSTORE 但目标键已存在且没清空,导致结果被追加而非覆盖
  • 客户端自动去重或截断了返回的 RESP2 数组,尤其在某些 Lua 脚本或旧版驱动里,把单元素结果误判为 nil

调试时先手动跑:SDIFF follow:uid:123:20240520 follow:uid:123:20240521,看原始输出是否符合预期。

性能和数据一致性要注意什么

大关注量用户(比如百万级)下,SDIFF 是 O(N+M) 时间复杂度,N、M 分别为两个 Set 的基数。如果每天全量 dump 再 diff,内存和 CPU 压力会随关注数线性上涨。更轻量的做法是改用「增量日志」:每次 SADD 同时往 follow_log:uid:123(List 或 Stream)推一条记录,再用 XREAD 拉取未处理的新增 ID。不过这就脱离 SDIFF 场景了——真正要用 SDIFF,就得接受它只适合中低频、中小规模的离线比对。

另外,Redis Cluster 下 SDIFF 要求所有 key 在同一个 slot,否则报 CROSSSLOT Keys in request don't hash to the same slot 错误。所以键名设计必须带相同哈希标签,比如都写成 {follow:uid:123}:20240520 和 {follow:uid:123}:20240521。

以上就是《Redis如何用SDIFF找新增关注对象》的详细内容,更多关于的资料请关注golang学习网公众号!

Win11激活服务器配置指南Win11激活服务器配置指南
上一篇
Win11激活服务器配置指南
Word目录按Ctrl跳转正文方法
下一篇
Word目录按Ctrl跳转正文方法
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    416次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    496次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    504次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    450次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    281次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码