当前位置:首页 > 文章列表 > 数据库 > Redis > Redis HSCAN 怎样渐进遍历大 Hash

Redis HSCAN 怎样渐进遍历大 Hash

来源:17golang原创 2026-11-20 07:54:19 0浏览 收藏

Redis 的大 Hash 不适合用一次 HGETALL 全量搬到客户端。更稳妥的做法是使用 HSCAN:从游标 0 开始读取一小段,把本次返回的游标传给下一次调用,直到返回游标再次变成 0。COUNT 只是每轮数量提示,不是严格页大小;因此某一轮返回较少,甚至暂时没有匹配字段,都不能提前结束遍历。

官方地址:https://redis.io/docs/latest/commands/hscan/

下面的示例只围绕“渐进遍历一个大 Hash”展开,不把 HSCAN 当成有稳定顺序的数据库分页器。

先把 HSCAN 看成游标查询

HSCAN 的最小形式是 HSCAN key cursor。第一次调用把游标设为 0,Redis 返回两部分:下一次要使用的游标,以及本轮扫描到的 field/value 对。下一次调用必须使用前一轮返回的游标,而不是自行加一页编号。

# 从 0 开始读取 profile:large;返回游标要交给下一轮
redis-cli --raw HSCAN profile:large 0 COUNT 200

# MATCH 使用 glob 风格匹配字段名,COUNT 仍然只是数量提示
redis-cli --raw HSCAN profile:large 0 MATCH 'user:*' COUNT 200
HSCAN 的 key、游标、匹配条件、数量提示与 field/value 返回结构说明图
图1:HSCAN 结构说明图,查看输入参数、返回游标和 field/value 结果之间的关系;这是静态说明图,不是运行截图。

判断一轮是否结束只看返回游标:返回值为 0 才表示本轮游标遍历完成。HSCAN 每次调用的复杂度是 O(1),完整遍历需要多次调用,总体复杂度与 Hash 中元素数量相关。

COUNT、MATCH 和 NOVALUES 怎么搭配

COUNT 是 Redis 对本轮工作量的提示,默认值为 10,并不承诺每次返回固定数量。Hash 较大时可以先从 100 或 200 这类适中的值开始,再按客户端内存、单次处理耗时和 Redis 延迟调整。

MATCH 只保留字段名符合 glob 模式的结果。它不是索引,也不会把扫描成本变成只访问匹配字段;过滤条件越窄,返回结果可能越稀疏,所以仍然要继续消费游标。

如果任务只需要字段名,可以使用 Redis 7.4 引入的 NOVALUES,减少返回数据量;如果后续还要读取值,就不要为了省流量而丢掉 value。

需求建议注意
处理整个 Hash从 0 开始,循环传递 cursor直到 cursor 为 0,不能按返回条数判断
只处理一类字段使用 MATCH,如 user:*匹配是 glob 过滤,不是精确分页
只要字段名使用 NOVALUES确认服务端支持 Redis 7.4 及以上语义
要求固定顺序或一致快照重新设计数据模型或离线快照不要把 HSCAN 当排序分页
HSCAN 与 HGETALL、过滤扫描、字段名扫描和一致快照需求之间的选择边界说明图
图2:方案边界说明图,比较渐进扫描、全量读取、字段过滤和快照需求;这是静态说明图,不是运行截图。

用循环消费返回游标

实际消费时,客户端需要保存两个状态:当前游标和本轮返回的数据。下面用 Bash 展示控制逻辑;解析 field/value 的具体方式可以替换成项目使用的 Redis 客户端。

#!/usr/bin/env bash
set -eu

key='profile:large'
cursor='0'

while :; do
  # COUNT 只控制服务端倾向的批量,不能假设固定返回 200 个字段
  reply=$(redis-cli --raw HSCAN "$key" "$cursor" MATCH 'user:*' COUNT 200)

  # 第一行是下一游标,其余内容按 field/value 成对返回
  next_cursor=$(printf '%s\n' "$reply" | sed -n '1p')
  printf '%s\n' "$reply" | tail -n +2

  # 只有 Redis 返回 0,才结束这一轮遍历
  [ "$next_cursor" = '0' ] && break
  cursor="$next_cursor"
done

生产代码中不要把每轮结果无限累积在内存里,应当边读边处理,或写入有界队列。若 Hash 在遍历期间会持续新增、删除或修改字段,也不要把这次扫描当作严格时间点快照;需要一致性时,应采用版本化数据、复制出的快照或专门的离线任务。

什么时候该换成其他方案

Hash 较小、调用方确实需要全部字段,而且没有明显的响应体压力时,HGETALL 更直接。字段名有明确检索条件但仍要控制单次工作量时,HSCAN 更合适。只需要知道某些固定字段时,直接使用 HMGET 往往比扫描更清楚。

可以用下面的判断收尾:是否允许多轮读取?是否能接受无序结果?是否能接受并发修改下的非快照语义?三个问题都能回答“可以”,再选 HSCAN;否则先解决数据模型或一致性要求。

常见问题

HSCAN 的 COUNT 是不是每页固定数量?

不是。COUNT 是工作量提示,实际返回数量会变化,结束条件仍然是返回游标等于 0。

MATCH 没有返回结果,是不是已经扫描结束?

不是。过滤后某一轮可能为空,只要游标不是 0,就必须继续请求。

HSCAN 能保证字段按插入顺序返回吗?

不能。若业务依赖稳定顺序,应在数据中保存可排序字段,并改用适合排序读取的数据结构或快照流程。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Redis XINFO STREAM 的 entries-added 为什么不等于 XLENRedis XINFO STREAM 的 entries-added 为什么不等于 XLEN
上一篇
Redis XINFO STREAM 的 entries-added 为什么不等于 XLEN
Redis SSCAN 怎样渐进遍历 Set 并处理重复返回
下一篇
Redis SSCAN 怎样渐进遍历 Set 并处理重复返回
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。
    1137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。
    1121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。
    1299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。
    1237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。
    1089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