当前位置:首页 > 文章列表 > 数据库 > Redis > Redis SSCAN 怎样渐进遍历 Set 并处理重复返回

Redis SSCAN 怎样渐进遍历 Set 并处理重复返回

来源:17golang原创 2026-11-20 07:56:11 0浏览 收藏

如果 Set 里有几十万成员,直接使用 SMEMBERS 会把全部结果集中到一次响应中;更稳妥的做法是从游标 0 开始调用 SSCAN,每次接收“下一游标 + 一批成员”,直到下一游标再次变成 0。但它不是传统分页:COUNT 只是工作量提示,遍历期间数据变化时同一个成员也可能被返回多次,所以客户端还要做幂等去重。

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

先把 SSCAN 的游标契约弄清楚

SSCAN 的基本形式是 SSCAN key cursor [MATCH pattern] [COUNT count]。第一次传入 0,Redis 返回新的游标和当前批次成员;下一次必须把这个新游标原样传回去。只要返回游标不是 0,遍历就没有结束。

# 从 0 开始,后续使用 Redis 返回的下一游标
redis-cli SSCAN user:roles 0 COUNT 100

# 假设返回游标是 348,继续扫描同一个 Set
redis-cli SSCAN user:roles 348 COUNT 100

# 返回游标重新为 0,才表示本轮完整遍历结束
redis-cli SSCAN user:roles 0 COUNT 100

这里最后一行只是展示“回到 0”的结果形态,实际程序不能在拿到非零游标时自行重置。游标是 Redis 为这次扫描维护的遍历位置,不是可保存、可跳转的页码;也不要把它和成员数量或页数建立固定换算。

SSCAN 游标与 Set 成员的关系说明图
图1:SSCAN 游标与 Set 成员的关系说明图,重点看服务端游标和客户端返回值的边界。

COUNT 和 MATCH 只改变扫描提示与过滤

COUNT 100 的含义接近“希望这次多做一些工作”,不是承诺返回恰好 100 个成员。集合编码、当前内部状态和 MATCH 过滤都会影响实际批次大小;因此不能用一次返回的长度推断剩余数量,也不能把 COUNT 当作精确分页大小。

MATCH 会在 SSCAN 的扫描结果上做模式过滤。例如只取以 team: 开头的成员:

# MATCH 使用 Redis glob 风格模式,不是正则表达式
redis-cli SSCAN user:roles 0 MATCH 'team:*' COUNT 200

如果要得到全部符合条件的成员,仍然要循环到游标为 0。过滤后某次返回空数组并不等于遍历结束,判断结束条件只能看游标。

为什么同一个成员可能返回多次

SSCAN 面向渐进式遍历,不提供一个冻结的 Set 快照。Redis 官方说明了完整迭代的边界:在满足条件的正常完整遍历中,集合中从头到尾一直存在的成员应至少返回一次,但客户端仍应容忍重复返回;如果 Set 在扫描期间发生添加或删除,结果还会受到集合状态变化影响。

因此,下游写入、统计或发送消息时不要直接把每一批拼起来。最小的去重策略是维护一个本地 seen 集合,只处理第一次见到的成员:

# seen 保证同一轮扫描内的下游动作具备幂等性
import redis

client = redis.Redis(host="127.0.0.1", port=6379, decode_responses=True)
cursor = 0
seen = set()

while True:
    # COUNT 是提示值;返回批次不一定正好等于 200
    cursor, members = client.sscan("user:roles", cursor=cursor, count=200)
    for member in members:
        # SSCAN 允许重复返回,重复成员不重复交给下游
        if member in seen:
            continue
        seen.add(member)
        print("处理成员:", member)

    # 只有服务端返回 0 才结束完整遍历
    if cursor == 0:
        break
SSCAN 重复返回与客户端去重关系说明图
图2:重复返回与客户端幂等去重的关系说明图,重点看扫描结果和下游结果之间的隔离。

数据会变化时,怎样选择扫描策略

如果 Set 在扫描期间基本不变,上面的循环适合做后台清点、导出或低峰期维护。若集合会持续写入,建议把“扫描一轮”当成尽力而为的观察窗口:记录开始时间、扫描游标和业务批次号,让下游操作具备幂等性,不要把结果宣称为某一时刻的精确快照。

还有三个实用边界:

  • 不要因为某次 members 为空就退出;必须继续使用返回游标。
  • 不要把客户端 seen 无限保留到所有历史任务;它只应覆盖当前扫描批次,必要时按业务键做有界去重。
  • 如果业务要求严格一致的名单,应先设计快照或版本化数据方案,而不是依赖 SSCAN 的游标模拟快照。

速查与常见问题

问题正确判断
COUNT 是精确条数吗?不是,它是每次调用的工作量提示。
返回空数组就结束了吗?不是,只有返回游标为 0 才结束。
重复成员是客户端 bug 吗?不一定,客户端应按协议容忍并去重。
SSCAN 是快照吗?不是;遍历期间修改 Set 会影响观察结果。

SSCAN 能替代 SMEMBERS 吗? 在需要分批读取、降低单次响应压力时可以;如果集合很小且确实需要一次性结果,SMEMBERS 更直接。

可以把游标保存起来下次接着扫吗? 不建议把它当长期断点。游标只服务于一轮扫描,数据结构变化或任务间隔都会让“续扫”的语义变得不可靠。

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 HSCAN 怎样渐进遍历大 HashRedis HSCAN 怎样渐进遍历大 Hash
上一篇
Redis HSCAN 怎样渐进遍历大 Hash
Redis UNLINK 怎样异步删除大键
下一篇
Redis UNLINK 怎样异步删除大键
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