最近在工作中有一个统计图片浏览量和保存次数的需求，由于性能问题，我们不能频繁的操作MySQL数据库，在这里就可以使用redis作为计数器，再定期更新到数据库。下面我总结了几种常见的PV、UV、IP统计方案。
- PV（Page View）页面浏览量
- UV（Unique Visitor）独立访客数量
- IP（Internet Protocol）独立IP数
Redis INCR
简单的key-value计数器，key包含要统计对象的标识，value为访问量。
命令介绍：
INCR：将key值递增1，返回最新的值。
INCR是原子增量，即使多个客户端针对同一key发出 INCR，也永远不会进入争用状态。例如，客户端 1 读取“10”，客户端 2 同时读取“10”，两者都递增为 11，并将新值设置为 11，这种情况永远不会发生。最终值将始终为 12。
使用示例：
# 新增文章123的访问量
>incr article:123:view
1
>incr article:123:view
2
# 获取文章123的访问量
>get article:123:view
2适用于：
PV、无需去重的统计
Redis Sets
redis集合元素具有唯一性，可以轻松实现去重统计。
命令介绍：
SADD：将新成员添加到集合中。SREM：从集合中删除指定的成员。SISMEMBER：判断元素是否是集合的成员。SINTER：返回两个或多个集合的交集。SCARD：返回集合的大小（又名基数）。
使用示例：
# 文章123被用户2访问
>sadd article:123:user 2
1
# 文章123被用户6访问
>sadd article:123:user 6
1
# 检查用户2是否浏览了文章123
>sismember article:123:user 2
1
# 文章123的总用户访问量
>scard article:123:user
2假设每个文章需要存储100w个用户id（id依次递增1-1000000），那么内存占用量为：
6543216 bytes = 6543216/1024/1024 MB = 6.24 MB。
单个对象需要的内存不多，但是如果有1000个对象（文章），那么存储量将是 6.24 * 1000 = 6240 MB，这就很离谱了。
适用于：
少量数据、精确的统计、独立IP数
性能：
大多数集合操作（包括添加、删除和检查项目是否为集合成员）都是 O（1）。这意味着它们非常高效。但是，对于具有数十万或更多成员的大型集合，在运行SMEMBERS命令时应格外小心。此命令为 O（n），并在单个响应中返回整个集合。作为替代方法，请考虑SSCAN，它允许您以迭代方式检索集合的所有成员。
对大型数据集的集合成员资格检查可能会占用大量内存。如果您担心内存使用情况并且不需要完美的精度，请考虑使用Bloom过滤器或Cuckoo过滤器作为集合的替代方案。
Redis Bitmap
位图，用一个bit位来表示某个元素对应的状态（0或1）。
位图的最大优点之一是，在存储信息时，它们通常可以节省极大的空间。仅使用512MB 内存即可记住40亿用户的布尔信息（例如，知道用户是否想要接收新闻稿）。
命令介绍：
SETBIT：对key所储存的字符串值，设置或清除指定偏移量上的位(bit)。返回值为偏移位上的原始值。
具体语法：setbit key offset value，其中offset是偏移位，通常可以是对象标识ID；value表示对偏移位清除或设置，即0或1。
-
BITCOUNT：返回key所储存的字符串值设置为 1 的位数。 -
GETBIT：获取指定偏移量上的位值（0或1）。 -
BITOP operation destkey key [key ...]：在多个字符串key之间执行按位运算（AND、OR、XOR 和 NOT），并将结果存储在目标键中。 -
BITPOS key bit [start [end [BYTE | BIT]]]：返回字符串中设置为 1 或 0 的第一个位的位置。
使用示例：
# 文章123被用户6访问
>setbit article:123:user 6 1
0
# 文章123被用户9访问
>setbit article:123:user 9 1
0
>setbit article:123:user 9 1
1
# 检查用户9是否浏览了文章123
>getbit article:123:user 9
1
# 文章123的总用户访问量
>bitcount article:123:user
2假设每个文章需要存储100w个用户id，占用的内存是 1000000/8/1024/1024=0.11920929 MB。
如果有1000个文章，那么存储量将是 0.11920929 * 1000 = 119.20929 MB。
由此可见，当统计较多对象时还是比较消耗内存的。
适用于：
集合成员对应整数0-n、精确统计、 统计对象key单一或较少、用户月签到记录等
Redis HyperLogLog
HyperLogLog是用来做基数统计的算法。它的优点是，在输入元素的数量或者体积非常非常大时，计算基数所需的空间总是固定的、并且是很小的。
Redis HyperLogLog 牺牲数据的精准性来节省内存的占用空间，只需要12K内存就能统计2^64个数据, 0.81% 的标准误差。
命令介绍：
PFADD：将项目添加到 HyperLogLog 中。PFCOUNT：返回集合中项目数的估计值。PFMERGE：将两个或多个HyperLogsLogs合并为一个。
使用示例：
# 文章123被用户3访问
>pfadd article:123:view 3
1
# 文章123被用户95访问
>pfadd article:123:view 95
1
# 被添加元素可以是字符串
>pfadd article:123:view abc
1
# 获取访问量
>pfcount article:123:view
3
# 批量添加元素
>pfadd hll a b c d e f g
1
>pfcount hll
7同步策略
-
在业务低频的时候同步到数据库。
-
对于实时性要求高的，后台可以直接读取redis的数据。
-
在key加上日期，每次持久化只处理过去时间的、key的值不会再变化的，如此一来，可以保证临界点数据（读出redis数据，然后写入数据库，最后重置或删除key期间产生的新数据）不丢失。
想想埋点，会不会是更好地方案呢~