Analityka stron i aplikacji
Dzienni i miesięczni unikalni użytkownicy na stronę lub funkcję, scalani między dniami przez PFMERGE.
Dane podstawoweAnalityka
Zliczanie w dużej skali ze strukturami probabilistycznymi
Unikalni odwiedzający, „czy to już widzieliśmy?”, najpopularniejsze elementy i częstotliwości w miliardach zdarzeń, każde w małej, stałej ilości pamięci.
- struktury probabilistyczne
- 4
- pamięć na strukturę
- Stała
- granice błędu
- Znane
Krok 1 z 5
Unikalni odwiedzający
Dodawaj identyfikatory odwiedzających do HyperLogLog. Pamięć pozostaje mała, ilu by ich nie przybyło.
Przykładowa sesjaplaying
# Unikalni odwiedzający
hotkv> PFADD visitors:2026-10-16 user:42 user:77 user:91
(integer) 1
Animowany przegląd z prawdziwymi poleceniami HotKV i przykładowymi odpowiedziami. Kliknij dowolny krok, aby do niego przejść. Polecenia i odpowiedzi pozostają po angielsku, dokładnie tak, jak je wpisujesz i widzisz w HotKV.
Problem
Dokładne odpowiedzi na „ilu unikalnych użytkowników”, „czy już wysyłaliśmy ten e-mail” lub „jakie są najpopularniejsze wyszukiwania” wymagają pamięci rosnącej z każdym odrębnym elementem. Przy miliardach zdarzeń daje to gigabajty zbiorów i liczników na pytanie.
Jak radzi sobie z tym HotKV
Struktury probabilistyczne wymieniają mały, znany błąd na stałą pamięć. HyperLogLog zlicza odrębne elementy, filtry Blooma odpowiadają o przynależności, Top-K śledzi najczęstsze elementy, a szkice Count-min szacują, jak często wystąpił dowolny element. Wszystkie cztery są wbudowane w HotKV.
Krok po kroku
Co się dzieje, polecenie po poleceniu
- 01
Unikalni odwiedzający
Dodawaj identyfikatory odwiedzających do HyperLogLog. Pamięć pozostaje mała, ilu by ich nie przybyło.
PFADD visitors:2026-10-16 user:42 user:77 user:91 - 02
Ilu?
Szacunek odrębnych odwiedzających z małym błędem standardowym.
PFCOUNT visitors:2026-10-16 - 03
Nigdy nie wysyłaj dwa razy
Przed wysłaniem e-maila kampanii sprawdź, czy ten adres już go dostał.
BF.EXISTS sent:campaign:fall ada@example.com - 04
Najpopularniejsze wyszukiwania
Top-K utrzymuje najczęstsze elementy w miarę napływu zdarzeń.
TOPK.LIST searches:today WITHCOUNT - 05
Jak często dla dowolnego elementu
Szkic Count-min szacuje liczbę wystąpień dowolnego elementu, wymienionego lub nie.
CMS.QUERY pageviews /home /pricing /blog
Gdzie się sprawdza
Scenariusze z życia
E-mail i powiadomienia
Filtry Blooma zapobiegają duplikatom wysyłek przy ponowieniach i kampaniach.
Wyszukiwanie i handel
Najpopularniejsze zapytania i najczęściej oglądane produkty są śledzone na żywo na potrzeby merchandisingu.
Wbudowane
Co dostajesz
HyperLogLog
Liczby odrębnych elementów, możliwe do scalania między przedziałami.
PFADDPFCOUNTPFMERGEFiltry Blooma
Przynależność z konfigurowalnym odsetkiem fałszywych trafień.
BF.RESERVEBF.ADDBF.EXISTSTop-K
Najczęstsze elementy w strumieniu.
TOPK.ADDTOPK.LISTSzkic Count-min
Szacunki częstotliwości dla dowolnego elementu.
CMS.INCRBYCMS.QUERYCzęste pytania
Jak dokładne są?
W filtrach Blooma ustawiasz odsetek błędów, a w szkicach Count-min szerokość i głębokość. HyperLogLog ma mały, stały błąd standardowy.
Czy filtr Blooma może pominąć coś, co widział?
Nie. Może zgłosić wynik fałszywie pozytywny, nigdy fałszywie negatywny.
Czy potrzebuję modułu?
Nie. Są częścią HotKV.
Powiązane przypadki użycia
Wypróbuj na własnym obciążeniu
HotKV mówi protokołem Redis, więc możesz skierować na niego istniejącego klienta i uruchomić te same polecenia.