Análise de sites e apps
Usuários únicos diários e mensais por página ou funcionalidade, combinados entre dias com PFMERGE.
Dados essenciaisAnálise
Contagem em grande escala
Visitantes únicos, "já vimos isto?", itens principais e frequências em bilhões de eventos, cada um em uma quantidade de memória pequena e fixa.
- estruturas probabilísticas
- 4
- memória por estrutura
- Fixa
- margens de erro
- Conhecidas
Etapa 1 de 5
Visitantes únicos
Adicione os ids dos visitantes a um HyperLogLog. A memória continua pequena, não importa quantos cheguem.
Sessão de exemploplaying
# Visitantes únicos
hotkv> PFADD visitors:2026-10-16 user:42 user:77 user:91
(integer) 1
Uma demonstração animada com comandos reais do HotKV e respostas de exemplo. Clique em qualquer etapa para ir direto a ela. Os comandos e as respostas ficam em inglês, exatamente como você os digita e vê no HotKV.
O problema
Respostas exatas para "quantos usuários únicos", "já enviamos este e-mail antes" ou "quais são as buscas principais" exigem uma memória que cresce a cada item distinto. Com bilhões de eventos, isso vira gigabytes de sets e contadores por pergunta.
Como o HotKV resolve
As estruturas probabilísticas trocam um erro pequeno e conhecido por memória constante. O HyperLogLog conta itens distintos, os filtros Bloom respondem sobre pertencimento, o Top-K acompanha os itens mais frequentes e os Count-min sketches estimam quantas vezes qualquer item ocorreu. As quatro estão integradas ao HotKV.
Passo a passo
O que acontece, comando por comando
- 01
Visitantes únicos
Adicione os ids dos visitantes a um HyperLogLog. A memória continua pequena, não importa quantos cheguem.
PFADD visitors:2026-10-16 user:42 user:77 user:91 - 02
Quantos?
Uma estimativa dos visitantes distintos, com um erro padrão pequeno.
PFCOUNT visitors:2026-10-16 - 03
Nunca envie duas vezes
Antes de enviar um e-mail de campanha, verifique se este endereço já o recebeu.
BF.EXISTS sent:campaign:fall ada@example.com - 04
Buscas principais
O Top-K mantém os itens mais frequentes à medida que os eventos chegam.
TOPK.LIST searches:today WITHCOUNT - 05
Frequência de qualquer item
Um Count-min sketch estima a contagem de qualquer item, esteja ele listado ou não.
CMS.QUERY pageviews /home /pricing /blog
Onde se encaixa
Cenários reais
E-mails e notificações
Os filtros Bloom impedem envios duplicados entre novas tentativas e campanhas.
Busca e comércio
As consultas principais e os produtos mais vistos são acompanhados ao vivo para o merchandising.
Integrado
O que você ganha
HyperLogLog
Contagens de distintos, combináveis entre buckets.
PFADDPFCOUNTPFMERGEFiltros Bloom
Pertencimento com uma taxa de falsos positivos configurável.
BF.RESERVEBF.ADDBF.EXISTSTop-K
Os itens mais frequentes de um fluxo.
TOPK.ADDTOPK.LISTCount-min sketch
Estimativas de frequência para qualquer item.
CMS.INCRBYCMS.QUERYPerguntas frequentes
Qual a precisão delas?
Os filtros Bloom permitem definir a taxa de erro, e os Count-min sketches a largura e a profundidade. O HyperLogLog tem um erro padrão pequeno e fixo.
Um filtro Bloom pode deixar passar algo que já viu?
Não. Ele pode indicar um falso positivo, nunca um falso negativo.
Preciso de um módulo?
Não. Elas fazem parte do HotKV.
Casos de uso relacionados
Experimente com a sua própria carga de trabalho
O HotKV fala o protocolo Redis, então você pode apontar um cliente existente para ele e executar estes mesmos comandos.