结论先行:Redis 快,一半靠单线程避免锁竞争,另一半靠每个类型背后都有一套"为场景定制的数据结构"。用 OBJECT ENCODING 观察 key 的底层编码,是排查内存暴涨和大 key 的第一步。

SDS:为什么不用 C 字符串

C 字符串以 \0 结尾,求长度要 O(n),拼接可能缓冲区溢出。SDS(Simple Dynamic String)额外记录了 len 和 alloc 两个字段:

  • STRLEN 直接读 len,O(1);
  • 空间预分配 + 惰性释放,减少内存重分配次数:拼接时按公式多分配空闲空间,缩短时不立刻归还,留给下次拼接复用;
  • 二进制安全,可以存图片字节流等含 \0 的内容——判断字符串结束靠 len 而不是 \0。

这三个特性不是并列的卖点,而是围绕"值会被频繁修改"这个前提设计的:求长度 O(1) 服务于计数器与状态位,预分配服务于追加写,二进制安全服务于序列化后的字节流。String 类型承载的典型场景——缓存对象 JSON、分布式计数、序列号生成——每一个都能对应到 SDS 的某个设计决策上,这也是"Redis 的 String 不是 C 字符串"这句结论的实际含义。

三个字段的存储策略也有讲究:len 和 alloc 的类型是 int8/int16/int32/int64 中装得下的最小者,短字符串不背整数宽度税;内容足够短时整个 SDS 压进一个连续内存块(embstr 编码),对象头和数据一次分配、一次读取,对 CPU 缓存友好。embstr 与 raw 的分界是 44 字节——再长就多一次内存分配与一次指针寻址,对高频小 value(计数器、短 token)这个分界意味着实打实的延迟差异。

dict 与渐进式 rehash

Redis 的 KV 主库就是一个全局 dict(哈希表)。扩容时不是一次性搬完所有 bucket——那样几百 MB 的字典会卡死主线程——而是新旧两张表并存,之后的每次增删改查顺带迁移一个 bucket,定时任务再分批搬。代价是 rehash 期间读请求要查两张表,内存临时接近翻倍。渐进式的思想值得单独记住:把一次不可控的大暂停,摊薄进无数次无感知的小步操作里——这个思路同样适用于大 key 删除、大集合迁移、缓存批量预热,凡是"一次性动作会阻塞服务"的场景都适用。

两个工程细节:rehash 的触发条件与负载因子(used/size)挂钩——无子进程在跑时超过 1 扩容、有 bgsave/AOF 重写时放宽到 5(避免写时复制期间白白扩表),缩容则低于 0.1 触发;rehash 期间新写入只进新表,保证旧表只减不增、最终必然搬完;缩容(元素大量删除)同样走渐进式流程,不是只有扩容才需要。理解渐进式 rehash 还能解释一个现象:批量灌入海量 key 的瞬间,内存占用曲线会跳升——ht[1] 已经分配、ht[0] 尚未释放,两张表并存是设计内的代价,不是内存泄漏。

小对象的紧凑编码

数据量小时,Redis 用紧凑结构省内存:

类型小数据编码大数据编码转换阈值(可配置)
Stringint / embstrraw整数或 ≤44 字节用紧凑编码
Hashlistpackhashtablehash-max-listpack-entries / -value
Setintset / listpackhashtableset-max-intset-entries 等
ZSetlistpackskiplistzset-max-listpack-entries / -value
Listquicklist(内含 listpack 节点)同左list-max-listpack-size

listpack(7.0 起替代 ziplist)把元素连续排列、省掉指针开销,代价是元素多了之后定位变慢——所以编码转换是单向的:元素数或单元素长度超过阈值后,自动转为 dict / skiplist,用空间换时间,且不会转回去。“不可逆"是运维上容易吃亏的点:Set 全整数时走更省的 intset 编码,一旦混入一个字符串元素就永久升级为 hashtable,之后即使清空重灌也要重建才恢复——所以编码巡检不能只在上线时做一次,key 的内容形态变更同样要复查。

这就是"小对象用 String 还是 Hash 更省内存"争论的底层答案:编码转换阈值(hash-max-listpack-entries 等配置)两边都不占时才最优,参数要结合业务元素个数调。经验上,对象字段固定且总量不大时用 Hash 存字段,比整体序列化成 String 更省——改一个字段不用全量覆盖,还能精确控制单字段的过期语义。反过来,字段数超过阈值或单字段值超长的对象,Hash 会退化成标准哈希表,内存反而高于单个 raw String——所以"Hash 一定省内存"是误解,结论永远以 MEMORY USAGE 实测为准,两种方案各存一份对比一下,一分钟就能定案。

ZSet:跳表 + 哈希的双结构

跳表(skiplist)是多层有序链表,每个节点的层高随机决定,查找平均 O(log n),实现比平衡树简单得多,且天然支持范围扫描——插入删除只需改动前后指针,没有旋转。ZSet 同时维护两个结构:

  • skiplist:按 score 排序,支撑 ZRANGE 等范围操作;
  • dict:member → score 映射,ZSCORE 等值查询 O(1)。

两者共享成员的 SDS 字符串,内存并不是双倍。跳表的层高按概率决定:每层晋升概率 1/4,期望高度约 1.33 层,上限 32 层——查找路径的期望长度是 O(log n),实现代码却比红黑树短一个数量级。为什么平衡树不行?跳表的范围查询顺着底层链表走即可,平衡树要中序遍历跨层回溯;且跳表的实现复杂度低,插入删除只需改前后指针,没有旋转。为什么不用哈希表单打独斗?哈希无法按 score 排序,排行榜的核心诉求就是范围。

实战:看编码、防大 key

# redis-cli 直接观察底层编码与内存占用(排查三板斧)
OBJECT ENCODING rank:2026-08        # 元素少时 listpack,多了变 skiplist
OBJECT ENCODING user:1001           # Hash 小对象是 listpack
MEMORY USAGE user:1001              # 单 key 精确内存占用
LLEN queue:order                    # List 长度,无限增长队列是事故源
// Jedis:观察底层编码与大 key 排查
try (Jedis jedis = pool.getResource()) {
    // ZSet 元素少时是 listpack,多了变 skiplist
    System.out.println(new String(jedis.objectEncoding("rank:2026-08")));
    System.out.println(jedis.zcard("rank:2026-08"));

    // 大 key 候选识别(redis-cli --bigkeys 的代码思路)
    long len = jedis.strlen("cache:big:json");
    if (len > 100 * 1024) {
        // String 超过 100KB:拆分存储或压缩,避免阻塞单线程
    }
}

大 value 的处理上有明确的对错之分:

// 错误写法:整个对象存成一个大 JSON String,每次改一个字段都全量读写
String json = jedis.get("user:1001");
User u = mapper.readValue(json, User.class);
u.setLastLoginAt(System.currentTimeMillis());
jedis.set("user:1001", mapper.writeValueAsString(u));  // 对象越大,这次 set 越阻塞

// 正确写法:Hash 分字段存储,单字段读写 O(1),享受 listpack 紧凑编码
jedis.hset("user:1001", "lastLoginAt", String.valueOf(System.currentTimeMillis()));

两点必须记住:

  • 单线程模型下,序列化和传输一个 10MB 的 key 会阻塞所有请求;删除大 key 用 UNLINK(后台异步释放)而不是 DEL。惰性释放是一组能力:FLUSHDB ASYNC、lazyfree-lazy-expire、lazyfree-lazy-eviction 等参数把各处的同步释放都改成后台线程执行,重负载实例值得全面开启;
  • Value 尽量控制在 10KB 以内,大对象拆分或放对象存储,Redis 只存引用。

一句话总结:Redis 的每个类型都有"省内存的小结构"和"高性能的大结构"两副面孔,理解编码转换规则,才能真正管住内存和延迟。

生产案例

某天下午 Redis 实例内存告急,内存曲线在几小时内涨了可观比例,但业务写入量并无异常。redis-cli --bigkeys 扫描后矛头指向一个排行榜 ZSet:运营活动把全量参与用户都塞进同一个 key,元素数远超 zset-max-listpack-entries 阈值,编码早已转为 skiplist——这本身正常,问题在于活动的奖励逻辑每次发放都 ZRANGE 全量回捞再在应用层过滤,单 key 体积和网络传输把实例带宽与主线程占满,连带其他业务的延迟一起上涨。处置分三步:当期用 ZREMRANGEBYSCORE 只保留有效名次区间,内存立刻回落;代码侧把"全量捞取再过滤"改为按 score 区间查询;规范上新增约束——单个集合类型的元素数与单元素体积进设计评审,排行榜按天/按活动分 key,活动结束整体过期。复盘的通用结论:Redis 的问题排查第一步永远是看编码和 key 体积,而不是先怀疑参数配置。