core types से परे, Redis विशेष structures प्रदान करता है — HyperLogLog, bitmaps, geospatial, bitfields — और modules (RedisJSON, RediSearch, RedisTimeSeries, RedisBloom) जो विशेष use cases के लिए Redis को efficiently विस्तारित करते हैं।
PFADD visitors:today
PFCOUNT visitors:today
PFMERGE visitors:week visitors:mon visitors:tue
HyperLogLog cardinality (unique counts) का अनुमान tiny fixed memory का उपयोग करके लगाता है — scale पर unique visitors, IPs, या events की गिनती के लिए आदर्श जहाँ exact counting विशाल memory cost करेगी।
# bitmaps: bit-per-item flags (very memory-efficient)
SETBIT active:2024-01-15 1000 1 # mark user 1000 active today
BITCOUNT active:2024-01-15 # how many users were active (count set bits)
BITOP AND active:both d1 d2 # users active BOTH days (bitwise AND)
# → track daily active users for millions in a few KB per day
Bitmaps bit-per-item flags को अत्यधिक compactly संग्रहीत करते हैं — scale पर daily-active-user tracking, per user feature flags, और presence के लिए एकदम सही।
GEOADD places 13.361 38.115 "Palermo" # add a location (lng, lat)
GEOSEARCH places FROMMEMBER "Palermo" BYRADIUS 200 km ASC # find nearby
RedisJSON → store/query JSON documents natively (paths, partial updates)
RediSearch → full-text search and secondary indexing on Redis data
RedisTimeSeries→ time-series data (metrics, IoT) with downsampling/aggregation
RedisBloom → Bloom filters / Cuckoo filters (probabilistic membership)
RedisGraph (legacy), and others
→ Modules turn Redis into a multi-model platform (Redis Stack bundles popular ones).
Redis के advanced data structures और modules को समझना Redis के साथ विशेष समस्याओं को efficiently हल करने के लिए मूल्यवान senior-level ज्ञान है, जो core types से परे Redis जो कर सकता है उसका विस्तार करता है।
probabilistic/compact structures scale के लिए विशेष रूप से शक्तिशाली हैं: HyperLogLog (tiny fixed memory ~12KB में unique counts का अनुमान, scale पर unique visitors/IPs/events की गिनती के लिए आदर्श जहाँ sets के माध्यम से exact counting निषेधात्मक रूप से महंगा होगा — एक नाटकीय memory लाभ), bitmaps (bit-per-item flags जो लाखों के लिए daily-active-users जैसी चीज़ें कुछ KB में संग्रहीत करते हैं, analytics के लिए efficient bitwise operations के साथ), और bitfields — ये वास्तविक large-scale समस्याओं (cardinality, presence tracking, flags) को remarkable memory efficiency के साथ हल करते हैं जो अन्यथा हासिल करना कठिन है। Geospatial support सीधे Redis में location queries को सक्षम बनाता है।
modules — RedisJSON (native JSON documents), RediSearch (full-text search और secondary indexing), RedisTimeSeries (aggregation के साथ time-series/metrics), RedisBloom (probabilistic membership filters) — Redis को एक multi-model platform में विस्तारित करते हैं (Redis Stack में bundled), इसे search, JSON, time-series, और probabilistic use cases संभालने देते हैं जिनके लिए अन्यथा separate systems की आवश्यकता होगी।
इन्हें समझने से आप additional infrastructure तक पहुँचने या खराब memory/performance स्वीकार करने के बजाय Redis को विशेष आवश्यकताओं के लिए efficiently leverage कर सकते हैं।
चूँकि विशेष समस्याएँ (large-scale unique counting, presence tracking, search, time-series, JSON) वास्तविक systems में उत्पन्न होती हैं, और चूँकि Redis के advanced structures (HyperLogLog, bitmaps, geospatial) और modules (RedisJSON, RediSearch, RedisTimeSeries, RedisBloom) उन्हें efficiently हल करते हैं, advanced Redis data structures और modules को समझना मूल्यवान senior-level ज्ञान है जो Redis की एक versatile, multi-model platform के रूप में पूरी क्षमताओं को प्रकट करता है, विशेष समस्याओं के elegant, memory-efficient समाधान सक्षम बनाता है और आम caching use case से परे गहरी Redis विशेषज्ञता को दर्शाता है।
विस्तृत उत्तरों के साथ IT इंटरव्यू प्रश्नों की एक लाइब्रेरी — जूनियर से सीनियर तक।
दान करें