如果你了解过redis，或者使用过它，那么一定知道它的5种常用数据结构，而且如果你面试有被问过redis的话，那么这5种基本数据结构也一定会被问到，不过，我们今天不讨论这些，我们讨论下除此之外的数据结构，也许平时你没有使用过，也许你也没有了解过，不过这不重要，重要的是它们是非常总要的数据结构，在解决特定问题的时候很好用。
Btimap
理论上来说，bitmap并不属于一种特殊的数据结构，从本质上来说，它也是一种string类型数据结构，只不过存储的值为bit，也就是我们常说的二进制010101这样的数据。
这样的数据结构可以帮助我们使用很少的存储空间，就可以完成很高效的数据查询。
比如我们有这样的需求，我们想要统计每一天的用户签到人数，常规的做法就是将数据放到set集合里面，然后对数据求和即可，然而如果数据量非常大的时候，这样会浪费很大的存储空间，而bitmap完美解决了这样的问题。首先我们可以将每天的日期作为key，然后签到的人的id转换成bit值存储，也就说如果它签到了，那么对应位置的值为1，否则为0，这样就可以通过一个key:value对来统计签到人数。需要说明的是，对于位操作，redis有bitcout来快速统计总和。
HyeprLogLog
从名字我们可以看出来，它有两个log，也就是说它通过两次取对数的操作节省了存储空间。需要说明的一点，这是一个概率数据结构，也就说它只能计算出大概率数值，并不能精确地得到精准数值，不过在大数据问题中，能够用最少的代价得到一个大致精确地值就是我们追求的。
在redis里面，每个hyperloglog键只需要花费12kb大小空间，就可以存储2^64个元素，这大大节省了内存的存储空间。
hyperloglog的数学原理就是基于伯努利过程，是在同样的条件下重复地、相互独立地进行的一种随机试验。
对于一个数据我们通过计算它的hash值得到二进制01值，然后进行分桶操作，再然后在每个桶中再进行位置的计算，因为通过两次的操作就可以让存储的数据成指数增加，而反过来也就说当我们要存储一定的数据，只需要取两次对数的位数的bit就可以存下，所以这也是hyperloglog的名字由来。
有了hyerploglog，还是统计上面的签到的话，我们的存储空间就大大减小了，当然了这是以牺牲一定的精准度为代价的。
Stream
我们都知道在redis中，我们可以通过list来实现消息队列的功能，但是那只是简单地实现，它缺少持久化的功能，缺少数据复制的功能，而Steam就是为了解决这个问题而产生的。
当你觉得rabbitmq过于庞大的时候，那么redis的stream数据结构可以很好地帮助你实现消息队列的几乎全部功能，但是如果你的项目够大，还是请使用正常的消息队列。
GEO
计算2个点的距离我们很容易计算出来，但是如果计算2个地理经纬度坐标点的距离就会变得复杂，如果计算多个点呢?问题就会变得更加复杂，不过这些计算问题，在redis都可以通过GEO来简单实现。
GEO主要是用于存储指定的地理空间位置，可以将一个或多个经度(longitude)、纬度(latitude)、位置名称(member)添加到指定的 key 中。在使用地图的时候，我们经常需要计算得到当前位置一定范围内餐馆，或者影院等建筑物的信息，而通过GEO我们就可以很方便地实现这个功能。
在redis中，通过georadiusbymember这个函数，我们就可以方便地计算出周围点的信息。
总结
相比较string，list，set，sort set， hash这5种结构，你会发现上面介绍的数据结构使用场景很单一，或者说它们的存在主要是为了解决某些特定问题而存在的。
没有哪种数据结构更好的说法，每一种数据结构都有它自己的应用场景，否则它也不会被创造出来。
