【2025面试Java常问八股之redis】zset数据结构的实现，跳表和B+树的对比

Redis 中的 ZSET（Sorted Set，排序集合）是一种非常重要的数据结构，它结合了集合（Set）和有序列表（List）的特点，能够存储一组 唯一 的元素，并且每个元素关联一个 分数（score）。ZSET 通过分数来对元素进行排序，因此元素在 ZSET 中是按分数升序排列的。

一、ZSET核心特性

ZSET（有序集合）是Redis中一种兼具Set和List特性的数据结构，每个元素关联一个分数(score)用于排序，主要特点包括：

• 唯一成员：成员(member)不可重复

• 分数排序：按score从小到大排序

• 高效操作：

  • 插入/删除：O(logN)

  • 按score查询：O(logN)

  • 按rank查询：O(logN)

二、底层实现原理

Redis根据元素数量和大小自动选择两种编码方式：

1. ziplist（压缩列表）

使用条件：

• 元素数量 ≤ zset-max-ziplist-entries（默认128）

• 每个元素大小 ≤ zset-max-ziplist-value（默认64字节）

内存布局：

[zlbytes][zltail][zllen][member1][score1][member2][score2]...[zlend]

• 连续内存：所有元素紧凑存储

• 双向遍历：通过zltail可反向遍历

• 自动转换：当不满足条件时转为skiplist

示例：

ZADD prices 10 "apple" 20 "banana"  # 小集合使用ziplist

2. skiplist（跳跃表）+ dict

跳表是在一个有序链表的基础上进行扩展的，每个元素除了有一个指向下一个元素的普通指针外，还可能有指向更远节点的额外指针（称为“跳跃指针”）。通过这些跳跃指针，可以大大减少查找的步数，从而提高效率。

跳表的结构：

跳表是由多个层级的链表构成的，每一层链表的元素都和下一层链表的元素有一定的映射关系。

跳表的查找过程：

跳表的插入过程：

跳表的删除过程：

删除元素的过程类似于查找过程，找到元素后，调整跳表中所有层级中相关节点的指针，删除该元素。

跳表的时间复杂度：

跳表的优势：

1. 底层链表（Level 0）：底层链表包含所有元素，按照顺序排列。
2. 上层链表：每个上层链表都包含下层链表的部分元素，且每层链表的元素数量大致减少。元素的选择遵循某种概率规则，通常是每隔一个元素就“跳”到上一层链表。

   跳表的特点：

3. 多层结构：跳表由多个链表组成，每一层都是一个有序的链表，较高层的链表元素较少。
4. 元素的跳跃：通过在较高的层级中跳跃，查找的时间复杂度可以接近于对数级别，而不像传统的链表那样需要线性查找。
5. 概率性：跳表的层级是随机决定的，通常通过一定的概率（比如 50% 的概率）决定某个元素是否出现在上一层链表中。
6. 从跳表的最高层开始查找，沿着当前层级的指针向右移动，直到找到大于或等于目标值的元素。
7. 如果当前元素大于目标值，说明目标元素应该在前面，则沿着当前层级的下一个指针跳到下一层。
8. 如果当前元素小于目标值，则继续在同一层级向右移动，直到找到目标元素或者越过目标元素。
9. 当到达底层链表时，如果找到目标元素，则返回该元素，否则返回未找到的标志。
10. 查找位置：首先使用跳表的查找过程，找到合适的位置。
11. 随机决定层数：插入时，需要为新元素随机决定它在各层中出现的层数。常见的做法是每次插入时，随机选择一个概率（如 50%）决定是否将元素添加到上一层链表中。
12. 插入新节点：按照查找的结果，在合适的层中插入新元素，同时调整相关指针。
13. 查找操作：跳表的查找时间复杂度为 O(log N)，其中 N 是跳表中元素的个数。由于每一层都缩小了查找的范围，查找的效率非常高。
14. 插入操作：插入操作的时间复杂度也是 O(log N)，需要查找插入位置并随机决定新元素的层数。
15. 删除操作：删除操作同样是 O(log N)，只需找到要删除的元素并修改相关指针。
16. 动态性强：跳表可以动态地进行增删改查操作，适应性较强。
17. 空间效率高：由于跳表的多层链表是按需生成的，并且只有在查找、插入时才会创建新的层，因此空间开销较小。
18. 易于实现：跳表相比于平衡二叉搜索树（如 AVL 树、红黑树）实现起来更加简单。

L3: head -------------------------------------------> nil
L2: head ------------> 4 ------------> 7 -----------> nil
L1: head ---> 2 ---> 4 ---> 5 ---> 7 ---> 9 ---> nil
L0: head->1->2->3->4->5->6->7->8->9->nil

三、ziplist实现细节

1. 内存优化技术

• 变长编码：

  • 字符串长度用1/2/5字节表示

  • 整数用特殊编码（如6位存储0-63）

• 相邻score压缩：差值存储减少内存占用

2. 操作复杂度

操作	复杂度	说明
插入	O(N)	需要内存重分配
查找	O(N)	顺序遍历
删除	O(N)	需要内存移动

优势：内存利用率高（无指针开销）
劣势：大数据量时性能下降明显

四、skiplist实现细节

1. 跳跃表节点结构

typedef struct zskiplistNode {
    sds member;                         // 成员字符串
    double score;                       // 分数
    struct zskiplistNode *backward;     // 后退指针
    struct zskiplistLevel {
        struct zskiplistNode *forward;  // 前进指针
        unsigned long span;             // 跨度
    } level[];                          // 柔性数组，层级随机生成
} zskiplistNode;

2. 关键算法

层级生成算法：

int zslRandomLevel(void) {
    int level = 1;
    // 每增加一层的概率为25%
    while ((random()&0xFFFF) < (0.25 * 0xFFFF))
        level += 1;
    return (level 
  

查找过程：

查找score=6.5的路径：
1. 从L3(head) -> nil (6.5 < ∞)
2. 降级到L2(head) -> 4 -> nil (6.5 > 4)
3. 从节点4的L1 -> 7 -> nil (6.5 < 7)
4. 降级到节点4的L0 -> 5 -> 6 -> 7 (找到6.5的插入位置)

3. 性能分析

操作	平均复杂度	最坏复杂度
插入	O(logN)	O(N)
删除	O(logN)	O(N)
查询	O(logN)	O(N)
范围	O(logN+M)	O(N)

五、ZSET典型命令实现

1. ZADD命令流程

2. ZRANGEBYSCORE实现

// 伪代码实现
zskiplistNode *zslFirstInRange(zskiplist *zsl, zrangespec *range) {
    // 1. 找到第一个≥min的节点
    // 2. 检查是否≤max
    // 3. 返回满足条件的首节点
}

void zslRangeByScore(zskiplist *zsl, zrangespec *range) {
    node = zslFirstInRange(zsl, range);
    while(node && node->score <= range->max) {
        addToReply(node);
        node = node->level[0].forward;
    }
}

六、应用场景与优化

1. 典型使用场景

• 排行榜：

  ZADD leaderboard 100 "user1" 200 "user2"
  ZREVRANGE leaderboard 0 9 WITHSCORES

• 延迟队列：

  ZADD delays 1651234567 "task1"
  ZRANGEBYSCORE delays 0 $(date +%s) LIMIT 0 1

• 时间序列：

  ZADD temperatures:2023 25.3 "2023-06-01T12:00" 26.1 "2023-06-01T13:00"

• 推荐系统： 可以用 ZSET 来存储用户对商品、内容的评分，通过分数来排序，进而实现个性化推荐。

2. 性能优化建议

• 合理设置阈值：

  config set zset-max-ziplist-entries 256
  config set zset-max-ziplist-value 128

• 避免大ZSET：超过10万成员考虑分片

• 分数设计：使用整数分数可提升比较效率

Redis的ZSET通过智能切换ziplist和skiplist两种实现，在内存效率和查询性能之间取得了完美平衡。理解其底层原理有助于开发者根据实际场景做出最优设计决策。

七：跳表和B+树的对比

跳表（Skip List）和 B+ 树是两种常见的有序数据结构，它们在许多方面具有相似性，但也有显著的差异。以下是它们的对比：

1. 基本结构

• 跳表：跳表是一种基于链表的数据结构，通过在基础链表上增加多层指针来提高查询效率。每一层链表包含部分元素，上一层的元素大多是下一层元素的副本，形成一种“跳跃”机制，使得查找可以通过多层次的跳跃快速定位目标。

• B+ 树：B+ 树是一种自平衡的树形数据结构，通常用于数据库和文件系统的索引。B+ 树是一种多路平衡查找树，每个节点可以包含多个子节点，它保证了数据的有序性，并且所有的值都存储在叶子节点中，内部节点仅用于导航。

2. 时间复杂度

• 跳表：

  • 查找：平均 O(log N)，最坏情况下也是 O(log N)。
  • 插入：平均 O(log N)，最坏情况下也是 O(log N)。
  • 删除：平均 O(log N)，最坏情况下也是 O(log N)。

• B+ 树：

  • 查找： O(log N)。
  • 插入： O(log N)（需要进行分裂操作，保持树的平衡）。
  • 删除： O(log N)（删除后可能需要进行合并操作）。

在理论上，跳表和 B+ 树的查找、插入、删除操作的时间复杂度都是 O(log N)。

3. 数据存储

• 跳表：跳表是基于链表实现的，它将元素分布在不同的层级中，每一层的链表指向下一个层级的元素，直到底层。跳表的所有元素都分布在各层链表中，并且每个节点都可能有多个指针指向不同的后续元素。

• B+ 树：B+ 树的元素只存储在叶子节点中，内部节点只包含索引和导航信息，所有的叶子节点通过链表连接起来，便于范围查询。B+ 树的叶子节点是一个双向链表，允许顺序遍历。

4. 空间开销

• 跳表：跳表需要额外的空间来存储每一层的指针。每个元素可能出现在多层，因此跳表的空间复杂度比链表稍高，但与 B+ 树相比，跳表的空间效率通常较低。

• B+ 树：B+ 树的空间开销相对较低，因为它只需要存储叶子节点中的数据和内部节点中的索引信息。B+ 树的内部节点只有索引，没有数据，因此占用的空间相对较小。

5. 查询效率

• 跳表：跳表适用于动态数据量频繁变化的场景，如数据量较小或者频繁进行插入和删除操作时。跳表由于是随机层级构建，查询效率较为稳定，但其查询速度相较于 B+ 树略有不确定性，尤其是在元素较多时。

• B+ 树：B+ 树特别适合于磁盘存储或大规模数据查询的场景，因为它的高度通常较小，且通过顺序访问叶子节点来提高数据的扫描速度。B+ 树特别适用于需要范围查询（如区间查找）和按顺序访问的场景。

6. 插入和删除

• 跳表：跳表的插入和删除操作相对简单。每次插入时，元素会在随机层级上插入，可能需要调整多个指针。删除时也只需简单地修改指针。因为跳表是基于链表的，节点可以灵活地调整，不需要进行树的旋转或平衡操作。

• B+ 树：B+ 树的插入和删除需要保持树的平衡。在插入时，如果某个节点满了，需要进行分裂操作；在删除时，可能需要进行合并操作，保持树的平衡。B+ 树的这种操作相对复杂，但在大规模数据存储中，平衡机制可以保证查询性能。

7. 应用场景

• 跳表：跳表的优势在于实现简单、动态性能好，适用于内存中存储的数据结构。它通常用于需要高频更新的应用场景，如内存数据库、缓存系统等。

• B+ 树：B+ 树广泛应用于数据库索引和文件系统中。由于 B+ 树的结构非常适合磁盘存储，并且能够高效地支持范围查询和顺序遍历，它是很多数据库系统（如 MySQL、SQLite）和文件系统（如 NTFS、HFS+）中常用的索引结构。

8. 适用性

• 跳表：跳表适用于内存中的数据结构，对于动态变化、频繁插入删除的场景非常适合。它的实现比 B+ 树更简单，但在大规模磁盘存储中的表现不如 B+ 树稳定。

• B+ 树：B+ 树适用于大规模数据存储，尤其是磁盘存储系统中。它在磁盘存储优化和范围查询方面的优势非常明显，尤其是在数据库系统中，B+ 树可以高效地管理大量数据并进行快速查询。

总结对比：

特性	跳表	B+ 树
结构	多层链表	多路自平衡树
查询复杂度	O(log N)	O(log N)
插入/删除复杂度	O(log N)	O(log N)
空间开销	较高（需要存储多个指针）	较低（只在叶子节点存储数据）
数据存储方式	数据存储在各层链表中	数据存储在叶子节点，内部节点仅存索引
应用场景	内存数据库、缓存系统	数据库索引、文件系统、范围查询
实现复杂度	较简单	较复杂（需要保证平衡）

结论：

• 如果应用需要动态数据操作（如频繁插入、删除），且数据量不大，跳表是一个不错的选择，因为它实现简单且灵活。
• 如果应用需要高效的磁盘存储、范围查询和顺序遍历，并且数据量较大，B+ 树是更合适的选择，尤其是在数据库和文件系统中。