Redis 登陆统计：如何用Redis实现登陆总次数与用户登陆总数的高效管理

Redis实战：如何高效统计用户登录总次数与独立用户数

场景引入

"小王啊，咱们APP现在每天有多少用户登录？这些用户平均每人登录几次？"产品经理老张又在追着技术小王要数据了。

小王挠挠头,之前都是用MySQL直接count，随着用户量突破百万，每次统计都要全表扫描，慢得让人抓狂，更糟的是，老板临时要看实时数据时，系统直接卡死...

别担心,今天我们就用Redis来解决这个头疼的问题！下面我会手把手教你如何用Redis高效管理登录统计，保证查询速度快如闪电，还能应对高并发场景。

基础方案：String + Set

统计总登录次数

用String类型记录总登录次数简直不要太简单：

# 用户每次登录时执行
INCR global:login:count
# 查询总登录次数
GET global:login:count

这个操作的时间复杂度是O(1)，每秒可以处理10万+次操作，完全不用担心性能问题。

统计独立用户数

用Set集合来去重统计：

# 用户登录时（假设用户ID为123）
SADD global:login:users 123
# 查询总独立用户数
SCARD global:login:users

Set会自动去重,所以SCARD返回的就是不重复的用户数。

进阶方案：按时间维度统计

实际业务中,我们通常需要按天、周、月统计：

# 按天统计（假设当前日期为20250801）
INCR login:count:20250801
SADD login:users:20250801 123
# 查询某天数据
GET login:count:20250801
SCARD login:users:20250801

高级技巧：HyperLogLog优化

当用户量达到千万级时,Set会占用大量内存，这时可以用HyperLogLog来优化独立用户统计：

# 用户登录时
PFADD login:users:hll 123
# 查询总独立用户数（有约0.81%误差）
PFCOUNT login:users:hll

HyperLogLog只需要12KB内存就能统计上亿用户,虽然有小幅误差，但对大多数业务完全够用。

完整实战代码示例（Python）

import redis
from datetime import datetime
r = redis.Redis(host='localhost', port=6379)
def user_login(user_id):
    """记录用户登录"""
    today = datetime.now().strftime("%Y%m%d")
    # 总登录次数+1
    r.incr("global:login:count")
    # 当天登录次数+1
    r.incr(f"login:count:{today}")
    # 记录独立用户（Set方案）
    r.sadd("global:login:users", user_id)
    r.sadd(f"login:users:{today}", user_id)
    # HyperLogLog方案
    r.pfadd("global:login:users:hll", user_id)
    r.pfadd(f"login:users:hll:{today}", user_id)
def get_stats():
    """获取统计数据"""
    today = datetime.now().strftime("%Y%m%d")
    return {
        "total_logins": int(r.get("global:login:count") or 0),
        "total_users": r.scard("global:login:users"),
        "total_users_hll": r.pfcount("global:login:users:hll"),
        "today_logins": int(r.get(f"login:count:{today}") or 0),
        "today_users": r.scard(f"login:users:{today}"),
        "today_users_hll": r.pfcount(f"login:users:hll:{today}")
    }

性能对比

我们做了一个百万用户测试（2025年最新Redis 7.2版本）：

实际应用建议

1. 中小规模应用：直接使用String+Set组合，简单精确

   

2. 千万级用户：核心指标用String+HLL，关键报表可定期用Set校准

3. 时间序列数据：建议设置过期时间，比如保留最近30天数据

   EXPIRE login:count:20250801 2592000  # 30天后过期

4. 持久化考虑：记得配置Redis的AOF持久化，防止数据丢失

避坑指南

1. 大Key问题：当Set过大时可能阻塞Redis，可以按用户ID范围分片

   # 按用户ID哈希分片
   shard = user_id % 10
   SADD global:login:users:{shard} user_id

2. 内存优化：对于不活跃用户，可以定期清理Set中的过期用户

   

3. 集群环境：注意HLL在Redis集群中的限制，单个HLL必须位于同一节点

通过Redis,我们轻松实现了：

• 实时精确统计总登录次数（String）
• 高效计算独立用户数（Set/HLL）
• 灵活的时间维度统计
• 百万级QPS的写入和毫秒级查询

下次产品经理再要登录数据,你大可以自信地说："给我1毫秒，马上给你结果！"