单讲概念会有些枯燥，我们还是从实际场景出发，进行逐层分析深挖。有个这样的业务场景，京东家电需要根据各品牌的当日累计销售额，来实时构建“销售额排行榜”。
如下图所示：

从技术实现的角度，最简单、且实时性高的方式，当然是一条SQL搞定一切，根据品牌进行分组，然后按照销售额进行降序排序就好了。
SQL如下：

SELECT
brand_id ,
sum(amount) AS total_amount
FROM
ea_order
WHERE
`status` = 1
AND create_time > '2023-12-06'          //当天
GROUP BY
brand_id
ORDER BY
total_amount DESC;

但有一点，这种大电商平台一旦搞促销的话，家电品类的单日订单量达到几百万是很轻松的。这种情况下，不但SQL执行时间很长，并且对数据库资源的消耗也很大。另外就是，如果产品经理加了新需求，还要要统计当月订单量的排行榜，那就直接GG了。因此，我们需要寻求新的解决方案，该方案需要同时满足高实时性、高性能、海量数据三个要求，缺一不可。这时候，就混到Redis ZSet粉墨登场了。

何为Set？
Set是一个无序的天然去重的集合，即：Key-Set。此外还提供了交集、并集等一系列直接操作集合的方法，对于求共同好友（粉丝）、共同爱好之类的业务场景，实现特别方便。
如下图所示：

对应操作如下：

//好友关注场景

redis> SADD Tony Mary    //Mary关注了Tony
(integer) 1
redis> SADD Tony Lynn    //Lynn关注了Tony
(integer) 1
redis> SMEMBERS Tony     //Tony的粉丝列表
1) "Mary"
2) "Lynn"
redis> SADD Tom Mary     //Mary关注了Tom
(integer) 1
redis> SADD Tom Eric     //Eric关注了Tom
(integer) 1
redis> SMEMBERS Tom      //Tom的粉丝列表
1) "Mary"
2) "Eric"
redis> SINTER Tony Tom   //Tony和Tom的共同粉丝
1) "Mary"
redis> SUNION Tony Tom   //Tony和Tom两个人的所有粉丝
1) "Mary"
2) "Lynn"
3) "Eric"
redis> SDIFF Tony Tom   //关注了Tony，但没有关注Tom的人
1) "Lynn"
redis> SDIFF Tom Tony   //关注了Tom，但没有关注Tony的人
1) "Eric"

说下Set和List数据结构的区别：
1.List中可以存储重复元素，而Set中只能存储非重复元素。
2.List中存储的元素是有先后顺序的，而Set中存储的元素则是无序的。

何为ZSet？
Zset（SortedSet），是Set的可排序版，是通过增加一个排序属性score来实现的，适用于排行榜和时间线之类的业务场景。
如下图所示，这里的score属性对应的是销售额：

对应操作如下：

//销量排行榜场景

redis> ZADD 家电全品类 5.5 海尔       //添加了海尔电器和5.5亿销售额
(integer) 1
redis> ZADD 家电全品类 4.5 美的       //添加了美的电器和4.5亿销售额
(integer) 1
redis> ZADD 家电全品类 3.2 小米       //添加了小米电器和3.2亿销售额
(integer) 1
redis> ZADD 家电全品类 2.7 格力       //添加了格力电器和2.7亿销售额
(integer) 1
redis> ZCARD 家电全品类              //家电全品类的数量
(integer) 4
redis> ZSCORE 家电全品类 格力        //获取格力的销售额
"2.7"
redis> ZREVRANGE 家电全品类 0 -1 WITHSCORES    //家电全品类的倒序输出
1) "海尔"
2) "5.5"
3) "美的"
4) "4.5"
5) "小米"
6) "3.2"
7) "格力"
8) "2.7"
redis> ZRANGE 家电全品类 0 -1 WITHSCORES      //家电全品类的正序输出
1) "格力"
2) "2.7"
3) "小米"
4) "3.2"
5) "美的"
6) "4.5"
7) "海尔"
8) "5.5"
redis> ZINCRBY 家电全品类 2.2 格力            //为格力增加2.2亿销售额
"4.9"
redis> ZREVRANGE 家电全品类 0 -1 WITHSCORES   //增加销售额后的排行榜变化
1) "海尔"
2) "5.5"
3) "格力"
4) "4.9"
5) "美的"
6) "4.5"
7) "小米"
8) "3.2"

ZSet具备非常好的性能和并发度，以下为Redis性能白皮书上的指标：

虽然上面只有ZADD的测试数据，但ZINCRBY和ZREVRANGE（限制读取范围）也不会差，肯定都是同一个数据量级的。
注意点：在Redis Cluster模式下，需要对ZREVRANGE的读取范围进行限制，避免大热Key的出现。
Redis ZSet在排行榜场景中，具备高性能的原因有二：
1.用空间换时间的思想。
2.优秀的底层实现。

ZSet底层实现
我们以Redis 7 为例，ZSet的底层实现还是比较复杂的，用了三种数据结构来进行实现，分别是skiplist（跳表）、dict（哈希表）和listpack实现的。
其具体判断规则如下：
当ZSet元素个数小于128（zset_max_listpack_entries的默认值），并且元素值小于64字节（zset_max_listpack_value的默认值）的时候，使用listpack作为底层结构，以节省空间，否则使用skiplist + dict作为底层结构，以提升效率。

下面我们就来分别介绍一下。

listpack
listpack可以看做是ziplist的优化版本，ziplist的整体结构如下：

ziplist包含如下字段：
zlbytes， 4个字节，记录ziplist所占的空间。
zltail， 4个字节，记录ziplist尾部的偏移量。
zllen， 2个字节，记录ziplist中存储的entry数量。
entry，ziplist中的具体数据项，不定长。
zlend， 1个字节，用来标记ziplist的结束点，固定值为255。
其中，entry又包括三个字段：
prevlen， 记录前一个entry的长度，便于从后往前遍历。如果prelen的值小于254，用1个字节来保存，大于等于254，则用5个字节。
encoding，1、2或5个字节，记录当前节点的类型（字符串或整数）和长度。
data，实际存储的数据，不定长。
优点：
数据结构紧凑，内存空间连续，节省内存开销且可以利用CPU缓存。

缺点：
1.若保存元素过多，会导致查询效率降低，适用于少量元素，且元素占用空间不大的场景。
2.可能会引发级联更新问题。


**级联更新问题：
**
如上文所说，entry中的prelen值，如果小于254，用1个字节来保存，大于等于254，则用5个字节。
如果ziplist更新entry1，恰好entry1从小于254字节，变成了大于等于254字节，那么entry2节点的prelen属性，就会从1个字节变成5个字节。
恰好entry2由于上述原因，也从小于254字节，变成了大于等于254字节，那么entry3节点的prelen属性，就会从1个字节变成5个字节，以此类推。
而listpack的出现，正是为了解决级联更新的问题，listpack的整体结构如下：

我们可以看下，listpack和ziplist的整体结构大同小异，也是通过total_bytes字段记录listpack所占的空间，size字段记录entry数量，最后也有个结束点标记，只是少了ztail_offset字段。

而entry中，多了length字段，来记录encoding + content的总长度，重点是少了prevlen字段，从而避免了ziplist中的级联更新问题。

skiplist + dict
ZSet数据量比较少的场景，它的增删改和多维度查询操作，无论怎么处理都不会慢。一旦数据量庞大起来，那就完全不一样了，ZSet是通过skiplist + dict的方式来实现的。

为什么同时选择skiplist + dict？
这是基于提升性能考虑的，这也是Redis设计的精妙之处。
只使用skiplist：根据成员查找分值操作（ZSCORE）的复杂度从 O(1) 上升为 O(logN)。
只使用dict：在执行范围查询操作（ZREVRANGE、ZRANGE）的时候，字典需要进行排序，至少需要O(NlogN) 的时间复杂度和 O(N) 的内存空间。
skiplist + dict各存一份完整数据？
不是这样的，skiplist Node中的 *obj 和 dict 中的 *key 会指向同一个具体 member（元素）的地址，这样可以节省内存。