Redis计数的核心方案是使用INCR命令实现原子自增计数，避免并发问题。例如：redis-cli incr visit_count，直接返回新值。结合HyperLogLog实现UV统计，PFADD user_id; PFCOUNT key得出近似唯一用户数，误差率低至0.81%。多级缓存策略：热数据用Redis计数，冷数据落盘MySQL。Lua脚本确保原子性：local count = redis.call('INCR', KEYS[1]) if count == 1 then redis.call('EXPIRE', KEYS[1], 3600) end return count。分布式场景下用Redlock锁或一致性哈希分片计数。

方案一：基础INCR计数

Redis的INCR命令是计数方案的基石，它是原子操作，即使在高并发下也不会丢失计数。使用方法简单：SET count 0，然后INCR count，每次访问页面就INCR page_view。缺点是内存占用大，适合日活千万级以下场景。实际案例：电商网站用INCR统计实时销量，秒杀活动峰值QPS达10万无压力。

方案二：HyperLogLog UV统计

HyperLogLog是Redis的 cardinality 估计算法，只需12KB内存可统计亿级UV。命令：PFADD page:uv "user123"; PFCOUNT page:uv 获取结果。比BITMAP节省90%内存，误差可接受用于仪表盘展示。结合Bitmap混合：活跃用户用HyperLogLog，总用户用Bitmap精确统计。

方案三：Bitmap位图计数

针对独立用户计数，Bitmap高效存储：SETBIT user:bitmap user_id 1; BITCOUNT key 计算总数。用户ID转位偏移：offset = user_id % 2^32。适用于百万级用户，日活场景内存仅几MB。优化：分天分页面Bitmap，过期策略用EXPIRE。

方案四：分布式计数与Lua原子

集群环境下用HASH分片：HINCRBY counter shard1 1。Lua脚本封装复杂逻辑：redis.call('MULTI'); redis.call('INCR', 'total'); redis.call('HINCRBY', 'daily', date, 1); redis.call('EXEC'); 保证一致性。Redlock实现分布式锁计数，避免越锁。

方案五：数据持久化与优化

Redis计数数据需持久化：AOF日志开启，结合MySQL定时同步：每小时DUMP rdb快照，异步写入order_count表。优化策略：采样计数，低峰全量，高峰1%采样估算；Pipeline批量INCR减少RTT；内存预警用INFO stats监控used_memory。

实际案例分享

某短视频App用Redis+ClickHouse：实时计数Redis，历史聚合ClickHouse。QPS 50万，内存峰值2GB。故障处理：主从切换时用SENTINEL，计数一致性检查脚本对比diff。

FAQ
Q: Redis计数会丢失吗？
A: 单机用INCR原子无丢，主从异步复制可能短暂不一致，建议读从写主或用WAIT同步。
Q: 亿级计数内存怎么控制？
A: 用HyperLogLog或分片Hash，结合TTL过期和懒删除。
Q: 怎么统计实时TopN？
A: 用Sorted Set ZINCRBY score incr，ZREVRANGE 0 9 获取Top10。
Q: Lua脚本为什么必要？
A: 多命令组合需原子性，Lua单次执行避免中间状态错误。