点赞（set）

需求：

• 同一个用户只能点赞一次，再次点击则取消点赞

• 如果当前用户已经点赞，则点赞按钮高亮显示（前端已实现，判断字段Blog类的isLike属性）

实现：

• 给Blog类中添加一个isLike字段，标示是否被当前用户点赞

• 利用Redis的set集合判断是否点赞过，以blog为key，用户id为value，未点赞过添加用户id，已点赞过则移除用户id

• 在根据id查询和分页查询Blog的业务中，判断当前登录用户是否点赞过，赋值给isLike字段

部分代码如下：

public Result likeBlog(Long id) {
    //1.获取登录用户
    Long userId = UserHolder.getUser().getId();
    //2.判断当前登录用户是否已经点赞
    String key = "blog:liked:" + id;
    Boolean isMember = stringRedisTemplate.opsForSet().isMember(key, userId.toString());
    if (BooleanUtil.isFalse(isMember)){
        //3.如果未点赞，可以点赞
        //3.1.数据库点赞数 + 1
        boolean isSuccess = update().setSql("liked = liked + 1").eq("id", id).update();
        //3.2.保存用户到Redis的set集合
        if (isSuccess){
            stringRedisTemplate.opsForSet().add(key, userId.toString());
        }
    } else {
        //4.如果已点赞，取消点赞
        //4.1.数据库点赞数 - 1
        boolean isSuccess = update().setSql("liked = liked - 1").eq("id", id).update();
        //4.2.把用户从Redis的set集合移除
        if (isSuccess){
            stringRedisTemplate.opsForSet().remove(key, userId.toString());
        }
    }
    return Result.ok();
}

点赞排行榜（sortedSet）

在探店笔记的详情页面，把给该笔记点赞的人显示出来，比如最早点赞的TOP5，形成点赞排行榜。

部分代码如下：

public Result queryBlogLikes(Long id) {
    String key = BLOG_LIKED_KEY + id;
    //1.查询top5的点赞用户 zrange key 0 4
    Set<String> top5 = stringRedisTemplate.opsForZSet().range(key, 0, 4);
    if (top5 == null || top5.isEmpty()){
        return Result.ok(Collections.emptyList());
    }
    //2.解析其中的用户id
    List<Long> ids = top5.stream().map(Long::valueOf).collect(Collectors.toList());
    String idStr = StrUtil.join(",", ids);
    //3.根据用户id查询用户 where id in(5 ,1) order by field
    List<UserDTO> userDTOS = userService.query()
            .in("id", ids).last("order by field(id," + idStr + ")").list()
            .stream()
            .map(user -> BeanUtil.copyProperties(user, UserDTO.class))
            .collect(Collectors.toList());

    //4.返回
    return Result.ok(userDTOS);
}

需要注意两点：

• sortedSet没有isMember,用score是否存在来判断有没有点赞。

• mysql中，where in(x,x,x)会自动根据id排序，需要手动order by field指定排序。

共同关注（set）

实现共同关注功能。在博主个人页面展示出当前用户与博主的共同关注，也就是交集。

部分代码如下：

public Result followCommons(Long id) {
    //1.获取登录用户
    Long userId = UserHolder.getUser().getId();
    String key = "follows:" + userId;
    //2.求交集
    String key2 = "follows:" + id;
    Set<String> intersect = stringRedisTemplate.opsForSet().intersect(key, key2);
    if (intersect == null || intersect.isEmpty()){
        //无交集
        return Result.ok(Collections.emptyList());
    }
    //3.解析id集合
    List<Long> ids = intersect.stream().map(Long::valueOf).collect(Collectors.toList());
    //4.查询用户
    List<UserDTO> users = userService.listByIds(ids)
            .stream()
            .map(user -> BeanUtil.copyProperties(user, UserDTO.class))
            .collect(Collectors.toList());
    return Result.ok(users);
}

内容推送（sortedSet）

Feed流

Feed流产品有两种常见模式：

Timeline：不做内容筛选，简单的按照内容发布时间排序，常用于好友或关注。例如朋友圈

• 优点：信息全面，不会有缺失。并且实现也相对简单

• 缺点：信息噪音较多，用户不一定感兴趣，内容获取效率低

智能排序：利用智能算法屏蔽掉违规的、用户不感兴趣的内容。推送用户感兴趣信息来吸引用户

• 优点：投喂用户感兴趣信息，用户粘度很高，容易沉迷

• 缺点：如果算法不精准，可能起到反作用

该项目中的个人页面，是基于关注的好友来做Feed流，因此采用Timeline的模式。该模式的实现方案有三种：

拉模式：也叫做读扩散，每个人都有自己的发件箱和收件箱。

推模式：也叫做写扩散，只有收件箱。

推拉结合模式：也叫做混写模式，兼具推和拉两种模式的优点。

3种模式对比：

该项目没有大v，采用推模式。

滚动分页查询

传统的分页在Feed流是不适用的，因为数据会不断更新。

传统分页示意图：

需要记录每次查询的最后一条，然后从这个位置开始去查询数据，不依赖于索引查询，list只能通过索引和首尾查询，因此pass；而sortedSet可以按照score范围进行排名，把score设为时间戳，每次查询记录最小的时间戳，下次查询时找比她更小的，从而实现滚动分页查询。

推送到粉丝收件箱

部分代码如下：

public Result savaBlog(Blog blog) {
    //1.获取登录用户
    UserDTO user = UserHolder.getUser();
    blog.setUserId(user.getId());
    //2.保存探店笔记
    boolean isSuccess = save(blog);
    if (!isSuccess){
        return Result.fail("新增笔记失败");
    }
    //3.查询笔记作者的所有粉丝 select * from tb_follow where follow_user_id = ?
    List<Follow> follows = followService.query().eq("follow_user_id", user.getId()).list();
    //4.推送笔记id给所有粉丝
    for (Follow follow : follows) {
        //4.1获取粉丝id
        Long userId = follow.getUserId();
        //4.2推送
        String key = "feed:"  + userId;
        stringRedisTemplate.opsForZSet().add(key, blog.getId().toString(), System.currentTimeMillis());
    }
    //5.返回id
    return Result.ok(blog.getId());
}

实现滚动分页

zrevrangebyscore key max min withscores limit offset count

4个查询参数：

• max：

  • 第一次：当前时间戳

  • 后续：上一次查询的最小时间戳

• min：固定值，0

• offset（偏移值）：从第几个开始查

  • 第一次：0

  • 后续：因为有可能出现相同score，所以要取上一次查询中最小的元素的个数

• count：固定值，每次查询的数量

部分代码如下：

public Result queryBlogOfFollow(Long max, Integer offset) {
    //1.获取当前用户
    Long userId = UserHolder.getUser().getId();
    //2.查询收件箱 zrevrangebyscore key max min limit offset count
    String key = "feed:"  + userId;
    Set<ZSetOperations.TypedTuple<String>> typedTuples = stringRedisTemplate.opsForZSet()
            .reverseRangeByScoreWithScores(key, 0, max, offset, 2);
    //3.非空判断
    if (typedTuples == null || typedTuples.isEmpty()){
        return Result.ok();
    }
    //4.解析数据：blogId、score(时间戳)、offset(偏移值)
    List<Long> ids = new ArrayList<>(typedTuples.size()); //默认16，指定和typedTuples大小一致
    long minTime = 0;
    int os = 1; //至少有一个最小值
    for (ZSetOperations.TypedTuple<String> tuple : typedTuples) {
        //4.1.获取id
        ids.add(Long.valueOf(tuple.getValue()));
        //4.2.获取分数(时间戳)
        long time = tuple.getScore().longValue();
        if (time == minTime){
            os++;
        } else {
            minTime = time;
            os = 1; //此时不是最小时间，需要重置
        }
    }
    //5.1.根据id查询blog
    String idStr = StrUtil.join(",", ids);
    List<Blog> blogs = query().in("id", ids).last("order by field(id," + idStr + ")").list();
    for (Blog blog : blogs) {
        //5.2.查询发布blog的用户
        queryBlogUser(blog);
        //5.3.查询blog是否被点赞
        isBlogLiked(blog);
    }
    //6.封装并返回
    ScrollResult r = new ScrollResult();
    r.setList(blogs);
    r.setOffset(os);
    r.setMinTime(minTime);
    return Result.ok(r);
}

附近商户(geo)

GEO是Geolocation的简写形式，代表地理坐标。Redis在3.2版本中加入了对GEO的支持，本质上是sortedSet。常见命令有：

• GEOADD：添加一个地理空间信息，包含：经度（longitude）、纬度（latitude）、值（member）
• GEODIST：计算指定的两个点之间的距离并返回
• GEOHASH：将指定member的坐标转为hash字符串形式并返回
• GEOPOS：返回指定member的坐标
• GEORADIUS：指定圆心、半径，找到该圆内包含的所有member，并按照与圆心之间的距离排序后返回。6.2以后已废弃
• GEOSEARCH：在指定范围内搜索member，并按照与指定点之间的距离排序后返回。范围可以是圆形或矩形。6.2.新功能
• GEOSEARCHSTORE：与GEOSEARCH功能一致，不过可以把结果存储到一个指定的key。 6.2.新功能

导入店铺数据到GEO

以typeId为key，shopId为member存入geo。

@Test
void loadShopDate() {
    //1.查询店铺消息
    List<Shop> list = shopService.list();
    //2.把店铺按照typeId分组，id一致的放到一个集合
    Map<Long, List<Shop>> map = list.stream().collect(Collectors.groupingBy(Shop::getTypeId));
    //分组后map:1={shop1},2={shop2}...

    //3.分组完成后写入reid
    for (Map.Entry<Long, List<Shop>> entry : map.entrySet()) {
        //3.1.获取类型id
        Long typeId = entry.getKey();
        String key = "shop:geo:" + typeId;
        //3.2.获取同类型的店铺集合
        List<Shop> value = entry.getValue();
        List<RedisGeoCommands.GeoLocation<String>> locations = new ArrayList<>(value.size());

        //3.3.写入redis groadd key 经度 纬度 member
        for (Shop shop : value) {
            //stringRedisTemplate.opsForGeo().add(key, new Point(shop.getX(), shop.getY()), shop.getId().toString());
            locations.add(new RedisGeoCommands.GeoLocation<>(
                    shop.getId().toString(),
                    new Point(shop.getX(), shop.getY())
            ));
        }
        stringRedisTemplate.opsForGeo().add(key, locations); //单个写变成批量写
    }
}

实现查询附近商户

难点在于分页截取数据。

部分代码如下：

public Result queryShopByType(Integer typeId, Integer current, Double x, Double y) {
    //1.判断是否需要根据坐标查询
    if (x == null || y == null) {
        //不需要坐标查询，按数据库查询
        Page<Shop> page = query()
                .eq("type_id", typeId)
                .page(new Page<>(current, DEFAULT_PAGE_SIZE));
        //返回数据
        return Result.ok(page.getRecords());
    }

    //2.计算分页参数
    int from = (current - 1) * DEFAULT_PAGE_SIZE;
    int end = current * DEFAULT_PAGE_SIZE;

    //3.根据redis按照距离排序进行分页查询。结构：shopId，distance
    String key = "shop:geo:" + typeId;
    GeoResults<RedisGeoCommands.GeoLocation<String>> results = stringRedisTemplate.opsForGeo() //geosearch bylonlat x y byradius 10 withistance
            .search(
                    key,
                    GeoReference.fromCoordinate(x, y),
                    new Distance(5000),
                    RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs()
                    .includeDistance().limit(end) //默认0到end，需要手动截取
            );
    //4.解析出id
    if (results == null) {
        return Result.ok(Collections.emptyList());
    }
    List<GeoResult<RedisGeoCommands.GeoLocation<String>>> list = results.getContent();
    if (list.size() <= from) {
        //没有下一页了，结束
        return Result.ok(Collections.emptyList());
    }
    //4.1.截取form到end的部分
    List<Long> ids = new ArrayList<>(list.size());
    Map<String, Distance> distanceMap = new HashMap<>(list.size());
    list.stream().skip(from).forEach(result -> {
        //4.2.获取店铺id
        String shopIdStr = result.getContent().getName();
        ids.add(Long.valueOf(shopIdStr));
        //4.3获取距离
        Distance distance = result.getDistance();
        distanceMap.put(shopIdStr, distance);
    });
    //5.根据id查询shop
    String idStr = StrUtil.join(",", ids);
    List<Shop> shops = query().in("id", ids).last("order by field(id," + idStr + ")").list();
    for (Shop shop : shops) {
        shop.setDistance(distanceMap.get(shop.getId().toString()).getValue());
    }
    //6.返回
    return Result.ok(shops);
}

签到（bitMap）

把每一个bit位对应当月的每一天，形成映射关系。用0和1标示业务状态，这种思路就称为位图（BitMap）。这样就可以用极小的空间，来实现了大量数据的存储。

Redis中是用string类型数据结构实现BitMap，因此最大上限是512M，转换为bit则是 2^32个bit位。

常用命令：

• SETBIT：向指定位置（offset）存入一个0或1
• GETBIT ：获取指定位置（offset）的bit值
• BITCOUNT ：统计BitMap中值为1的bit位的数量
• BITFIELD ：操作（查询、修改、自增）BitMap中bit数组中的指定位置（offset）的值，查询返回的是十进制数
• BITPOS ：查找bit数组中指定范围内第一个0或1出现的位置

实现签到功能

部分代码如下：

public Result sign() {
    //1.获取当前登录用户
    Long userId = UserHolder.getUser().getId();
    //2.获取日期
    LocalDateTime now = LocalDateTime.now();
    String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
    //3.拼接key
    String key = USER_SIGN_KEY + userId + keySuffix;
    //4.获取今天是本月的第几天，从1开始
    int dayOfMonth = now.getDayOfMonth();
    //5.写入redis  setbit key offset 1
    stringRedisTemplate.opsForValue().setBit(key, dayOfMonth - 1, true);
    return Result.ok();
}

统计连续签到天数

需要注意三点：

• 连续签到天数：指从最后一次签到开始向前开始统计，直到遇到第一次未签到为止，计算总的签到次数。该项目做的是统计本月到今天为止的连续签到天数。

  

• 得到本月到今天为止的所有签到数据：bitfield key get count offset

  • count：查多少个。

  • offset：从第几个开始查。

  • 返回的是一个十进制数。

• 从后向前遍历每个bit位：与1做于运算得到最后一个bit位，随后右移一位，使下一个bit位成为最后一个bit位。

部分代码如下：

重点在于while循环。

public Result signCount() {
    //1.获取当前登录用户
    Long userId = UserHolder.getUser().getId();
    //2.获取日期
    LocalDateTime now = LocalDateTime.now();
    String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
    //3.拼接key
    String key = USER_SIGN_KEY + userId + keySuffix;
    //4.获取今天是本月的第几天
    int dayOfMonth = now.getDayOfMonth();
    //5.获取本月截至今天为止的所有签到记录，返回的是一个十进制的数字 bitfield sign:1:202301 get u14 0
    List<Long> result = stringRedisTemplate.opsForValue().bitField(
            key,
            BitFieldSubCommands.create()
                    .get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)).valueAt(0)
    );
    if (result == null || result.isEmpty()) {
        //没有任何签到结果
        return Result.ok(0);
    }
    Long num = result.get(0);
    if (num == null || num == 0) { //健壮性判断
        return Result.ok(0);
    }
    //6.循环遍历
    int count = 0;
    while (true) {
        //6.1.让这个数字于1做与运算，得到数字的最后一个bit位,判断这个bit位是否为0
        if ((num & 1) == 0){
            //如果为0，说明未签到，结束
            break;
        } else {
            //如果不为0，说明已签到，计数器+1
            count++;
        }
        //把数字右移一位，抛弃最后一位，继续下一个bit位
        num >>>= 1; //无符号右移
    }
    return Result.ok(count);
}

统计数据（hyperLogLog）

UV和PV

• UV：全称Unique Visitor，也叫独立访客量，是指通过互联网访问、浏览这个网页的自然人。1天内同一个用户多次访问该网站，只记录1次。

• PV：全称Page View，也叫页面访问量或点击量，用户每访问网站的一个页面，记录1次PV，用户多次打开页面，则记录多次PV。往往用来衡量网站的流量。

通常来说UV会比PV大很多，所以衡量同一个网站的访问量，需要综合考虑很多因素，所以我们只是单纯的把这两个值作为一个参考值。

UV统计在服务端做会比较麻烦，因为要判断该用户是否已经统计过了，需要将统计过的用户信息保存。但是如果每个访问的用户都保存到Redis中，数据量会非常恐怖，那怎么处理呢？

Hyperloglog(HLL)是从Loglog算法派生的概率算法，用于确定非常大的集合的基数，而不需要存储其所有值。相关算法原理可以参考：juejin.cn/post/684490…

Redis中的HLL是基于string结构实现的，元素唯一，单个HLL的内存永远小于16kb，内存占用低的令人发指！作为代价，其测量结果是概率性的，有小于0.81％的误差。不过对于UV统计来说，这完全可以忽略。

UV统计-测试百万数据的统计

测试思路：直接利用单元测试，向HyperLogLog中添加100万条数据，看看内存占用和统计效果如何。

@Test
void testHyperLogLog() {
    String[] values = new String[1000];
    int j = 0;
    for (int i = 0; i < 1000000; i++) {
        //分1000次发送，循环次数/模的数：1000000/1000
        j = i % 1000;
        values[j] = "user_" + i;
        if (j == 999){
            //发送到Redis
            stringRedisTemplate.opsForHyperLogLog().add("hl2", values);
        }
    }
    //统计数量
    Long count = stringRedisTemplate.opsForHyperLogLog().size("hl2");
    System.out.println("count = " + count); //count = 997593
}

经过测试发现他的误差是在允许范围内，并且内存占用极小。