Redis实战篇笔记（最终篇）
Redis实战篇笔记（七）
文章目录
- Redis实战篇笔记（七）
- 前言
- 达人探店
- 发布和查看探店笔记
- 点赞
- 点赞排行榜
- 好友关注
- 关注和取关
- 共同关注
- 关注推送
- 关注推荐的实现
- 总结
前言
本系列文章是Redis实战篇笔记的最后一篇，那么到这里Redis实战篇的内容就要结束了，本系列文件涵盖了Redis作为缓存在实战项目中的大多数用法
达人探店
发布和查看探店笔记
这个两个功能就是普通的业务，没有用到 redis，所以我把他们合到一起了
发布探店笔记
我们点击下面的加号就可以发布一篇探店笔记
这里的上传图片，如果是一般的业务会上传到一个文件服务器，但是他这里选择上传到了我们的前端服务器
这个 IMAGE_UPLOAD_DIR 就是前端服务器放图片的地方，要改成自己所对应的位置
我们像这样就写好了一篇探店笔记，然后我们点发布，就会跳转到个人中心，并且在主页的最后也能看见我们发布的笔记
我们点击看我们刚发布的笔记，会报错，是因为我们还没有实现这个功能，我们点击查看，就可以看到前端访问的接口，接下来我们就去实现它
**这就是 查看笔记的方法 ** queryBlogById 是我们要实现的方法， querHotBlog 是代码已经写好的。由于没有涉及到 Redis 的操作，这里就不再过多解释了。
@Resource
private IUserService userService;
@Override
public Result queryHotBlog(Integer current) {
// 根据用户查询
Page<Blog> page = this.query()
.orderByDesc("liked")
.page(new Page<>(current, SystemConstants.MAX_PAGE_SIZE));
// 获取当前页数据
List<Blog> records = page.getRecords();
// 查询用户
records.forEach(this::queryBlogUser);
return Result.ok(records);
}
@Override
public Result queryBlogById(Long id) {
// 1. 查询blog
Blog blog = getById(id);
if(blog==null){
return Result.fail("笔记不存在");
}
// 2. 查询blog有关的用户
queryBlogUser(blog);
return Result.ok(blog);
}
private void queryBlogUser(Blog blog) {
Long userId = blog.getUserId();
User user = userService.getById(userId);
blog.setName(user.getNickName());
blog.setIcon(user.getIcon());
}
实现后，效果就是这样了。
点赞
代码中实现的点赞是 连续点赞的功能，但是这样的功能是不好的，如果有人调用这个接口，一直刷赞，数据库直接就爆了，所以我们要对这个功能进行改造
改造后的需求：
- 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Blog类的 isLike 属性）
那我们怎样来标记用户是否点赞过？ 用 Redis 的 set集合可以实现，set 集合我们已经用了好几次了，set中的元素是不能重复的，可以用来标记
@Override
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
Boolean isMember = stringRedisTemplate.opsForSet().isMember(BLOG_LIKED_KEY, userId.toString());
// 3.如果未点赞，可以点赞
if(BooleanUtil.isFalse(isMember)){
// 起始这里我觉得也可以做一个异步任务，利用 Redis的高效性，去实现与用户的交互
// 用异步任务来去修改数据库，感觉 Redis 和 数据库都可以这么来用
// 3.1 数据库点赞数+1
boolean isUpdate = update().setSql("liked=liked+1").eq("id", id).update();
// 3.2 保存用户到 Redis的 set 集合
if(isUpdate){
stringRedisTemplate.opsForSet().add(BLOG_LIKED_KEY,userId.toString());
}
}else {
// 4. 如果已经点赞，取消点赞
// 4.1 数据库点赞数 -1
boolean isUpdate = update().setSql("liked=liked-1").eq("id", id).update();
// 4.1 把用户从Redis的 set 集合移除
if(isUpdate){
stringRedisTemplate.opsForSet().remove(BLOG_LIKED_KEY,userId.toString());
}
}
return Result.ok();
}
点赞排行榜
我们在探店笔记的详情页面，应该按照点赞的时间显示出来，比如最早点赞的 TOP5，形成点赞排行榜
但是我们刚才在实现点赞功能的时候，用的是 set 集合，但 set 集合中的元素是无序的，这就不符合我们的功能，所以我们要换一个数据结构，即能保留 set 的无序特点，又会使其中的元素有序，那就是 Redis 的 SortedSet
那接下来，我们就要去改造一下我们之前写的点赞功能
其实就是把之前用 set 集合的操作 换成 SortSet
@Override
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
Double score = stringRedisTemplate.opsForZSet().score(BLOG_LIKED_KEY, userId.toString());
// 3.如果未点赞，可以点赞
if(score==null){
// 3.1 数据库点赞数+1
boolean isUpdate = update().setSql("liked=liked+1").eq("id", id).update();
// 3.2 保存用户到 Redis的 set 集合
if(isUpdate){
stringRedisTemplate.opsForZSet().add(BLOG_LIKED_KEY,userId.toString(),System.currentTimeMillis());
}
}else {
// 4. 如果已经点赞，取消点赞
// 4.1 数据库点赞数 -1
boolean isUpdate = update().setSql("liked=liked-1").eq("id", id).update();
// 4.1 把用户从Redis的 set 集合移除
if(isUpdate){
stringRedisTemplate.opsForZSet().remove(BLOG_LIKED_KEY,userId.toString());
}
}
return Result.ok();
}
private void isLiked(Blog blog){
// 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
Double score = stringRedisTemplate.opsForZSet().score(BLOG_LIKED_KEY, userId.toString());
blog.setIsLike(score!=null);
}
**那接下来我们就去实现这个点赞排行榜
@Override
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());
}
// 这里用了大量的 stream流来处理集合，不太懂 stream流的朋友可以先去学习一下stream流
List<Long> ids = top5.stream().map(Long::valueOf).collect(Collectors.toList());
String idStr = StrUtil.join(",", ids);
// 这里的 sql，没有默认的是因为，默认的排序它会按 id 降序排列，不符合我们的需求。
List<UserDTO> userDTOS = userService.query()
.in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list()
.stream() // 这里处理一下是脱敏
.map(user -> BeanUtil.copyProperties(user, UserDTO.class))
.collect(Collectors.toList());
return Result.ok(userDTOS);
}
// 因为未登录用户会获取 user失败，所以这里加一下，其实这样做是不好的，业务容易乱，以后未登录
// 用户要使用的地方肯定还会有，所以建议还是写在 拦截器里。
private void isLiked(Blog blog){
// 1.获取登录用户
UserDTO user = UserHolder.getUser();
if (user==null){
return;
}
Long userId = user.getId();
// 2.判断当前登录用户是否已经点赞
Double score = stringRedisTemplate.opsForZSet().score(BLOG_LIKED_KEY, userId.toString());
blog.setIsLike(score!=null);
}
至此，达人探店的模块我们也学完了，在这个模块，我们主要去使用了 Redis 中关于 set 和 SortedSet 的使用。🤗
好友关注
关注和取关
这个功能也没有用到 Redis， 也只是简单的业务，这里也就简单的记一下
其实这也是个挺常见的功能，不跟视频自己也可以手敲出来，这里就只记录 service层的代码
@Override
public Result follow(Long followUserId, Boolean isFollow) {
Long userId = UserHolder.getUser().getId();
// 1.判断到底是关注还是取关
if(isFollow==true){
Follow follow = new Follow();
follow.setUserId(userId);
follow.setFollowUserId(followUserId);
save(follow);
}else {
remove(new QueryWrapper<Follow>().eq("user_id",userId).eq("follow_user_id",followUserId));
}
return Result.ok();
}
@Override
public Result isFollow(Long followUserId) {
Long userId = UserHolder.getUser().getId();
// 1.查询是否关注
Integer count = query().eq("user_id", userId).eq("follow_user_id", followUserId).count();
return Result.ok(count>0);
}
共同关注
其实之后的课程有点为了练这个 Redis 而去开发的这个功能😢，但还是学完吧，也没有几节了
既然要实现 共同关注，那肯定要 先获取 两个用户的关注列表，然后去求交集，那在 Redis 中 set 集合是可以求交集的，所以我们这次用 set 集合来实现求共同关注的功能。在实现这个功能之前，我们先来实现下面两段代码
这两段 代码与共同关注没有什么关系，是用来完善用户的一些信息
// UserController
// 这个是用来点击头像，进入主页
@GetMapping("{id}")
public Result queryUserById(@PathVariable("id") Long userId){
User user = userService.getById(userId);
if(user==null){
return Result.ok();
}
UserDTO userDTO = BeanUtil.copyProperties(user, UserDTO.class);
return Result.ok(userDTO);
}
// BlogController
// 这个是进入主页后，显示这个博主的博客
@GetMapping("/of/user")
public Result queryBlogByUserId(@RequestParam(value = "current",defaultValue = "1")Integer current,
@RequestParam("id") Long id){
Page<Blog> page = blogService.query().eq("user_id", id).page(new Page<>(current, SystemConstants.MAX_PAGE_SIZE));
List<Blog> records = page.getRecords();
return Result.ok(records);
}
下面我们就来写共同关注的代码，首先我们要把之前写的关注稍微改一下，就是操作完数据库后，把关注列表形成一个 set 添加到 Redis 中。
@Override
public Result follow(Long followUserId, Boolean isFollow) {
Long userId = UserHolder.getUser().getId();
// 1.判断到底是关注还是取关
if(isFollow==true){
Follow follow = new Follow();
follow.setUserId(userId);
follow.setFollowUserId(followUserId);
boolean save = save(follow);
if(save){
stringRedisTemplate.opsForSet().add("follows:"+userId,followUserId.toString());
}
}else {
remove(new QueryWrapper<Follow>().eq("user_id",userId).eq("follow_user_id",followUserId));
stringRedisTemplate.opsForSet().remove("follows:"+userId,followUserId.toString());
}
return Result.ok();
}
然后我们来写 共同关注
@Override
public Result followCommons(Long id) {
// 这里还是用来一些流操作的，不熟悉的朋友还是建议去看看流。
// 其实这里真正要说的也就是求交集了 set 的 intersect命令
Long userId = UserHolder.getUser().getId();
String key="follows:"+userId;
String followedKey="follows:"+id;
Set<String> intersect = stringRedisTemplate.opsForSet().intersect(key, followedKey);
if(intersect==null||intersect.isEmpty()) return Result.ok(Collections.emptyList());
List<Long> ids = intersect.stream().map(Long::valueOf).collect(Collectors.toList());
List<UserDTO> users = userService.listByIds(ids)
.stream()
.map(user -> BeanUtil.copyProperties(user, UserDTO.class))
.collect(Collectors.toList());
return Result.ok(users);
}
其实上面两个真的没有什么太多新的东西,用到的 Redis 的部分也是比较少的,想要学 Redis 的朋友也可以跳过这两节.
关注推送
关注推送也叫 Feed 流,直译为 投喂,为用户持续的提供 “沉浸式” 的体验,通过无限下拉获取新的信息
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,推送用户感兴趣的信息来吸引用户
- 优点: 投喂用户感兴趣信息,用户粘度高,容易沉迷
- 缺点: 如果算法不精确,可能起反作用
我们这个 个人页面,是基于关注的好友来做 Feed 流,因此采用 TIMELine 的模式,该模式的实现有三种
- 拉模式
- 推模式
- 推拉结合
拉模式
每个博主都会有一个发件箱,当他们发布消息的时候,都会先发到他们自己的发件箱当中,并且都带上时间戳,然后当有一个用户下拉刷新它的收件箱的时候,这时候,系统会从这个用户所关注的博主的发件箱中拉取信息,然后按时间戳排序.下面这个国就演示了这个过程,但是我们想想,它每下拉一次我们就都要给它拉取一次,并且还要排序,那这样性能是不是就不是很好,那我们接下来继续看 推模式
推模式
而推模式就与拉模式不太一样了,每个博主没有收件箱 了,而是把信息直接发给粉丝的收件箱,并且在收件箱内部排好序,这样粉丝下来刷新的时间,就直接从收件箱中取就可以了.这样就弥补了拉模式的效率问题.但是推模式同样有一个问题,就是如果有一个博主的粉丝很多,那它要给粉丝发消息就要发多份,这个数据量上来了,系统也没法承受,那么能不能把 这两种模式的优点结合起来呢,那就是接下的推拉模式了
推拉模式
在推拉模式中,我们将博主分为 大V 和普通博主,大V的粉丝数很多,通常几千万,而普通博主的粉丝数就比较少了.
我们也把粉丝分为普通粉丝和活跃粉丝.
对于 大V来说,他的粉丝数很多,所以肯定不能用推模式,所以就用拉模式.但是对于一些活跃粉丝还是用推模式,因为这些活跃粉丝经常取看他们博主的信息,所以效率要高一些,而对于哪些普通粉丝就用拉模式,因为他们对博主的关注也不是很多,所以效率吗,慢一点也就慢一点了,而对于普通博主来说,他的粉丝数目没有那么多,所以用推模式也耗费不少资源.
下面我们再来对比一下这三种模式的优缺点.
那对于我们这个系统,不会有大v,所以我们这采用推模式来实现.
关注推荐的实现
需求：
- 修改新增探店笔记的业务，在保存 blog 到数据库的时候，推送的收件箱
- 收件箱满足可以根据时间戳排序，必须用 Redis 的数据结构实现
- 查询收件箱时，可以实现分页查询。
我们先来修改新增博客的业务，这个业务用到了 Redis的 set结构来作为用户的收件箱，并把这个博客推送到这个博客的主人的粉丝的收件箱。
@Override
public Result saveBlog(Blog blog) {
// 获取登录用户
UserDTO user = UserHolder.getUser();
blog.setUserId(user.getId());
// 保存探店博文
boolean isSuccess = save(blog);
if(!isSuccess){
return Result.fail("新增笔记失败");
}
List<Follow> follows = followService.query().eq("follow_user_id", user.getId().toString()).list();
for (Follow follow : follows) {
//获取粉丝 id
Long userId = follow.getUserId();
//推送
String key="feeds:"+userId;
stringRedisTemplate.opsForZSet().add(key,blog.getId().toString(),System.currentTimeMillis());
}
// 返回id
return Result.ok(blog.getId());
}
然后我们再来实现粉丝查看自己的收件箱，展示出这个用户所关注的博主的文章
但是我们这里想一下，这里的分页还能是传统的分页吗？
我们看下面这条图，t1时，查询5条，但是 t2这是又传过来了一个数据，t3这时候又查询5条数据，从头开始查的话，会查重一个。这就不是我们想要的，那怎么解决查重，就是滚动查询
在滚动查询的时候
t1 和 t2 都是与上述一样，但是 t3时刻读取第二页，是从上回 的lastId 的下一个开始查的，这样就避免了查重，但是在 Redis 中如何实现呢，我们可以利用 SortedSet 来实现。
**SortedSet 中有一条命令是 **
ZREVRANGEBYSCORE 是用 score 来搜索
其中 max ,min是排序的范围，max是最大值，min是最小值。WITHSCORES是返回时带着分数 offset是偏移量，是从最大值的哪一个开始排序，0就是从最大值开始，1就是从最大值的下一个开始。count就是查几个。
那么我们就可以用时间戳来当分数，最新的时间戳就是最大的分数，排在第一位。第一次的时候可以拿当前时间戳，因为对于当前来说，当前时间戳是最大的，最小值我们不关心，就用 0. 第一次 offset 用0，因为第一次分数最大的我们也要。
然后往后 max 就应该是上回查询的最小分数，最小还是0，但是这时的 offset就应该是 1了，因为这次的最小分数是上一会的最小元素，我们上回已经查过了，这次不需要了。所以 offset 要用 1. 具体如下
但是如果两个元素的时间戳一样怎么办？如果这个用户关注了很多博主，这些博主可能会在同一时间发布文章，都会推送到这个用户的收件箱。我们看下面的图看一下有什么问题
我们看一下，m7和m6的分数都是 6，第二次查看的时候还是出现了 6，这是为什么，因为，我们第二次查询的时候 max 是上回的 min，上回的 min是6，而我们的第二次的 offser 是 1，也就是 从分数为 6 的下一个开始，那分数为6 的从上往下 第一个是 m7，第二个是 m6，那可不是要从 m6开始查嘛，所以我们的 offset也要改，就是上一次最小分数的个数是多少，我们下一次的 offset就是多少，还是这个我们来开，6有两个，那第二次我们的 offser 就是 2，分数为6的第一个是m7,往下移动 2位，不就刚好把 上一次我们查到的 分数为6的隔过去了嘛、
有的朋友可能这里会有的疑惑，如果我 m5 也是 6，你offset不就是 3了，不就把 m5 也隔过去了？
其实不是这样的，查重复的，我们只在上一次我们查到的里面查重复，不是对于整个 set 查。下面看效果
那思路有了，代码怎么实现呢，我们先来看接口的规范
我们在一次查询中，就要把 本次的最小时间戳和下一次要用的偏移量算出来，传给前端，前端下一次再调用这个接口的时候，就用这两个。下面是具体代码实现
@Override
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="feeds:"+userId;
//3. 解析数据：blogId,timestamp,offset
// 这里的 TypedTuple 是一个元组，里面有你要查的数据，以及分数
Set<ZSetOperations.TypedTuple<String>> typedTuples = stringRedisTemplate.opsForZSet()
.reverseRangeByScoreWithScores(key, 0, max, offset, 3);
// 非空判断
if(typedTuples==null||typedTuples.isEmpty()){
return Result.ok();
}
//4. 根据id查询blog
List<Long> ids=new ArrayList<>(typedTuples.size());
long minTime=0;
int os=1;
// 接下来就是算 mintime 和 offset,其实这里我们还是用了一点点小算法，用一个 mintime
// 变量来接受最小时间戳，然后每次从元组获取到时间戳，我们就赋给 mintime，这样遍历完
// 后，mintime 就是最小的
// 然后是 算 offset,这里我们根据 mintime，我们刚才不是说了嘛，遍历的过程中每获取一次
// time ，就赋给 mintime,那么我们在赋之前，加一步，判断当前获取的这个 time 与 mintime
//是否相等，相等，就让 os++，不相等就让 minTime=time,最后重置 os，到最后 os 一定是
// 最小的时间戳的重复次数。
// 其实else 里面 的赋值可以去掉，因为最后还会赋值。
for (ZSetOperations.TypedTuple<String> typedTuple : typedTuples) {
//4.1 获取博客id
ids.add(Long.valueOf(typedTuple.getValue()));
long time = typedTuple.getScore().longValue();
if(time==minTime){
os++;
}else {
minTime=time;
os=1;
}
minTime = time;
}
//5. 封装并返回
String idStr = StrUtil.join(",", ids);
List<Blog> blogs = query().in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list();
for (Blog blog : blogs) {
// 查询 blog 有关的用户
queryBlogUser(blog);
// 查询blog 是否被点赞
isLiked(blog);
}
ScrollResult scrollResult = new ScrollResult();
scrollResult.setList(blogs);
scrollResult.setOffset(os);
scrollResult.setMinTime(minTime);
return Result.ok(scrollResult);
}
那么今天关于好友关注这个模块就学完了，虽然前面的比较简单，但是最后一个理解起来还是有一定难度的
总结
最后的最后，还是希望Redis实战篇系列比较可以对大家的学习以及工作有一定的帮助，那我们的实战篇笔记就到这里撒花完结了，朋友们，我们高级篇再见。
我是Mayphyr,从一点点到亿点点，我们下次再见