Redis黑马点评 Feed流
1.Feed流推拉结合机制
Feed流是一种常见的信息展示方式，用于向用户推送内容更新，如社交媒体动态、新闻更新等。实现Feed流的方案有多种，其中推拉结合模式是一种折中的方案，兼具推和拉两种模式的优点。
推模式（写扩散）
定义：用户发布动态时，系统主动将动态推送到其粉丝的收件箱中。
优点：用户能够实时接收到内容更新，无需手动刷新。
缺点：内存压力大，特别是对于有大量粉丝的用户（大V），需要写入大量数据。
拉模式（读扩散）
定义：用户需要读取动态时，系统从其关注的用户中拉取所有动态，然后进行排序。
优点：节约空间，因为动态只保存在发布者的邮箱中。
缺点：延迟较大，特别是当用户关注了大量的用户时，需要拉取大量内容，对服务器压力较大。
推拉结合模式（读写混合）
定义：结合了推和拉两种模式的优点，是一种折中的方案。
实现方式：
对于普通用户，采用推模式，直接将动态写入其粉丝的收件箱。
对于有大量粉丝的用户（大V），采用拉模式，当粉丝需要读取动态时，再去拉取这些动态。大V的铁粉则继续使用推模式。
优点：
兼具推模式的实时性和拉模式的空间节约。
避免了大V带来的推送压力，同时保证了中小V内容的实时触达。
缺点：实现复杂。
实现逻辑
发布动态：
普通用户发布动态时，直接将动态写入其粉丝的收件箱。
大V发布动态时，对普通粉丝只写入自己的发件箱，不立即推送。铁粉则立即推送。
读取动态：
用户查看Feed流时，先读取自己的收件箱。
如果用户关注了大V，再去拉取大V的发件箱内容。
将收件箱和拉取的内容合并，按时间排序后返回给用户。
性能优化
推送优化：
分级推送：小V内容实时推送，中V内容批量推送。
粉丝分片：对中V采用粉丝分片推送，避免瞬时压力。
拉取优化：
预拉取机制：用户进入Feed流页面时，异步预拉取前几个头部大V的最新内容。
结果缓存：缓存拉模式聚合结果，减少重复计算。
存储优化：
内容分表：按创作者ID哈希分片存储内容表。
历史数据归档：超过一定时间的内容迁移至冷存储。
Controller
@GetMapping("/of/follow")public Result queryBlogOfFollow(@RequestParam("lastId") Long max,@RequestParam(value = "offset",defaultValue = "0")Integer offset){return blogService.queryBlogOfFollow(max,offset);}
@Overridepublic Result saveBlog(Blog blog) {UserDTO user = UserHolder.getUser();blog.setUserId(user.getId());boolean isSuccess = save(blog);if(!isSuccess){return Result.fail("发布笔记失败");}//查询作者所有粉丝//推送笔记Id给所有粉丝List<Follow> follows = followService.query().eq("follow_user_id",user.getId()).list();//返回Idfor(Follow follow : follows){Long userId = follow.getUserId();//4.2推送String key = FEED_KEY + userId;stringRedisTemplate.opsForZSet().add(key,blog.getId().toString(),System.currentTimeMillis());}return Result.ok(blog.getId());}查询
@Overridepublic Result queryBlogOfFollow(Long max, Integer offset) {//1.获取用户Long userId = UserHolder.getUser().getId();//2.查询收件箱String key = FEED_KEY + userId;//3.解析数据:blogId、score时间戳 offsetSet<ZSetOperations.TypedTuple<String>> typedTuples = stringRedisTemplate.opsForZSet().reverseRangeByScoreWithScores(key, 0, max, offset, 3);//4.根据id查询blogif(typedTuples == null || typedTuples.isEmpty()){return Result.ok();}//5.封装返回List<Long> ids = new ArrayList<>(typedTuples.size());long minTime = 0;int os = 1;for(ZSetOperations.TypedTuple<String> tuple:typedTuples){String idStr = tuple.getValue();ids.add(Long.valueOf(idStr));long time = tuple.getScore().longValue();if(time == minTime){os++;}else{minTime = time;os = 1;}}String idStr = StrUtil.join(",",ids);List<Blog> blogs = query().in("id",ids).last("ORDER BY FIELD(id," + idStr + ")").list();for(Blog blog : blogs){//2.查关于blog有关的用户queryBlogUser(blog);//3.查询blog是否点赞isBlogLiked(blog);}ScrollResult r = new ScrollResult();r.setList(blogs);r.setOffset( os);r.setMinTime(minTime);return Result.ok(r);}2.用户签到：
@Overridepublic Result sign(){//1.获取当前用户Long userId = UserHolder.getUser().getId();//2.获取日期LocalDateTime now = LocalDateTime.now();//3.拼接keyString keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));String key = USER_SIGN_KEY + userId + keySuffix;//4.获取第几天int dayOfMonth = now.getDayOfMonth();//5.写入Redis set bitstringRedisTemplate.opsForValue().setBit(key,dayOfMonth-1,true);return Result.ok();}
@Overridepublic Result signCount() {//1.获取当前用户Long userId = UserHolder.getUser().getId();//2.获取日期LocalDateTime now = LocalDateTime.now();//3.拼接keyString keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));String key = USER_SIGN_KEY + userId + keySuffix;//4.获取第几天int dayOfMonth = now.getDayOfMonth();//5.得到签到记录 十进制数字List<Long> result = stringRedisTemplate.opsForValue().bitField(key, BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)).valueAt(0));if(result == null || result.isEmpty()){return Result.ok(0);}Long num = result.get(0);if(num == null || num == 0){return Result.ok(0);}//6.循环遍历int count = 0;while (true) {//7.让数字与1做与运算，得到最后一个bit位if ((num & 1) == 0){//为0返回 没签到break;}else {//不为0已签到 计数加一count ++;}//数字右移 继续判断num >>>= 1;}return Result.ok(count);}1. 使用位运算遍历
你的代码中使用了位运算来遍历二进制位，这种方法的优点是性能高且直接操作二进制位。
代码逻辑：
int count = 0;
while (true) {if ((num & 1) == 0) {break;} else {count++;}num >>>= 1;
}优点：
性能高：位运算在 CPU 级别是非常高效的，不需要额外的内存分配。
直接操作二进制位：可以精确地控制每一位的操作，适合这种需要逐位检查的场景。
缺点：
可读性稍差：对于不熟悉位运算的开发者来说，可能需要花一点时间理解代码逻辑。
2. 转字符串遍历
如果你选择将数字转换为字符串，然后逐字符遍历，也可以实现相同的功能，但性能和可读性会有所不同。
示例代码：
int count = 0;
String binaryString = Long.toBinaryString(num);
for (int i = 0; i < binaryString.length(); i++) {if (binaryString.charAt(i) == '1') {count++;} else {break;}
}优点：
可读性好：对于不熟悉位运算的开发者来说，字符串遍历的逻辑更容易理解。
简洁：代码更简洁，逻辑更直观。
缺点：
性能低：字符串操作涉及到更多的内存分配和字符操作，性能不如位运算。
额外内存占用：需要将数字转换为字符串，增加了内存占用。
3.Redis Geo
Redis Geo 是 Redis 提供的一种用于处理地理位置数据的功能模块。它允许用户将地理位置信息存储在 Redis 数据库中，并执行各种与地理位置相关的操作，例如计算两点之间的距离、查找某个位置附近的其他位置等。以下是 Redis Geo 的一些主要功能和使用方法：
1. 数据结构
Redis Geo 使用有序集合（Sorted Set）来存储地理位置信息。每个地理位置由以下三部分组成：
经度（longitude）：表示地理位置的经度。
纬度（latitude）：表示地理位置的纬度。
成员（member）：一个字符串，用于标识该地理位置。
2. 主要命令
Redis Geo 提供了一系列命令来操作地理位置数据，以下是一些常用的命令：
添加地理位置
GEOADD key longitude latitude member [longitude latitude member ...]功能：将一个或多个地理位置添加到指定的键中。
示例
GEOADD locations 116.397428 39.90923 "Beijing" GEOADD locations 121.473701 31.230393 "Shanghai"
计算距离
GEODIST key member1 member2 [unit]功能：计算两个地理位置之间的距离。
单位：单位可以是
m（米）、km（千米）、mi（英里）、ft（英尺）。示例：
GEODIST locations Beijing Shanghai km
查找附近的位置
GEORADIUS key longitude latitude radius [unit] [WITHDIST] [WITHCOORD] [WITHHASH] [COUNT count] [ASC|DESC] [STORE key] [STOREDIST key]功能：查找指定位置周围一定范围内的其他位置。
示例
GEORADIUS locations 116.397428 39.90923 100 km WITHDIST
获取地理位置的坐标
GEOPOS key member [member ...]功能：获取一个或多个地理位置的坐标。
示例
GEOPOS locations Beijing
删除地理位置
ZREM key member [member ...]功能：从有序集合中删除指定的成员。
示例
ZREM locations Beijing
3. 应用场景
Redis Geo 在许多实际场景中非常有用，例如：
位置服务：如地图应用、外卖平台等，可以根据用户的位置查找附近的商家或服务。
社交网络：根据用户的位置推荐附近的朋友或活动。
物流配送：计算配送距离，优化配送路线。
@Overridepublic Result queryShopByType(Integer typeId, Integer current, Double x, Double y) {//1.判断是否根据坐标查询if(x == null || y == null){Page<Shop> page = query().eq("type_id", typeId).page(new Page<>(current, SystemConstants.DEFAULT_PAGE_SIZE));return Result.ok(page.getRecords());}//2.计算分页参数int from = (current - 1) * SystemConstants.DEFAULT_PAGE_SIZE;int end = current * SystemConstants.DEFAULT_PAGE_SIZE;//3.查询redis、按照距离排序分页String key = SHOP_GEO_KEY + typeId;GeoResults<RedisGeoCommands.GeoLocation<String>> results =stringRedisTemplate.opsForGeo().search(key, GeoReference.fromCoordinate(x, y),new Distance(5000),RedisGeoCommands.GeoSearchCommandArgs.newGeoSearchArgs().includeDistance().limit(end));//4.解析idif(results == null ){return Result.ok(Collections.emptyList());}List<GeoResult<RedisGeoCommands.GeoLocation<String>>> list = results.getContent();List<Long> ids = new ArrayList<>(list.size());Map<String,Distance> distanceMap = new HashMap<>(list.size());list.stream().skip(from).forEach(result ->{String shopIdStr = result.getContent().getName();ids.add(Long.valueOf(shopIdStr));Distance distance = result.getDistance();distanceMap.put(shopIdStr,distance);});// 🚨 防止 id 为空if (ids.isEmpty()) {return Result.ok(Collections.emptyList());}//获取店铺idString 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());}return Result.ok(shops);}