Redis实现数据推送

ZSet

技术背景：

就是要实现有数据变动的分页查询，比如说，每次查询3个，刚开始查询到7,6,5后又插进来一个数8，那么按以往的分页查询page = page * page_size = 1 * 3 = 3 确定起始位置，下次查询从第4个开始查询，而新插进来一个数，此时的第四个就是旧数据的第三个。会出现重复。

改进办法是记住上一次查询后的最小值，按上面的例子这个最小值就是5，之后查询就查比5小的3个数。这样就解决了插入新数据导致的重复查询的问题。

利用技术：Redis中的有序集合（Sorted Set），结合了集合（Set）和哈希表（Hash）的特性：成员是唯一的，但每个成员都会关联一个双精度浮点数的分数（score），Redis 会根据这些分数对成员进行排序。 这里就用时间作为分数。

对应Spring集成的Redis代码：

//添加笔记到粉丝的收件箱：
// Redis: ZADD key score member [score member ...]
stringRedisTemplate.opsForZSet().add(key, blog.getId().toString(), System.currentTimeMillis());
​
//查询 ->反向查询,因为默认是从小到大查询：
// Redis: ZREVRANGEBYSCORE key max min LIMIT offset count WITHSCORES
Set<ZSetOperations.TypedTuple<String>> typedTuples = stringRedisTemplate
    .opsForZSet()
    .reverseRangeByScoreWithScores(key, 0, max, offset, 2);

Feed流：

1、智能排序（抖音推荐）

2、Timeline实现：

拉模式：也叫做读扩散，当张三和李四发了消息后，都会保存在自己的邮箱中，假设赵六要读取信息，那么他会从读取他自己的收件箱，此时系统会从他关注的人群中，把他关注人的信息全部都进行拉取到自己的收件箱，然后在进行排序

推模式：也叫做写扩散，推模式是没有写邮箱，当张三写了一个内容，此时会主动的把张三写的内容发送到他的每个粉丝收件箱中去，假设此时李四再来读取，就不用再去临时拉取了。时效快，不用临时拉取，数据冗余内存压力大。

推拉结合模式：也叫做读写混合，兼具推和拉两种模式的优点。如果是个普通的人，那么我们采用写扩散的方式，直接把数据写入到他的粉丝中去。

如果是大V，则分情况，如果是活跃粉丝，就采用推模式，直接发送到粉丝收件箱里。而如果是普通的粉丝，上线不是很频繁，所以等他们上线时，再从发件箱里边去拉信息。

建仓：保存传送探店笔记到数据库后，获得到当前笔记作者的所有粉丝，并以每个粉丝的Id建立一个Redis键->key = userId。其值为文章的id； 并以当前时间作为排序的权值。（最新的数据会在最上面 - > 从大到小查询）

@Override
public Result saveBlog(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 （以每个粉丝的Id建立一个Redis键,key = userId;其值为文章的id,value = blog.id; ）
        String key = FEED_KEY + userId;
        stringRedisTemplate.opsForZSet().add(key, blog.getId().toString(), System.currentTimeMillis());
    }
    // 5.返回id
    return Result.ok(blog.getId());
}

在关注列表取值时要完成： 一：每次取值要拿到本次查询数据的最小时间戳作为下一次查询条件；

二： 本次查询出重复元素个数作为偏移量，下次查询时跳过这些数据。 因此设计出实体类：

@Data
public class ScrollResult {
    private List<?> list;
    private Long minTime;
    private Integer offset;
}

取出数据：

@GetMapping("/of/follow")
// 按范围查询：传入上传查询出的最小时间戳作为本次查询的最大值范围。 max
//           传入上次查询出重复元素的个数作为偏移量，就是查询的开始跳过几条数据 offset 查询第一页时默认为 0
public Result queryBlogOfFollow(
    @RequestParam("lastId") Long max, @RequestParam(value = "offset", defaultValue = "0") Integer offset){
    return blogService.queryBlogOfFollow(max, offset);
}
​
@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 = FEED_KEY + userId;
    Set<ZSetOperations.TypedTuple<String>> typedTuples = stringRedisTemplate
        .opsForZSet()
        //reverseRangeByScoreWithScores: 从有序集合里反向查询得分处于特定区间的数据，并且返回带有得分的结果集。
        //key：要查询的有序集合的键名。
        //0：查询的最小得分。
        //max：查询的最大得分。
        //offset：查询结果的偏移量，也就是从第几个元素开始返回。
        //2：要返回的元素数量。
        .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、minTime（时间戳）、offset
    List<Long> ids = new ArrayList<>(typedTuples.size());
    long minTime = 0; // 2
    int os = 1; // 2
    for (ZSetOperations.TypedTuple<String> tuple : typedTuples) { // 5 4 4 2 2
        // 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;
        }
    }
    os = minTime == max ? os : os + offset;
    
    // 5.根据id查询blog 保证以上面的id顺序查出结果
    String idStr = StrUtil.join(",", ids);
    List<Blog> blogs = query().in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list();
​
    for (Blog blog : blogs) {
        // 5.1.查询blog有关的用户
        queryBlogUser(blog);
        // 5.2.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);
}