用redis实现一个投票(java版)

java简易投票系统源码下载-RuoYi-session:若依管理系统V3.1session java简易投票系统源码下载 平台简介 2018/12/06 1、同步RUOYI_V3.1(2018-12-06); 1、修复强退时无法强迫退出; 1、ROUYI最新版本(2018-11-22)集成redis,将session放入redis,可实现集群部署; 2、可在方法上使用@Cacheable将数据缓存到redis; @CacheConfig(cacheNames = "SsoCache") public class SsoCache{ @Cacheable(keyGenerator = "cacheKeyGenerator") public String getTokenByGsid(String gsid) } //二者选其一,可以使用value上的信息,来替换类上cacheNames的信息 @Cacheable(value = "BasicDataCache",keyGenerator = "cacheKeyGenerator") public String getTokenByGsid(String gsid){} } 3、欢迎fork此版本 2018年度最受欢 立即下载

代码

import java.util.*;

import redis.clients.jedis.Jedis;
import redis.clients.jedis.ZParams;

public class Vote {
    private static final int ONE_WEEK_IN_SECONDS = 7 * 86400;
    private static final int VOTE_SCORE = 432;
    private static final int ARTICLES_PER_PAGE = 25;

    public String postArticle(Jedis conn,String user,String title,String link){//发表文章
        String articleId=String.valueOf(conn.incr("article:"));//自动匹配一个文章id号
        String voted="voted:"+articleId;
        conn.sadd(voted, user);  //表示该用户已为这篇文章投票。
        conn.expire(voted, ONE_WEEK_IN_SECONDS);//给这篇文章设定投票期限
        long now=System.currentTimeMillis()/1000;
        String article="article:"+articleId;
        HashMap<String, String> articleData=new HashMap<>();//对文章的信息进行封装
        articleData.put("title",title);
        articleData.put("link", link);
        articleData.put("user", user);
        articleData.put("now", String.valueOf(now));
        articleData.put("votes", "1");
        articleData.put("againsts", "0");
        conn.hmset(article, articleData);//hmset用于同时将多个键值对存储于一个哈希表内
        conn.zadd("score:", now+VOTE_SCORE,article);//将文章添加到根据评分排序的有序集合
        conn.zadd("time:", now, article);//将文章添加到根据时间排序的有序集合中
        return articleId;
    }
    public void articleVote(Jedis conn,String user,String article,boolean against){//投票或者投反对票
        long cutoff=(System.currentTimeMillis()/1000);//
        if(conn.zscore("time:", article)+ONE_WEEK_IN_SECONDS<cutoff){//判读文章是否过期
            return;
        }
        String articleId=article.substring(article.indexOf(":")+1);
        if(against){ //投反对票
            if(conn.sadd("against:"+articleId, user)==1){
                conn.hincrBy(article, "against", 1);  //给反对票数组自增1
            }
        }
        else if(conn.sadd("voted:"+articleId, user)==1){//判读该用户是否对这篇文章投过票
            conn.zincrby("score:", VOTE_SCORE, article);//为score:表中的article自增分数
            conn.hincrBy(article, "votes", 1);//为article:表中"votes"自增1
        }
    }
    public void addGroups(Jedis conn,String articleId,String[] toAdd){
        String article="article:"+articleId;
        for(String group:toAdd){
            conn.sadd("group:"+group, article);
        }
    }
    public void removeGroups(Jedis conn,String articleId,String[] toRemove){
        String article="article:"+articleId;
        for(String group:toRemove){
            conn.srem("group:"+group, article);
        }
    }
    public List<Map<String, String>> getArticles(Jedis conn,int page){
        return getArticles(conn, page, "score:");
    }
    public List<Map<String, String>> getArticles(Jedis conn,int page,String order){//根据页数和排序方式返回所有文章
        int start=(page-1)*ARTICLES_PER_PAGE;
        int end=start+ARTICLES_PER_PAGE-1;
        Set<String> ids=conn.zrevrange(order, start, end);//获取从大到小的顺序的集合
        List<Map<String, String>> articles=new ArrayList<>();
        for(String id:ids){
            Map<String, String> articleData=conn.hgetAll(id);
            articleData.put("id", id);
            articles.add(articleData);  
        }
        return articles;
    }
    public List<Map<String, String>> getGroupArticles(Jedis conn,String group,int page){
        return getGroupArticles(conn, group, page, "score:");
    }
    public List<Map<String, String>> getGroupArticles(Jedis conn,String group,int page,String order){
        String key=order+group;
        if(!conn.exists(key)){
            ZParams params=new ZParams().aggregate(ZParams.Aggregate.MAX);
            conn.zinterstore(key, params,"group:"+group,order);
            conn.expire(key, 60);                                    
        }
        return getArticles(conn, page, key);
    }
    private void printArticles(List<Map<String, String>> articles){
        for(Map<String, String> article:articles){
            System.out.println("  id: "+article.get("id"));
            for(Map.Entry<String, String> entry:article.entrySet()){
                if(entry.getKey().equals("id"))
                    continue;
                System.out.println("    "+entry.getKey()+": "+entry.getValue());
            }       
        }
    }
}
redis实现后台投票系统vote.rar 使用redis替代关系数据库来实现后台投票系统,使系统反应速度更快,服务器压力更小。其难点就在于选用合适的数据类型存储合适的数据。 立即下载

相关推荐

Unity URP半透明物体渲染避坑指南:双面渲染与深度写入的实战技巧

本文深入探讨了Unity URP中半透明物体自交叠渲染问题的核心根源与解决方案。针对模型自身交叠导致的排序错误,文章提供了双面渲染与深度写入两种实战技巧,详细分析了其实现原理、性能开销及适用场景,帮助开发者根据项目需求选择最优方案,有效提升玻璃、水体等材质的视觉表现。

sunny的博客 545

java 基于redis 选举_用redisson的分布式锁实现主从选举(leader election)

问题用户数上升,服务要集群,如何实现主从机制,而且当主服务挂掉或停机维护时,其它任意从服务可自动变成主服务?java程序猿A:这还不简单,用zookeeper就好了,配上Apache curator更方便,直接帮你实现好Leader Election了。git程序猿B:嗯…zookeeper又要安装个服务,不想只为了这个主从又引入一个新东西,咱们已经有redis了,能不能基于redis来实现?gi...

weixin_39710951的博客 1223

Facebook登录协议逆向实战:从加密参数到完整流程解析(附Python代码)

本文深入解析Facebook登录协议的逆向工程,重点拆解`lgndim`和`encpass`等加密参数的生成逻辑,并提供完整的Python实现代码。通过Base64解码和RSA加密技术,帮助开发者理解并实现Facebook登录流程,同时涵盖工程优化与安全实践。

weixin_30687051的博客 479

使用Redis构建文章投票网站(Java)

文章投票网站的redis相关Java实现 需求: 1、要构建一个文章投票网站,文章需要在一天内至少获得200张票,才能优先显示在当天文章列表前列。 2、但是为了避免发布时间较久的文章由于累计的票数较多而一直停留在文章列表前列,我们需要有随着时间流逝而不断减分的评分机制。 3、于是具体的评分计算方法为:将文章得到的支持票数乘以一个常量43...

weixin_33922670的博客 810

Mamba再封神!与YOLO结合,拿下二区!好发不卷!

相比传统的YOLO改进,Mamba是新技术,两者结合尚在蓝海阶段,可发挥空间大!更为关键的是,它在检测精度和速度方面,都让以往的YOLO模型难以望其项背!比如代表模型Mamba YOLO,便在参数减少45.5%、FLOPs减少50%的同时,精度还比YOLOv8高6.1%!这主要得益于,Mamba能够捕捉长期依赖关系,而YOLO则擅长捕捉局部特征,两者能够优势互补,且Mamba线性复杂度的特性,也有利于提高计算效率!为了让大家能够紧跟前沿发展,找到更多灵感启发,我给大家10种。

2401_88190197的博客 2511

PYNQ-Z2 开发板从镜像烧录到 Jupyter 交互全流程指南

本文详细介绍了PYNQ-Z2开发板从镜像烧录到Jupyter交互的全流程指南,包括硬件解析、镜像烧录技巧、设备启动与网络配置、Jupyter Notebook深度使用以及实战案例分享。通过具体步骤和实用技巧,帮助开发者快速上手PYNQ-Z2开发板,实现高效的FPGA开发和智能家居控制应用。

weixin_28736355的博客 441

基于redis实现的投票系统

基于某个活动实现简易的投票系统: 1、定义一个活动 2、基于活动开始投票 3、同一个人只能投一次票 4、获取投票总数和人数 实现业务代码如下: 1、定义活动和用户id String activityId = "10001"; String userId1 = "201"; String userId2 = "202"; 2、执行投票规则,K为活动id,值为用户id,将具体数据存储到redis的set集合中--由doVot...

m0_60067556的博客 1869

GraphRAG 与 HippoRAG 深度对比:在 RAGFlow 中如何选择知识图谱方案?

本文深入对比了GraphRAG与HippoRAG在RAGFlow中的知识图谱构建方案,分析了两者在技术架构、资源消耗和场景适配性上的核心差异。GraphRAG适合需要快速响应和资源有限的场景,而HippoRAG则更适用于精确关系推理的专业领域。文章还提供了RAGFlow的演进路线和选型决策框架,帮助架构师根据实际需求做出合理选择。

weixin_27889245的博客 251

用redis实现投票

视频投票用java redis 实现 1业务背景 1.最近疫情当前,公司开发了一个全民健身的小程序,用户需要上传视频报名,然后可以通过投票来排名。排名靠前的有一些奖励,考虑到投票这种东西可能并发大,所以打算用redis来实现。 2. 每个人每天都有一票,分享出去也可以获取一票,每天最多4票。 3. 视频还跟类型有关,有的是体操,有的是羽毛球 4. 默认按照投票数量倒序,还可以根据发布时间倒序或者正...

wzx7612302的博客 1068

【毕设级教程】从0到1实现基于YOLOv8的xView卫星图像目标检测系统(含UI界面,助力遥感智能毕设)

本文基于YOLOv8模型设计了一个面向xView卫星图像的目标检测系统。首先对xView数据集进行了格式转换处理,将原始多边形标注转换为YOLO格式的边界框标注。随后通过配置YOLOv8模型参数完成训练,实现了对卫星图像中建筑、车辆等多类目标的准确识别。为提高系统交互性,采用PyQt开发了可视化界面,支持图像选择、实时检测和结果展示功能。整个系统兼顾学术价值和实用价值,为遥感领域的自动化目标检测提供了可行方案。

m0_64661770的博客 131

2023年电工杯 | 2023年电工杯数学建模竞赛思路(A题、B题)

2023年电工杯 | 2023年电工杯数学建模竞赛思路(A题、B题)

前程算法屋的博客 5593

redis后台实现投票功能

redis后台实现投票功能 一、前言 本文以投票功能为例,从实际例子中熟练掌握redis的应用。阅读本文需要有一定的Java基础和对redis数据结构的了解,如果Java不太行的同学建议关注小鱼儿的公众号,对redis数据结构不太了解的同学可以回看我的上一篇文章:详谈redis数据结构 二、投票功能的业务逻辑 大家肯定在大学时期经常在班级QQ群内遇到一些投票的活动。显而易见,投票是一个逻辑很清晰的功能,首先,投票发起人发起投票,然后各位用户可以进行投票,在本案例中票种分为“赞成票”(approve)和“反对

小新Kelvin 2094

2023年全国青少年信息素养大赛C++编程初中组决赛真题+答案解析

2023年全国青少年信息素养大赛C++编程初中组决赛真题+答案解析

伶俐角少儿编程 821

java redis 自增计数器_Redis之如何对文章进行投票、获取、分组

1.对文章进行投票要构建一个文章投票网站,我们首先要做的就是为了这个网站设置一些数值和限制条件:如 果一篇文章获得了至少200张支持票(up vote ),那么网站就认为这篇文章是一篇有趣的文章; 假如这个网站每天发布1000篇文章,而其中的50篇符合网站对有趣文章的要求,那么网站要做 的就是把这50篇文章放到文章列表前100位至少一天;另外,这个网站暂时不提供投反对票 (down vote )的...

weixin_42521276的博客 496

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

03-Java中操作redis实践

文章目录准备工作创建工程添加项目依赖Jedis的应用简介准备工作快速入门实现基础类型操作连接池JedisPool应用RedisTemplate应用简介准备工作快速入门实现StringRedisTemplate 应用RedisTemplate 应用定制RedisTemplate对象总结(Summary) 准备工作 创建工程 创建maven父工程,例如05-jt-redis,并在此工程下创建两个子工程,一个为jt-jedis,一个为jt-tempate,例如: 添加项目依赖 jt-jedis 工程依赖

雨田说码 2万+

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Java+Redis实现分布式投票系统源码架构与核心逻辑

Java 类型推导(var)使用规范 提升代码可读性的实践指南

nxQipXMO4的博客 910

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

基于springboot+vue+redis的java投票管理系统

Java投票管理系统是一个基于Java语言开发的系统,用于实现电子投票管理。系统提供了投票管理、用户管理、内容管理、账号设置等功能展示。

qq_28514075的博客 1392

07-Redis投票系统

代码下载地址:https://gitee.com/sukels/java-ee-redis.git 一、开发环境 1. 工具类 IntelliJ IDEA 2021.2 + JDK 1.8 + Maven 3.3.9 RedisDesktopManager + Redis 4.0.6 二、效果展示 1. 三位用户登录:admin、suke、ls 2. 投票系统首页 3. 发布文章 三、Redis搭建 [root@Suke ~]# cd /usr/lo...

书启鸿蒙知秋枫 837

redis-投票

1 package redis.inaction; 2 3 import redis.clients.jedis.Jedis; 4 import redis.clients.jedis.ZParams; 5 6 import java.util.*; 7 8 public class Chapter01 { 9 pri...

202

java hincrby_使用Redis构建文章投票网站(Java)

文章投票网站的redis相关Java实现需求:1、要构建一个文章投票网站,文章需要在一天内至少获得200张票,才能优先显示在当天文章列表前列。2、但是为了避免发布时间较久的文章由于累计的票数较多而一直停留在文章列表前列,我们需要有随着时间流逝而不断减分的评分机制。3、于是具体的评分计算方法为:将文章得到的支持票数乘以一个常量432(由一天的秒数86400除以文章展示一天所需的支持票200得出),然...

weixin_39659837的博客 306

redis实战--文章投票

确定投票系统结构 1、hash来存储文章 key:article:110 titile:文章标题 link:链接 votes:投票数 user:文章作者 2、zset存储文章发布时间 3、zset存储文章得分 4、set集合存储每一篇文章的投票的用户 vote:110 user:1 user:2 考虑生成文章 需要将文章属性以Map集合的形式传入到hash结构中,之后在对应score与time添...

洛豳枭薰 399

【分布式微服务云原生】Redis投票延迟深度解析:优化集群稳定性的关键策略

在Redis集群环境中,网络分区和节点故障是不可避免的问题。本文将详细探讨Redis的投票延迟机制,解释其在集群故障转移过程中的作用,并提供实用的配置建议。通过本文,读者将了解如何通过调整投票延迟来优化Redis集群的稳定性和响应速度。

Dylaniou的博客 994

利用redis模拟了一个简易的投票功能

package DemosTTTest; /** * @master: Allen * @Dates: 2021/10/9 23:26 */ import org.junit.jupiter.api.Test; import redis.clients.jedis.Jedis; import java.util.Set; /** * 投票系统演示:模拟基于某个活动的投票程序 * 业务说明:一个用户只能投票一次(不允许重复) * 数据结构设计:基于redis的set类型进行数据存储 *.

AllenBA的博客 240

Redis实现文章投票功能

Redis的具体操作这里就不说了,说一下需求和设计思路。 需求:自己实现一个文章投票的功能1.能够按照时间分页倒叙查看文章信息2.能够给文章投票,一个用户给一篇文章只能投票一次3.需要记录分值。每次投票后就+10分 思路:1.设计一个Hash,用于存储文章的基本信息(标题、内容、创建人)。键:article:12.设计一个Set,用于记录一篇文章被哪些用户投过票。键:vole:13.设计...

weixin_34092455的博客 497

redis下高并发投票设计

最近闲来无事,研究了下redis,看过书籍之后,为了理解的更透彻,就实践写一个例子。 先说写投票吧,具体的流程是用户可以发起投票,发起成功后,其他用户可以投票,首页显示话题标题,票数和时间等信息。 我使用的redis设计了五个个表一个是文章表,保存话题的相关信息,一个评分表,一个话题被投票评分就增加,一个是时间表,用来后期按时间对话题进行排序,一个是投票表,用的是单ip限制,一个ip一天只能投

qinshi501的博客 6505

使用Redis构建文章投票网站

涉及到的key: 1. article_time, 记录文章的发布时间,zset结构 2. article_score, 记录文章的得分, zset结构   得分 = 发布时间 + 投票用户数 X 432 3. voted_article_id, 记录文章的投票用户集合,文章的发布者默认为文章的投票用户,set结构 4. article_article_id, 用来描述文章,hash结构...

weixin_33735077的博客 307
上一篇: 使用redis管理用户登录会话
下一篇: Redis较为高级命令
second24
博客等级 码龄10年 47粉丝 133原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值