微服务Spring Boot 整合 Redis 实现好友关注 – Feed流实现推送到粉丝收件箱

快来打我* 2024-05-01 04:34 8阅读 0赞

#### 文章目录 ####

*  ⛄引言
 *  一、Redis 实现好友关注 -- Feed流实现推送到粉丝收件箱
 *   *  ⛅Feed 流实现方案
     *  ⚡推送到粉丝收件箱
 *  三、Redis 实现好友关注 -- 实现分页滚动查询 实时获取信息
 *  ⛵小结

## ⛄引言 ##

**本博文参考 黑马 程序员B站 Redis课程系列**

在点评项目中，有这样的需求，如何 **Redis 实现好友关注 – Feed流实现推送到粉丝收件箱** 功能？

> 采用 **Feed流实现推送到粉丝收件箱**

**Redis 如此强大！**

## 一、Redis 实现好友关注 – Feed流实现推送到粉丝收件箱 ##

### ⛅Feed 流实现方案 ###

假设我们关注了用户，这个用户发布了动态，那么就应该把当前用户发布的动态推送给他的粉丝，如何实现呢，这个我们把它叫做**Feed流**，关注推送也叫做 Feed流 ，直译为投喂，为用户持续的提供 ”沉浸式“ 的体验，通过五险下拉刷新获取新的信息。

传统模式是我们需要用户去通过搜索引擎或者是其它的方式去解锁想要看的内容

![在这里插入图片描述][78cc12f31c374c01bd00c67f23d0351a.png_pic_center]

**新型的Feed流：** 不需要用户再去推送消息，而是系统分析用户到底想要什么，然后直接把内容推送给用户，从而使用户能够更加的节约时间，不用主动寻找。

> **Feed流主要分为两种实现方式**：

**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

本次实现的功能中，是基于好友 来做Feed流，因此采用 TimeLine 模式。 该模式的实现方案分为三种

*  拉模式
 *  推模式
 *  推拉结合

拉模式：也叫做读扩散

该模式的核心含义就是：当张三和李四和王五发了消息后，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，然后在进行排序

优点：**比较节省空间**，因为用户在读取信息时，并**没有重复读取**，而是**读取完后可以把他的收件箱进行清除**

缺点：**比较延迟**，当用户读取数据时才去关注的用户的人里面读取数据，假设用户关注了大量的用户，那么此时就会拉取海量的数据内容，**对服务器压力比较大。**

![在这里插入图片描述][1b10661d4da3458898ec8645cb2bc3b9.png_pic_center]

**推模式**：也叫做写扩散

**推模式是没有写邮箱的**，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

优点：**时效快，不用临时拉取**

缺点：**内存压力大**，假设一个大V写信息，很多人关注他，就会写很多的数据到粉丝收件箱，**加大服务器压力**。

![在这里插入图片描述][39b19abf7dac4076a867e7ade4c07a49.png_pic_center]

**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

推拉模式是一个折中的方案，站在发件人这一段，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，因为普通的人他的粉丝关注量比较小，所以这样做没有压力，如果是大V，那么他是直接将数据先写入到一份到发件箱里边去，然后再直接写一份到活跃粉丝收件箱里边去，现在站在收件人这端来看，如果是活跃粉丝，那么大V和普通的人发的都会直接写入到自己收件箱里边来，而如果是普通的粉丝，由于他们上线不是很频繁，所以等他们上线时，再从发件箱里边去拉信息。

![在这里插入图片描述][eea61ce73c064ed58833824688f19f49.png_pic_center]

### ⚡推送到粉丝收件箱 ###

需求：

*  修改新增探店笔记的业务，在保存blog到数据库的同时，推送到粉丝的收件箱
 *  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

**核心**：当我们保存完笔记后，获取当前用户的粉丝，然后把数据推送到粉丝的Redis中。

@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
            String key = FEED_KEY + userId;
            stringRedisTemplate.opsForZSet().add(key, blog.getId().toString(), System.currentTimeMillis());
        }
        // 5.返回id
        return Result.ok(blog.getId());
    }

> **进行测试**

**发布笔记**

![在这里插入图片描述][326647f4d7994b3a841c4239d0b67070.png_pic_center]

**查看粉丝收件箱**

![在这里插入图片描述][d8e2de6f93174f19ae6eb4bff4653c5e.png_pic_center]

## 三、Redis 实现好友关注 – 实现分页滚动查询 实时获取信息 ##

> **滚动分页查询思路分析**

Feed流中的数据会不断更新，所以数据的角标也在变化，因此不能采用传统的分页模式。

传统了分页在feed流是不适用的，因为我们的数据会随时发生变化

假设在t1 时刻，我们去读取第一页，此时page = 1 ，size = 5 ，那么我们拿到的就是10~6 这几条记录，假设现在t2时候又发布了一条记录，此时t3 时刻，我们来读取第二页，读取第二页传入的参数是page=2 ，size=5 ，那么此时读取到的第二页实际上是从6 开始，然后是6~2 ，那么我们就读取到了重复的数据，所以feed流的分页，不能采用原始方案来做。

![在这里插入图片描述][7259ecc5d1e94f99a156d3b978915656.png_pic_center]

Feed流的滚动分页

我们需要记录每次操作的最后一条，然后从这个位置开始去读取数据

举个例子：我们从t1时刻开始，拿第一页数据，拿到了10~6，然后记录下当前最后一次拿取的记录，就是6，t2时刻发布了新的记录，此时这个11放到最顶上，但是不会影响我们之前记录的6，此时t3时刻来拿第二页，第二页这个时候拿数据，还是从6后一点的5去拿，就拿到了5-1的记录。我们这个地方可以采用sortedSet来做，可以进行范围查询，并且还可以记录当前获取数据时间戳最小值，就可以实现滚动分页了

![在这里插入图片描述][c2b80acf1a2b430bb561d27c6efc4fbe.png_pic_center]

> **实现滚动分页查询**

需求：

*  查询收件箱数据时，可以实现滚动分页查询
 *  在个人主页的 ”关注“ 卡片中，查询并展示推送的Blog信息

**具体操作**

1、每次查询完成后，我们要分析出查询数据的最小时间戳，这个值会作为下一次的查询条件

2、 我们需要找到与上一次查询相同的查询个数作为偏移量，下次查询后，跳过这些查询过的数据，拿到需要的数据

**核心**： 我们的请求参数中 就需要携带 lastId，上一次查询的 **最小时间戳** 和 **偏移量** 这两个参数

这两个参数第一次由前端来指定，以后的查询就根据后台结果作为条件，再次传递给后台。

![在这里插入图片描述][4ffc996eec914cf6b70ef2dca4638875.png_pic_center]

**核心源码**

一、定义出 具体的 返回实体类

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

**BlogController**

RequestParam 表示接受url地址栏传参的注解，当方法上参数的名称和url地址栏不相同时，可以通过RequestParam 来进行指定

@GetMapping("/of/follow")
    public Result queryBlogOfFollow(@RequestParam("lastId") Long max, @RequestParam(value = "offset", defaultValue = "0")
                                    Integer offset) {
        
        return blogService.queryBlogOfFollow(max, offset);
    }

**BlogServiceImpl**

@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 = RedisConstants.FEED_KEY + 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、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
        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);
    }

> **结果测试**

![在这里插入图片描述][9938421d404f4b01b7cb35ff9c1f0e4e.gif_pic_center]

## ⛵小结 ##

以上就是【**Bug 终结者**】对 **微服务Spring Boot 整合 Redis 实现好友关注 – Feed流实现推送到粉丝收件箱** 的简单介绍，**微服务Spring Boot 整合 Redis 实现好友关注 – Feed流实现推送到粉丝收件箱功能也是 利用Set集合、ZSet集合实现这样一个需求，同时，采用Redis来实现更加的快速，减少系统的消耗，更加快速的实现数据展示！**

> 如果这篇【文章】有帮助到你，希望可以给【**Bug 终结者**】点个赞👍，创作不易，如果有对【**后端技术**】、【**前端领域**】感兴趣的小可爱，也欢迎关注❤️❤️❤️ 【**Bug 终结者**】❤️❤️❤️，我将会给你带来巨大的【收获与惊喜】💝💝💝！

[78cc12f31c374c01bd00c67f23d0351a.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/ed004218843f4aa7a6f3a6198b206b2d.png
[1b10661d4da3458898ec8645cb2bc3b9.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/f9a0ab93e4cf43918a48d1eae8bcee93.png
[39b19abf7dac4076a867e7ade4c07a49.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/f398e39bbb284f83ae08746ad55d2955.png
[eea61ce73c064ed58833824688f19f49.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/901417c29f8b479fa3c87e195f5a763d.png
[326647f4d7994b3a841c4239d0b67070.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/1f4c558fa7964c87b3ee94276c9ca32a.png
[d8e2de6f93174f19ae6eb4bff4653c5e.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/59d981a1f1334ad9b8683f6fac749c42.png
[7259ecc5d1e94f99a156d3b978915656.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/b7a49675884349df8c47cc73dd588d24.png
[c2b80acf1a2b430bb561d27c6efc4fbe.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/413c355f4b2b45929c0b9a2a4e37e536.png
[4ffc996eec914cf6b70ef2dca4638875.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/cd4c0e65f4d94a2f9f24c43e5607a1d1.png
[9938421d404f4b01b7cb35ff9c1f0e4e.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/bbe86665db8a4041af02f292efb15a18.gif