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idLong 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idreturn 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 countString 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）、offsetList<Long> ids = new ArrayList<>(typedTuples.size());long minTime = 0; // 2int os = 1; // 2for (ZSetOperations.TypedTuple<String> tuple : typedTuples) { // 5 4 4 2 2// 4.1.获取idids.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);
}
)
