redis(二)

一、短信登录

1.1导入黑马点评项目

导入黑马点评项目

首先，导入课前资料提供的SQL文件

其中的表有：

• tb_user：用户表
• tb_user_info：用户详情表
• tb_shop：商户信息表
• tb_shop_type：商户类型表
• tb_blog：用户日记表（达人探店日记）
• tb_follow：用户关注表
• tb_voucher：优惠券表
• tb_voucher_order：优惠券的订单表

注意：Mysql的版本采用5.7及以上版本

导入后端项目

在资料中提供了一个项目源码：

将其复制到你的idea工作空间,然后利用idea打开即可：

启动项目后，在浏览器访问：http://localhost:8081/shop-type/list，如果可以看到数据则证明运行没有问题

注意：不要忘了修改application.yaml文件中的mysql、redis地址信息

导入前端项目

在资料中提供了一个nginx文件夹：

将其复制到任意目录，要确保该目录不包含中文、特殊字符和空格，例如：

运行前端项目

在nginx所在目录下打开一个CMD窗口，输入命令：

start nginx.exe

打开chrome浏览器，在空白页面点击鼠标右键，选择检查，即可打开开发者工具

然后打开手机模式：

然后访问:http://127.0.0.1:8080，即可看到页面：

1.2基于Session实现登录

基于Session实现登录

发送短信验证码

短信验证码登录

登录验证功能

登录验证功能

 

1.3集群的session共享问题

session共享问题：多台Tomcat并不共享session存储空间，当请求切换到不同tomcat服务时导致数据丢失的问题。 session的替代方案应该满足：

• 数据共享
• 内存存储
• key、value结构

1.4基于Redis实现共享session登录

基于Redis实现共享session登录

 

保存登录的用户信息，可以使用String结构，以JSON字符串来保存，比较直观：

Hash结构可以将对象中的每个字段独立存储，可以针对单个字段做CRUD，并且内存占用更少：

总结：

Redis代替session需要考虑的问题：

• 选择合适的数据结构
• 选择合适的key
• 选择合适的存储粒度

登录拦截器的优化

 

二、商户查询缓存

2.1什么是缓存

缓存就是数据交换的缓冲区（称作Cache [ kæʃ ] ），是存贮数据的临时地方，一般读写性能较高。

 

2.2添加Redis缓存

 

练习：给店铺类型查询业务添加缓存

店铺类型在首页和其它多个页面都会用到，如图：

需求：修改ShopTypeController中的queryTypeList方法，添加查询缓存

2.3缓存更新策略

业务场景：

• 低一致性需求：使用内存淘汰机制。例如店铺类型的查询缓存
• 高一致性需求：主动更新，并以超时剔除作为兜底方案。例如店铺详情查询的缓存

主动更新策略

 

操作缓存和数据库时有三个问题需要考虑：

1.删除缓存还是更新缓存？

• 更新缓存：每次更新数据库都更新缓存，无效写操作较多（×）
• 删除缓存：更新数据库时让缓存失效，查询时再更新缓存（√）

2.如何保证缓存与数据库的操作的同时成功或失败？

• 单体系统，将缓存与数据库操作放在一个事务
• 分布式系统，利用TCC等分布式事务方案

3.先操作缓存还是先操作数据库？

• 先删除缓存，在操作数据库
• 先操作数据库，再删除缓存

Cache Aside Pattern

总结：

缓存更新策略的最佳实践方案：

1.低一致性需求：使用Redis自带的内存淘汰机制

2.高一致性需求：主动更新，并以超时剔除作为兜底方案

读操作：

• 缓存命中则直接返回
• 缓存未命中则查询数据库，并写入缓存，设定超时时间

写操作：

• 先写数据库，然后再删除缓存
• 要确保数据库与缓存操作的原子性

案例：给查询商铺的缓存添加超时剔除和主动更新的策略

修改ShopController中的业务逻辑，满足下面的需求：

1.根据id查询店铺时，如果缓存未命中，则查询数据库，将数据库结果写入缓存，并设置超时时间 2.根据id修改店铺时，先修改数据库，再删除缓存

2.4缓存穿透

缓存穿透是指客户端请求的数据在缓存中和数据库中都不存在，这样缓存永远不会生效，这些请求都会打到数据库。 常见的解决方案有两种：

缓存空对象

• 优点：实现简单，维护方便
• 缺点： 额外的内存消耗 可能造成短期的不一致

布隆过滤

• 优点：内存占用较少，没有多余key
• 缺点： 实现复杂 存在误判可能

 

 

总结：

缓存穿透产生的原因是什么？

• 用户请求的数据在缓存中和数据库中都不存在，不断发起这样的请求，给数据库带来巨大压力 缓存穿透的解决方案有哪些？
• 缓存null值
• 布隆过滤
• 增强id的复杂度，避免被猜测id规律
• 做好数据的基础格式校验
• 加强用户权限校验
• 做好热点参数的限流

2.5缓存雪崩

缓存雪崩是指在同一时段大量的缓存key同时失效或者Redis服务宕机，导致大量请求到达数据库，带来巨大压力。

解决方案：

• 给不同的Key的TTL添加随机值
• 利用Redis集群提高服务的可用性
• 给缓存业务添加降级限流策略
• 给业务添加多级缓存

2.6缓存击穿

缓存击穿问题也叫热点Key问题，就是一个被高并发访问并且缓存重建业务较复杂的key突然失效了，无数的请求访问会在瞬间给数据库带来巨大的冲击。

常见的解决方案有两种：

• 互斥锁
• 逻辑过期

 

 

案例：基于互斥锁方式解决缓存击穿问题

需求：修改根据id查询商铺的业务，基于互斥锁方式来解决缓存击穿问题

2.7缓存工具封装

案例：缓存工具封装

基于StringRedisTemplate封装一个缓存工具类，满足下列需求：

方法1：将任意Java对象序列化为json并存储在string类型的key中，并且可以设置TTL过期时间

方法2：将任意Java对象序列化为json并存储在string类型的key中，并且可以设置逻辑过期时间，用于处理缓存击穿问题

方法3：根据指定的key查询缓存，并反序列化为指定类型，利用缓存空值的方式解决缓存穿透问题 方法4：根据指定的key查询缓存，并反序列化为指定类型，需要利用逻辑过期解决缓存击穿问题

三、优惠券秒杀

3.1全局唯一ID

全局唯一ID

每个店铺都可以发布优惠券：

当用户抢购时，就会生成订单并保存到tb_voucher_order这张表中，而订单表如果使用数据库自增ID就存在一些问题：

• id的规律性太明显
• 受单表数据量的限制

全局ID生成器，是一种在分布式系统下用来生成全局唯一ID的工具，一般要满足下列特性：

全局ID生成器

为了增加ID的安全性，我们可以不直接使用Redis自增的数值，而是拼接一些其它信息：

ID的组成部分：

• 符号位：1bit，永远为0
• 时间戳：31bit，以秒为单位，可以使用69年
• 序列号：32bit，秒内的计数器，支持每秒产生2^32个不同ID

总结：

全局唯一ID生成策略：

• UUID
• Redis自增
• snowflake算法
• 数据库自增

Redis自增ID策略：

• 每天一个key，方便统计订单量
• ID构造是 时间戳 + 计数器

3.2实现优惠券秒杀下单

每个店铺都可以发布优惠券，分为平价券和特价券。平价券可以任意购买，而特价券需要秒杀抢购：

表关系如下：

• tb_voucher：优惠券的基本信息，优惠金额、使用规则等
• tb_seckill_voucher：优惠券的库存、开始抢购时间，结束抢购时间。特价优惠券才需要填写这些信息

在VoucherController中提供了一个接口，可以添加秒杀优惠券：

用户可以在店铺页面中抢购这些优惠券：

案例：实现优惠券秒杀的下单功能

下单时需要判断两点：

• 秒杀是否开始或结束，如果尚未开始或已经结束则无法下单
• 库存是否充足，不足则无法下单

3.3超卖问题

超卖问题

超卖问题是典型的多线程安全问题，针对这一问题的常见解决方案就是加锁：

乐观锁

乐观锁的关键是判断之前查询得到的数据是否有被修改过，常见的方式有两种：

• 版本号法

• CAS法

总结：

超卖这样的线程安全问题，解决方案有哪些？

1.悲观锁：添加同步锁，让线程串行执行

• 优点：简单粗暴
• 缺点：性能一般

2.乐观锁：不加锁，在更新时判断是否有其它线程在修改

• 优点：性能好
• 缺点：存在成功率低的问题

3.4一人一单

案例：一人一单

需求：修改秒杀业务，要求同一个优惠券，一个用户只能下一单

 

一人一单的并发安全问题

通过加锁可以解决在单机情况下的一人一单安全问题，但是在集群模式下就不行了。

1.我们将服务启动两份，端口分别为8081和8082：

2.然后修改nginx的conf目录下的nginx.conf文件，配置反向代理和负载均衡：

现在，用户请求会在这两个节点上负载均衡，再次测试下是否存在线程安全问题。

一人一单的并发安全问题

3.5分布式锁

分布式锁

 

什么是分布式锁？

分布式锁：满足分布式系统或集群模式下多进程可见并且互斥的锁。

分布式锁的实现

分布式锁的核心是实现多进程之间互斥，而满足这一点的方式有很多，常见的有三种：

基于Redis的分布式锁

实现分布式锁时需要实现的两个基本方法：

获取锁：

• 互斥：确保只能有一个线程获取锁

• 非阻塞：尝试一次，成功返回true，失败返回false

释放锁：

• 手动释放
• 超时释放：获取锁时添加一个超时时间

案例：基于Redis实现分布式锁初级版本

需求：定义一个类，实现下面接口，利用Redis实现分布式锁功能。

基于Redis的分布式锁

 

案例：改进Redis的分布式锁

需求：修改之前的分布式锁实现，满足：

1.在获取锁时存入线程标示（可以用UUID表示）

2.在释放锁时先获取锁中的线程标示，判断是否与当前线程标示一致

• 如果一致则释放锁
• 如果不一致则不释放锁

Redis的Lua脚本

Redis提供了Lua脚本功能，在一个脚本中编写多条Redis命令，确保多条命令执行时的原子性。Lua是一种编程语言，它的基本语法大家可以参考网站：Lua 教程 | 菜鸟教程

这里重点介绍Redis提供的调用函数，语法如下：

例如，我们要执行set name jack，则脚本是这样：

例如，我们要先执行set name Rose，再执行get name，则脚本如下

写好脚本以后，需要用Redis命令来调用脚本，调用脚本的常见命令如下：

例如，我们要执行 redis.call('set', 'name', 'jack') 这个脚本，语法如下：

如果脚本中的key、value不想写死，可以作为参数传递。key类型参数会放入KEYS数组，其它参数会放入ARGV数组，在脚本中可以从KEYS和ARGV数组获取这些参数：

基于Redis的分布式锁

释放锁的业务流程是这样的：

1.获取锁中的线程标示

2.判断是否与指定的标示（当前线程标示）一致

3.如果一致则释放锁（删除）

4.如果不一致则什么都不做

如果用Lua脚本来表示则是这样的：

案例：再次改进Redis的分布式锁

需求：基于Lua脚本实现分布式锁的释放锁逻辑

提示：RedisTemplate调用Lua脚本的API如下：

总结：

基于Redis的分布式锁实现思路：

• 利用set nx ex获取锁，并设置过期时间，保存线程标示
• 释放锁时先判断线程标示是否与自己一致，一致则删除锁

特性：

• 利用set nx满足互斥性
• 利用set ex保证故障时锁依然能释放，避免死锁，提高安全性
• 利用Redis集群保证高可用和高并发特性

基于Redis的分布式锁优化

基于setnx实现的分布式锁存在下面的问题：

Redisson

Redisson是一个在Redis的基础上实现的Java驻内存数据网格（In-Memory Data Grid）。它不仅提供了一系列的分布式的Java常用对象，还提供了许多分布式服务，其中就包含了各种分布式锁的实现。

官网地址： Redisson: Redis Java client with features of In-Memory Data Grid

GitHub地址：GitHub - redisson/redisson: Redisson - Redis Java client with features of In-Memory Data Grid. Over 50 Redis based Java objects and services: Set, Multimap, SortedSet, Map, List, Queue, Deque, Semaphore, Lock, AtomicLong, Map Reduce, Publish / Subscribe, Bloom filter, Spring Cache, Tomcat, Scheduler, JCache API, Hibernate, MyBatis, RPC, local cache ...

Redisson入门

1.引入依赖：

   

org.redisson  

  redisson  

  3.13.6

2.配置Redisson客户端：

@Configuration public class RedisConfig {    

@Bean    

public RedissonClient redissonClient() {      

  // 配置类        

Config config = new Config();         /

/ 添加redis地址，这里添加了单点的地址，也可以使用config.useClusterServers()添加集群地址         config.useSingleServer().setAddress("redis://192.168.150.101:6379").setPassowrd("123321");         // 创建客户端      

  return Redisson.create(config);  

  }

}

3.使用Redisson的分布式锁

@Resource private RedissonClient redissonClient;

@Test

void testRedisson() throws InterruptedException {    

// 获取锁（可重入），指定锁的名称    

RLock lock = redissonClient.getLock("anyLock");    

// 尝试获取锁，参数分别是：获取锁的最大等待时间（期间会重试），锁自动释放时间，时间单位     boolean isLock = lock.tryLock(1, 10, TimeUnit.SECONDS);    

// 判断释放获取成功  

  if(isLock){      

  try {            

System.out.println("执行业务");      

  }finally {          

  // 释放锁          

  lock.unlock();      

  }    

}

}

Redisson可重入锁原理

 

获取锁的Lua脚本：

释放锁的Lua脚本：

Redisson分布式锁原理

总结：

Redisson分布式锁原理：

• 可重入：利用hash结构记录线程id和重入次数
• 可重试：利用信号量和PubSub功能实现等待、唤醒，获取锁失败的重试机制
• 超时续约：利用watchDog，每隔一段时间（releaseTime / 3），重置超时时间

Redisson分布式锁主从一致性问题

 

总结：

1）不可重入Redis分布式锁：

• 原理：利用setnx的互斥性；利用ex避免死锁；释放锁时判断线程标示
• 缺陷：不可重入、无法重试、锁超时失效

2）可重入的Redis分布式锁：

• 原理：利用hash结构，记录线程标示和重入次数；利用watchDog延续锁时间；利用信号量控制锁重试等待
• 缺陷：redis宕机引起锁失效问题

3）Redisson的multiLock：

• 原理：多个独立的Redis节点，必须在所有节点都获取重入锁，才算获取锁成功
• 缺陷：运维成本高、实现复杂

3.6Redis优化秒杀

Redis优化秒杀

 

案例：改进秒杀业务，提高并发性能

需求：

1.新增秒杀优惠券的同时，将优惠券信息保存到Redis中

2.基于Lua脚本，判断秒杀库存、一人一单，决定用户是否抢购成功

3.如果抢购成功，将优惠券id和用户id封装后存入阻塞队列

4.开启线程任务，不断从阻塞队列中获取信息，实现异步下单功能

总结：

秒杀业务的优化思路是什么？

1.先利用Redis完成库存余量、一人一单判断，完成抢单业务

2.再将下单业务放入阻塞队列，利用独立线程异步下单

基于阻塞队列的异步秒杀存在哪些问题？

• 内存限制问题
• 数据安全问题

3.7Redis消息队列实现异步秒杀

消息队列（Message Queue），字面意思就是存放消息的队列。最简单的消息队列模型包括3个角色：

• 消息队列：存储和管理消息，也被称为消息代理（Message Broker）
• 生产者：发送消息到消息队列
• 消费者：从消息队列获取消息并处理消息

Redis提供了三种不同的方式来实现消息队列：

• list结构：基于List结构模拟消息队列
• PubSub：基本的点对点消息模型
• Stream：比较完善的消息队列模型

基于List结构模拟消息队列

消息队列（Message Queue），字面意思就是存放消息的队列。而Redis的list数据结构是一个双向链表，很容易模拟出队列效果。

队列是入口和出口不在一边，因此我们可以利用：LPUSH 结合 RPOP、或者 RPUSH 结合 LPOP来实现。 不过要注意的是，当队列中没有消息时RPOP或LPOP操作会返回null，并不像JVM的阻塞队列那样会阻塞并等待消息。因此这里应该使用BRPOP或者BLPOP来实现阻塞效果。

总结：

基于List的消息队列有哪些优缺点？

优点：

• 利用Redis存储，不受限于JVM内存上限
• 基于Redis的持久化机制，数据安全性有保证
• 可以满足消息有序性

缺点：

• 无法避免消息丢失
• 只支持单消费者

基于PubSub的消息队列

PubSub（发布订阅）是Redis2.0版本引入的消息传递模型。顾名思义，消费者可以订阅一个或多个channel，生产者向对应channel发送消息后，所有订阅者都能收到相关消息。

•  SUBSCRIBE channel [channel] ：订阅一个或多个频道  
• PUBLISH channel msg ：向一个频道发送消息
•  PSUBSCRIBE pattern[pattern] ：订阅与pattern格式匹配的所有频道

总结：

基于PubSub的消息队列有哪些优缺点？

 优点：

• 采用发布订阅模型，支持多生产、多消费

缺点：

• 不支持数据持久化
• 无法避免消息丢失
• 消息堆积有上限，超出时数据丢失

基于Stream的消息队列

Stream 是 Redis 5.0 引入的一种新数据类型，可以实现一个功能非常完善的消息队列。

发送消息的命令：

例如：

基于Stream的消息队列-XREAD

读取消息的方式之一：XREAD

例如，使用XREAD读取第一个消息：

XREAD阻塞方式，读取最新的消息：

在业务开发中，我们可以循环的调用XREAD阻塞方式来查询最新消息，从而实现持续监听队列的效果，伪代码如下：

注意：

当我们指定起始ID为$时，代表读取最新的消息，如果我们处理一条消息的过程中，又有超过1条以上的消息到达队列，则下次获取时也只能获取到最新的一条，会出现漏读消息的问题。

总结：

STREAM类型消息队列的XREAD命令特点：

• 消息可回溯
• 一个消息可以被多个消费者读取
• 可以阻塞读取
• 有消息漏读的风险

基于Stream的消息队列-消费者组

消费者组（Consumer Group）：将多个消费者划分到一个组中，监听同一个队列。具备下列特点：

创建消费者组：

XGROUP CREATE  key groupName ID [MKSTREAM]

• key：队列名称
• groupName：消费者组名称
• ID：起始ID标示，$代表队列中最后一个消息，0则代表队列中第一个消息
• MKSTREAM：队列不存在时自动创建队列

其它常见命令：

# 删除指定的消费者组

XGROUP DESTORY key groupName

# 给指定的消费者组添加消费者

XGROUP CREATECONSUMER key groupname consumername

# 删除消费者组中的指定消费者

XGROUP DELCONSUMER key groupname consumername

从消费者组读取消息：

XREADGROUP GROUP group consumer [COUNT count] [BLOCK milliseconds] [NOACK] STREAMS key [key ...] ID [ID ...]

• group：消费组名称
• consumer：消费者名称，如果消费者不存在，会自动创建一个消费者
• count：本次查询的最大数量
• BLOCK milliseconds：当没有消息时最长等待时间
• NOACK：无需手动ACK，获取到消息后自动确认
• STREAMS key：指定队列名称
• ID：获取消息的起始ID：

                1.>"：从下一个未消费的消息开始

                2.其它：根据指定id从pending-list中获取已消费但未确认的消息，例如0，是从pending-list中的第一个消息开始

消费者监听消息的基本思路：

总结：

STREAM类型消息队列的XREADGROUP命令特点：

• 消息可回溯
• 可以多消费者争抢消息，加快消费速度
• 可以阻塞读取
• 没有消息漏读的风险
• 有消息确认机制，保证消息至少被消费一次

Redis消息队列

案例：基于Redis的Stream结构作为消息队列，实现异步秒杀下单

需求：

1.创建一个Stream类型的消息队列，名为stream.orders

2.修改之前的秒杀下单Lua脚本，在认定有抢购资格后，直接向stream.orders中添加消息，内容包含voucherId、userId、orderId

3.项目启动时，开启一个线程任务，尝试获取stream.orders中的消息，完成下单

四、达人探店

4.1发布探店笔记

探店笔记类似点评网站的评价，往往是图文结合。对应的表有两个：

• tb_blog：探店笔记表，包含笔记中的标题、文字、图片等
• tb_blog_comments：其他用户对探店笔记的评价

点击首页最下方菜单栏中的+按钮，即可发布探店图文：

文件上传的设置：

案例：实现查看发布探店笔记的接口

需求：点击首页的探店笔记，会进入详情页面，实现该页面的查询接口：

4.2点赞

在首页的探店笔记排行榜和探店图文详情页面都有点赞的功能：

案例：完善点赞功能

需求：

• 同一个用户只能点赞一次，再次点击则取消点赞
• 如果当前用户已经点赞，则点赞按钮高亮显示（前端已实现，判断字段Blog类的isLike属性）

实现步骤：

1.给Blog类中添加一个isLike字段，标示是否被当前用户点赞

2.修改点赞功能，利用Redis的set集合判断是否点赞过，未点赞过则点赞数+1，已点赞过则点赞数-1

3.修改根据id查询Blog的业务，判断当前登录用户是否点赞过，赋值给isLike字段

4.修改分页查询Blog业务，判断当前登录用户是否点赞过，赋值给isLike字段

4.3点赞排行榜

在探店笔记的详情页面，应该把给该笔记点赞的人显示出来，比如最早点赞的TOP5，形成点赞排行榜：

案例：

实现查询点赞排行榜的接口

需求：按照点赞时间先后排序，返回Top5的用户

五、好友关注

5.1关注和取关

在探店图文的详情页面中，可以关注发布笔记的作者：

案例：实现关注和取关功能

需求：基于该表数据结构，实现两个接口：

1.关注和取关接口

2.判断是否关注的接口

关注是User之间的关系，是博主与粉丝的关系，数据库中有一张tb_follow表来标示

注意: 这里需要把主键修改为自增长，简化开发。

5.2共同关注

点击博主头像，可以进入博主首页：

博主个人首页依赖两个接口：

1.根据id查询user信息：

2.根据id查询博主的探店笔记：

案例：实现共同关注功能

需求：利用Redis中恰当的数据结构，实现共同关注功能。在博主个人页面展示出当前用户与博主的共同好友。

5.3关注推送

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，通过无限下拉刷新获取新的信息。

Feed流的模式

Feed流产品有两种常见模式：

• 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

本例中的个人页面，是基于关注的好友来做Feed流，因此采用Timeline的模式。该模式的实现方案有三种：

1.拉模式

2.推模式

3.推拉结合

Feed流的实现方案1

拉模式：也叫做读扩散。

Feed流的实现方案2

推模式：也叫做写扩散。

Feed流的实现方案3

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。

Feed流的实现方案

案例：基于推模式实现关注推送功能

需求：

1.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

2.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

3.查询收件箱数据时，可以实现分页查询

Feed流的分页问题

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。

案例：

实现关注推送页面的分页查询

需求：在个人主页的“关注”卡片中，查询并展示推送的Blog信息：

六、附近的商户

6.1GEO数据结构

GEO就是Geolocation的简写形式，代表地理坐标。Redis在3.2版本中加入了对GEO的支持，允许存储地理坐标信息，帮助我们根据经纬度来检索数据。常见的命令有：

GEOADD：添加一个地理空间信息，包含：经度（longitude）、纬度（latitude）、值（member）

GEODIST：计算指定的两个点之间的距离并返回

GEOHASH：将指定member的坐标转为hash字符串形式并返回

GEOPOS：返回指定member的坐标

GEORADIUS：指定圆心、半径，找到该圆内包含的所有member，并按照与圆心之间的距离排序后返回。6.2以后已废弃

GEOSEARCH：在指定范围内搜索member，并按照与指定点之间的距离排序后返回。范围可以是圆形或矩形。6.2.新功能

GEOSEARCHSTORE：与GEOSEARCH功能一致，不过可以把结果存储到一个指定的key。 6.2.新功能

案例：练习Redis的GEO功能

需求：

1.添加下面几条数据：

北京南站（ 116.378248 39.865275 ）

北京站（ 116.42803 39.903738 ）

北京西站（ 116.322287 39.893729 ）

2.计算北京西站到北京站的距离

3.搜索天安门（ 116.397904 39.909005 ）附近10km内的所有火车站，并按照距离升序排序

6.2附近商户搜索

在首页中点击某个频道，即可看到频道下的商户:

按照商户类型做分组，类型相同的商户作为同一组，以typeId为key存入同一个GEO集合中即可

SpringDataRedis的2.3.9版本并不支持Redis 6.2提供的GEOSEARCH命令，因此我们需要提示其版本，修改自己的POM文件，内容如

七、用户签到

7.1BitMap用法

假如我们用一张表来存储用户签到信息，其结构应该如下:

假如有1000万用户，平均每人每年签到次数为10次，则这张表一年的数据量为 1亿条

每签到一次需要使用（8 + 8 + 1 + 1 + 3 + 1）共22 字节的内存，一个月则最多需要600多字节

我们按月来统计用户签到信息，签到记录为1，未签到则记录为0.

把每一个bit位对应当月的每一天，形成了映射关系。用0和1标示业务状态，这种思路就称为位图（BitMap）。

Redis中是利用string类型数据结构实现BitMap，因此最大上限是512M，转换为bit则是 2^32个bit位。

BitMap的操作命令有：

SETBIT：向指定位置（offset）存入一个0或1

GETBIT ：获取指定位置（offset）的bit值

BITCOUNT ：统计BitMap中值为1的bit位的数量

BITFIELD ：操作（查询、修改、自增）BitMap中bit数组中的指定位置（offset）的值 BITFIELD_RO ：获取BitMap中bit数组，并以十进制形式返回

BITOP ：将多个BitMap的结果做位运算（与 、或、异或）

BITPOS ：查找bit数组中指定范围内第一个0或1出现的位置

7.2签到功能

案例：签到功能

需求：实现签到接口，将当前用户当天签到信息保存到Redis中

提示：因为BitMap底层是基于String数据结构，因此其操作也都封装在字符串相关操作中了。

7.3签到统计

问题1：什么叫做连续签到天数？

从最后一次签到开始向前统计，直到遇到第一次未签到为止，计算总的签到次数，就是连续签到天数。

问题2：如何得到本月到今天为止的所有签到数据？

  BITFIELD key GET u[dayOfMonth] 0

问题3：如何从后向前遍历每个bit位？

与 1 做与运算，就能得到最后一个bit位。 随后右移1位，下一个bit位就成为了最后一个bit位。

案例：实现签到统计功能

需求：实现下面接口，统计当前用户截止当前时间在本月的连续签到天数

八、UV统计

8.1HyperLogLog用法

首先我们搞懂两个概念：

• UV：全称Unique Visitor，也叫独立访客量，是指通过互联网访问、浏览这个网页的自然人。1天内同一个用户多次访问该网站，只记录1次。
• PV：全称Page View，也叫页面访问量或点击量，用户每访问网站的一个页面，记录1次PV，用户多次打开页面，则记录多次PV。往往用来衡量网站的流量。

UV统计在服务端做会比较麻烦，因为要判断该用户是否已经统计过了，需要将统计过的用户信息保存。但是如果每个访问的用户都保存到Redis中，数据量会非常恐怖。

Hyperloglog用法

Hyperloglog(HLL)是从Loglog算法派生的概率算法，用于确定非常大的集合的基数，而不需要存储其所有值。相关算法原理大家可以参考：HyperLogLog 算法的原理讲解以及 Redis 是如何应用它的 - 掘金

Redis中的HLL是基于string结构实现的，单个HLL的内存永远小于16kb，内存占用低的令人发指！作为代价，其测量结果是概率性的，有小于0.81％的误差。不过对于UV统计来说，这完全可以忽略。

8.2实现UV统计

我们直接利用单元测试，向HyperLogLog中添加100万条数据，看看内存占用和统计效果如何：

总结：

HyperLogLog的作用：

• 做海量数据的统计工作

HyperLogLog的优点：

• 内存占用极低 性能非常好

HyperLogLog的缺点：

• 有一定的误差

Pipeline导入数据

如果要导入大量数据到Redis中，可以有多种方式：

• 每次一条，for循环写入
• 每次多条，批量写入