【Redis】6.Feed流

谁践踏了优雅 2024-04-01 15:01 84阅读 0赞

#### 文章目录 ####

*  1. 什么是Feed流
 *  2. Timeline模式
 *  3. Feed流下实现分页

## 1. 什么是Feed流 ##

当我们关注了用户后，这个用户发了动态，那么我们应该把这些数据推送给用户，这个需求，其实我们又把他叫做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，通过无限下拉刷新获取新的信息。

传统模式的内容解锁主要是依靠用户通过搜索或者是其他方式解锁想看的内容。

![在这里插入图片描述][2691aa114a2545478108728680253d88.png_pic_center]

对于新型的Feed流的的效果：不需要我们用户再去推送信息，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，不用主动去寻找。

![在这里插入图片描述][fcdfa91fb0e24cd3aae9fb3169a4e496.png_pic_center]

Feed流有下面两种常见的模式：

1.  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。
2.  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。

Timeline模式有以下优缺点：

*  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

智能排序模式也有以下优缺点：

*  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。

--------------------

## 2. Timeline模式 ##

TimeLine模式有三种实现方案：

*  拉模式
 *  推模式
 *  推拉结合

`拉模式`

**拉模式，也成为读扩散。**

其核心就是：每一个用户发送信息之后，就将信息保存在自己的邮箱中，假设某一个用户要读取信息，**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。

由此看见，

优点：比较节约空间，因为赵六在读信息时，并没有重复读取，而且读取完之后可以把他的收件箱进行清楚。

缺点：比较延迟，**当用户读取数据时才去关注的人里边去读取数据，假设用户关注了大量的用户，那么此时就会拉取海量的内容，对服务器压力巨大。**

![在这里插入图片描述][069b184d442b48ceb2baea1627ab1e24.png_pic_center]

`推模式`

**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， 就会写很多分数据到粉丝那边去**

![在这里插入图片描述][7593049ad37743209a6af0ceaa88c4c3.png_pic_center]

`推拉结合模式`

**推拉模式是一种折中的方案。**

站在发件人的这一段来说，**如果这是一个普通人，那么我们就采取写扩散，直接把数据写进他的粉丝中，因为这个用户的粉丝关注量比较少，这样做没有压力。但是如果这是一个大V，那么就将数据先写进一个发件箱中，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][505ce995220e4308aac671cecd995142.png_pic_center]

--------------------

## 3. Feed流下实现分页 ##

由于Feed流下数据是不断更新的，因此数据的角标也会随之变化，因此不能用传统的分页模式。

为什么这样说呢？

假设在t1时刻，我们去读第一页数据，此时page=1，size=5，那么我们拿到的就是10-6这几条数据。但是假设现在t2时刻又发布了一条数据，此时t3时刻，我们来读第二页，第二个传入的参数是page=2，size=5，那么此时发现读取到的第二页实际上是从6开始的，这样我们读取的就是重复数据，所以Feed流的分页，不能用原始方案来做。

![在这里插入图片描述][31db2142f3ce4c93806a784afb872bde.png_pic_center]

因为，我们可以使用滚动分页。

滚动分页的核心就是：我们需要记录每次操作的最后一条，然后从这个位置开始读取数据。

举个栗子：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][c178ffcfcd354d53a9897889bb468bc1.png_pic_center]

@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());
    }

而读取收邮箱就要进行以下操作：

1、每次查询完成后，我们要分析出查询出数据的最小时间戳，这个值会作为下一次查询的条件

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，下次查询时，跳过这些查询过的数据，拿到我们需要的数据**

之所以要用上一次查询相同的查询个数作为偏移量，原因如下：

举个栗子，**比如现在有这样的数据，最小时间戳分别为10 8 7 6 6 6 5 4 3 2，每页显示5个，那么第一页显示的就是10 8 7 6 6。假如没有偏移量，那么就会用最小时间戳的下一个元素为第二页的第一个元素，就会出现了重复读。因此，先算出上一页最小时间戳的相同个数，下次查询时，跳过这些查询过的数据，就可以直接拿到我们需要的数据**

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

--------------------

参考: [黑马程序员Redis入门到实战教程，深度透析redis底层原理+redis分布式锁+企业解决方案+黑马点评实战项目][Redis_redis_redis]

--------------------

[2691aa114a2545478108728680253d88.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/46cfd6984e7e41c199a5fb3a0182ea3e.png
[fcdfa91fb0e24cd3aae9fb3169a4e496.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/f9a0f269460048d9aec8aea39905391c.png
[069b184d442b48ceb2baea1627ab1e24.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/3f29b87a314746b2b68bd87e9bd54dc0.png
[7593049ad37743209a6af0ceaa88c4c3.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/57c601227d0d4c6e861f0dffa812061f.png
[505ce995220e4308aac671cecd995142.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/68d9964b9da54beeb2a374b46ba17369.png
[31db2142f3ce4c93806a784afb872bde.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/5ee645bc4c724862b2a5f81281f2d42e.png
[c178ffcfcd354d53a9897889bb468bc1.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/83268afe499042c3a98c4816002802e2.png
[Redis_redis_redis]: https://www.bilibili.com/video/BV1cr4y1671t