黑马点评Feed流推送帖子zset实现

什么是Feed流?

顾名思义就是投喂流 传统的信息查找方式用户需要手动去搜寻 Feed流就是不再是用户自己找 而是服务端主动投喂他喜欢/想看到的信息 考虑以下场景:
张三关注了李四
王五关注了李四
当李四发了动态时 它的粉丝们在我的关注列表里就能看到自己关注的人发的动态且最新发布的在最上面
以上场景需求捕捉:
1.发布动态后要通知给所有粉丝
2.粉丝读取时要能看到所有关注的人最新动态
3.内容是按发布时间倒序的
如何满足呢?

Redis的sortedSet数据结构

从需求来看 用户发布动态后要立马将动态主动推送到每个粉丝的收件箱里 值不能重复 还要排序 所以sortedset的分数结构就能很好支持
表结构设计:
关注表:

CREATE TABLE `tb_follow` (`id` bigint NOT NULL AUTO_INCREMENT COMMENT '主键',`user_id` bigint unsigned NOT NULL COMMENT '用户自己',`follow_user_id` bigint unsigned NOT NULL COMMENT '被用户关注的人',`status` tinyint(1) NOT NULL DEFAULT '1' COMMENT '1关注0未关注',`created_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',`updated_at` timestamp NULL DEFAULT NULL,PRIMARY KEY (`id`) USING BTREE,KEY `idx_user_id_follow_user_id` (`user_id`,`follow_user_id`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=9 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci ROW_FORMAT=COMPACT

用到的redis命令:
写入用户收件箱:

ZADD key score member [score] [member]

分页查询用户收件箱:

ZREVRANGEBYSCORE key max min [WITHSCORES] [LIMIT offset count]

想必看到查询的参数列表里有limit offset count这种字眼 就知道分页咋弄了

比如用户2关注的博主发了5篇动态 用户2的收件箱被推送了这5篇:
在这里插入图片描述
member就是动态的id Score就是时间戳 假设查第一页查3条 那么查出来就是29,28,27

ZREVRANGEBYSCORE subscribe:blog:2 1843092073692 0 LIMIT 0 3

在这里插入图片描述
命令讲解:
max就是最大分数: 这里用当前时间就是最新的: 1843092073692
min就是最小分数 给0就行
LIMIT 0 3就是从0个偏移量开始查3个 这里和mysql分页意思一样
ZREVRANGEBYSCORE是倒序查 所以根据时间戳分数就是29, 28, 27

发布推流和分页查询代码实现

发布推流

    /*** 发布博客并广播到所有订阅者的收件箱** @param blog* @return*/@Overridepublic long publish(Blog blog) {Long userId = UserHolder.getUser().getId();blog.setUserId(userId);long inserted = blogMapper.insertBlog(blog);if (inserted < 1) {throw new BusinessException("发布失败");}// 主动推到当前用户的订阅者的收件箱// select user_id from tb_follow where follow_user_id = ? and status = 1List<Long> followerIds = followService.findFollowerById(userId);for (Long followerId : followerIds) {stringRedisTemplate.opsForZSet().add(SUBSCRIBE_BLOG + followerId, blog.getId().toString(), System.currentTimeMillis());}return blog.getId();}

这里主要就是做了发布动态 然后把当前用户的粉丝都查出来 将动态id推送到每个粉丝的收件箱

用户分页查询关注的博主动态

接口参数两个:
1.时间戳 第一次传取当前时间 以后都用接口返回的
2.偏移量 第一次不用传 以后都用接口返回的

Controller层:

/*** 拉取用户关注的人的动态** @param lastTimestamp* @param offset* @return*/
@GetMapping("/of/follow")
public Result pullSubscribeBlogs(@RequestParam("lastId") Long lastTimestamp, @RequestParam(required = false, defaultValue = "0") Integer offset) {Long userId = UserHolder.getUser().getId();return Result.ok(blogService.pullSubscribeBlogs(userId, offset, lastTimestamp));
}

service代码:

@Override
public ScrollResult<Blog> pullSubscribeBlogs(Long userId, Integer offset, Long lastTimestamp) {ScrollResult scrollResult = new ScrollResult();String key = SystemConstants.SUBSCRIBE_BLOG + userId;final int PAGE_SIZE = 5; // 一页查多少个// 获取降序的订阅消息 最新的在上面Set<ZSetOperations.TypedTuple<String>> subscribeBlogs = stringRedisTemplate.opsForZSet().reverseRangeByScoreWithScores(key, 0, lastTimestamp, offset, PAGE_SIZE);// 没有则查到头了if (Objects.isNull(subscribeBlogs) || subscribeBlogs.isEmpty()) {scrollResult.setList(Collections.emptyList());return scrollResult;}long minTimestamp = 0; // 记录最小时间戳int cursor = 1; // 相同的最小的时间戳存在的帖子的个数,用来跳过相同分数避免重复数据查询 默认为1是因为查出来的最后一条就是下一次查的第一条 所以要告诉下一次要偏移1个去掉重复的List<String> ids = new ArrayList<>(subscribeBlogs.size()); // 指定初始化长度 避免长度超出默认值触发扩容for (ZSetOperations.TypedTuple<String> subscribeBlog : subscribeBlogs) {String id = subscribeBlog.getValue();ids.add(id); // 将id添加到集合用于后续查找动态详情// 判断时间戳是否有重合 有则记录数+1long time = subscribeBlog.getScore().longValue();if (time == minTimestamp) {cursor += 1;} else {cursor = 1;minTimestamp = time; // 更新最小时间戳}}int newOffset = cursor > 1 ?  cursor + offset : cursor; // 如果cursor>1则有时间戳重合的部分 要加上重复的部分 下一次查询才能跳过重复的List<Blog> blogs = blogMapper.findByIds(ids); // 根据ids查出所有博客和用户信息for (Blog blog : blogs) { // 查询用户是否点赞和点赞数String likeKey = BLOG_LIKED + blog.getId();Set<String> likedUserIds = stringRedisTemplate.opsForZSet().reverseRange(likeKey, 0, -1);blog.setIsLike(likedUserIds.contains(userId.toString()));blog.setLiked(likedUserIds.size());}scrollResult.setList(blogs);scrollResult.setOffset(newOffset);scrollResult.setMinTime(minTimestamp);return scrollResult;
}

这里的难点就是要理解分页边界 每次分页前端会把最后一个时间戳带过来 所以查出来的第一条是上一条 所以cursor=1做为偏移量过滤掉上一条 考虑第一次查询为 5 4 3 那么第二次就会把3查出来 加上偏移量1就会从2开始查就不会有重复3了 然而当时间戳相同时 即同一时间有多条记录 我们要记录相同时间的条数 下次查时用偏移量跳过这些

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/43132.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

详解CountDownLatch底层源码

大家好&#xff0c;我是此林。 今天来分享一下CountDownLatch的底层源码。 CountDownLatch 是 Java 并发包 (java.util.concurrent) 中的线程之间同步工具类&#xff0c;主要用于协调多个线程的执行顺序。其核心思想是通过计数器实现线程间的"等待-唤醒"机制&#…

Ubuntu24.04 离线安装 MySQL8.0.41

一、环境准备 1.1 官方下载MySQL8.0.41 完整包 1.2 上传包 & 解压 上传包名称是&#xff1a;mysql-server_8.0.41-1ubuntu24.04_amd64.deb-bundle.tar # 切换到上传目录 cd /home/MySQL8 # 解压&#xff1a; tar -xvf mysql-server_8.0.41-1ubuntu24.04_amd64.deb-bundl…

【算法应用】基于粒子群算法PSO求解无人机集群路径规划问题

目录 1.无人机路径规划模型2.粒子群算法PSO原理3.结果展示4.参考文献5.代码获取 1.无人机路径规划模型 路径最优性 为了实现UAV的高效运行&#xff0c;计划的路径需要在某一特定标准上达到最优。UAV飞行路径Xi表示为UAV需要飞过的一系列n个航路点&#xff0c;每个航路点对应搜…

电脑ip地址每次开机会换吗?全面解析

在探讨“电脑IP地址每次开机会换吗”这一问题时&#xff0c;我们首先需要明确的是&#xff0c;IP地址的更换情况并非一成不变&#xff0c;而是受到多种因素的影响&#xff0c;其中最核心的是IP地址的类型——动态IP还是静态IP。这两种类型的IP地址在分配方式、稳定性以及使用场…

sqli-labs靶场 less 8

文章目录 sqli-labs靶场less 8 布尔盲注 sqli-labs靶场 每道题都从以下模板讲解&#xff0c;并且每个步骤都有图片&#xff0c;清晰明了&#xff0c;便于复盘。 sql注入的基本步骤 注入点注入类型 字符型&#xff1a;判断闭合方式 &#xff08;‘、"、’、“”&#xf…

docker-Dify外接Fastgpt知识库

参考地址&#xff1a;https://mp.weixin.qq.com/s/crQrneHZ0sT-c04YanofSw 总体步骤 部署fda(fastgpt-dify-adapter)docker 部署dify&#xff0c;fastgpt在fastgpt创建open apikey&#xff0c;复制知识库id&#xff1b;在dify外接fastgpt知识库&#xff1b; docker安装 下载…

Django学习笔记

Django学习笔记 安装django pip install django创建APP 用django来写后端的时候&#xff0c;要把各个功能分散到各个创建好的APP去实现 在终端输入 python manage.py startapp app01(APP名称)APP内部文件 admin.py django默认提供了admin后台管理 apps.py app启动类 mo…

向量数据库是什么,它有什么作用?

环境&#xff1a; 向量数据库 问题描述&#xff1a; 向量数据库是什么&#xff0c;它有什么作用 解决方案&#xff1a; 向量数据库是一种专门设计用于高效处理高维向量数据的系统&#xff0c;主要用于存储、索引、查询和检索高维向量数据&#xff0c;特别适合处理非结构化数…

【SPP】蓝牙串口协议应用层深度解析:从连接建立到实战开发

目录 一、SPP应用层协议框架与角色模型 1.1 分层协议栈模型 1.2 设备角色模型&#xff08;DevA 与 DevB 交互&#xff09; 二、连接建立流程&#xff1a;从 SDP 到 RFCOMM 2.1 服务发现&#xff08;SDP&#xff09;流程&#xff08;SDP 记录关键参数&#xff09; 2.2 连接…

【Portainer】Docker可视化组件安装

Portainer Portainer 是用于管理容器化环境的一体化平台工程解决方案&#xff0c;提供广泛的定制功能&#xff0c;以满足个人开发人员和企业团队的需求。 官方地址: https://www.portainer.io/ 安装 在 WSL / Docker Desktop 上使用 Docker 安装 Portainer CE 通过命令或UI页…

【第33节】windows原理:初探PE文件

目录 一、PE文件概述 二、DOS头部 三、DOS头部与NT头部之间 四、NT头部 五、文件头区段 六、了解个别概念 七、扩展头 八、区段头表 一、PE文件概述 PE文件是有特定格式的文件&#xff0c;像后缀名是EXE的可执行文件、后缀名是DLL的动态链接库文件、sys格式的驱动文件&…

谷粒微服务高级篇学习笔记整理---异步线程池

多线程回顾 多线程实现的4种方式 1. 继承 Thread 类 通过继承 Thread 类并重写 run() 方法实现多线程。 public class MyThread extends Thread {Overridepublic void run() {System.out.println("线程运行: " Thread.currentThread().getName());} }// 使用 pub…

网络运维学习笔记(DeepSeek优化版) 024 HCIP-Datacom OSPF域内路由计算

文章目录 OSPF域内路由计算&#xff1a;单区域的路由计算一、OSPF单区域路由计算原理二、1类LSA详解2.1 1类LSA的作用与结构2.2 1类LSA的四种链路类型 三、OSPF路由表生成验证3.1 查看LSDB3.2 查看OSPF路由表3.3 查看全局路由表 四、2类LSA详解4.1 2类LSA的作用与生成条件4.2 2…

飞桨PP系列新成员PP-DocLayout开源,版面检测加速大模型数据构建,超百页文档图像一秒搞定

背景介绍 文档版面区域检测技术通过精准识别并定位文档中的标题、文本块、表格等元素及其空间布局关系&#xff0c;为后续文本分析构建结构化上下文&#xff0c;是文档图像智能处理流程的核心前置环节。随着大语言模型、文档多模态及RAG&#xff08;检索增强生成&#xff09;等…

以科技赋能,炫我云渲染受邀参加中关村文化科技融合影视精品创作研讨会!

在文化与科技深度融合的时代浪潮下&#xff0c;影视创作行业经历着前所未有的变革。影视创作行业发展态势迅猛&#xff0c; 同时也面临着诸多挑战。为促进影视创作行业的创新发展&#xff0c;加强业内交流与合作&#xff0c; 3月25日下午&#xff0c;海淀区文化创意产业协会举办…

NFS挂载异常排查记录

互相PING服务器看是否通&#xff1b;在ubuntu下看下服务器是否正常运行。导出目录是否导出了。最后发现在挂载目录的地方目录路径和后面没有加空格。

flutter 专题 七十一 Flutter 自定义单选控件

在Flutter 应用开发中&#xff0c;经常会遇到各种单选效果&#xff0c;虽然官方提供了Radio组件&#xff0c;但是并不能满足我们实际的开发需求&#xff0c;所以往往还需要自定义控件才能满足平时的开发需求。下面就平时开发中用到的单选进行介绍&#xff1a; 自定义SegmentBa…

在Cesium中使用ThreeJs材质(不是场景融合哦)

在Cesium中使用ThreeJs材质(不是场景融合哦&#xff09;_哔哩哔哩_bilibili

浅谈Thread类及常见方法与线程的状态(多线程编程篇2)

目录 前言 1.Thread类及常见方法 Thread类中常见的属性 1. getId() 2. getName() 3. getState() 4. getPriority() 5. isDaemon() 6. isAlive() 7. isInterrupted() 2.Thread类中常见的方法 Thread.interrupt() (中断线程) Thread.start()(启动线程) 1. 覆写 run…

Elasticsearch:人工智能时代的公共部门数据治理

作者&#xff1a;来自 Elastic Darren Meiss 人工智能&#xff08;AI&#xff09;和生成式人工智能&#xff08;GenAI&#xff09;正在迅速改变公共部门&#xff0c;从理论探讨走向实际应用。正确的数据准备、管理和治理将在 GenAI 的成功实施中发挥关键作用。 我们最近举办了…