Redis学习(四)：实现Feed流Timeline模式

Feed流简单理解

简单理解：Feed流 → 推送流 → 下拉(上拉)刷新

两种模式：

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
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

1. 实现Timeline的三种方式

以用户查看关注的博主更新为例

推模式：将博主更新的博客推送到用户收件箱
拉模式：当用户查看时，从关注的博主的发件箱获取博文，按照时间排序等处理后，发送到用户收件箱
推拉结合：使用算法，对于cold用户采用拉模式，对于hot用户采用推模式

2. 使用推模式实现关注博主博文推送

2.1 需求分析

在保存博文到数据库的同时，需要将其推送到用户收件箱中；
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
查询收件箱数据时，可以实现分页查询

存在的问题：

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。

问题分析：

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。

1653813047671

解决方案：

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。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。

1653813462834

2.2 实现推送

@Override  
public Result saveBlog(Blog blog) {  
    // 1. 获取登录用户  
    UserDTO user = UserHolder.getUser();  
    blog.setUserId(user.getId());  
    // 2. 保存探店博文  
    save(blog);  
    // 3. 查询关注该博主的用户  
    List<Follow> followers = followService.query().eq("follow_user_id", user.getId()).list();  
    // 4. 推送博文到粉丝的收件箱  
    for (Follow follower : followers) {  
        String key = FEED_KEY + follower.getId();  
        stringRedisTemplate.opsForZSet().add(key, blog.getId().toString(), System.currentTimeMillis());  
    }  
    // 5. 返回id  
    return Result.ok(blog.getId());  
}

2.3 实现分页查询收件箱

难点分析：

分析查询出的数据中的最小时间戳，作为下一次查询的最大值
找到查询数据中与最小时间错相同的数据个数，作为下次查询的偏移量

定义具体的返回值实体类

@Data  
public class ScrollResult {  
    private List<?> list;  // 采用泛型，实现通用
    private Long minTime;  
    private Integer offset;  
}

定义接口

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

业务层逻辑

@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，最小时间戳, offset  
    ArrayList<Long> idList = new ArrayList<>(typedTuples.size());  
    long minTime = 0; // 最小时间戳  
    Integer nextOffset = 1; // 偏移量  
    for (ZSetOperations.TypedTuple<String> typedTuple : typedTuples) {  
        // 4.1 获取id  
        idList.add(Long.valueOf(typedTuple.getValue()));  
        // 4.2 获取分数（时间戳）  
        long time = typedTuple.getScore().longValue();  
        if (time == minTime) {  
            nextOffset++;  
        } else {  
            minTime = time;  
            nextOffset = 1;  
        }  
    }  
    nextOffset = minTime == max ? nextOffset : offset + nextOffset;  
    String idListStr = StrUtil.join(",", idList);  
    List<Blog> blogList = query().in("id", idList).last("order by field(id, " + idListStr + ")").list();  
  
    for (Blog blog : blogList) {  
        // 5.1 查询blog的作者  
        queryBlogUser(blog);  
        // 5.2 查询当前用户是否点赞  
        isBlogLiked(blog);  
    }  
  
    // 6. 封装ScrollResult,并返回  
    ScrollResult scrollResult = new ScrollResult(blogList, minTime, nextOffset);  
    return Result.ok(scrollResult);  
}