当前位置：首页 > news >正文

4.15redis点评项目下

news 来源：原创 2025/8/23 1:45:58

--->接redis点评项目上

Redis优化秒杀方案

下单流程为：用户请求nginx--->访问tomcat--->查询优惠券--->判断秒杀库存是否足够--->查询订单--->校验是否是一人一单--->扣减库存--->创建订单

以上流程如果要串行执行耗时会很多，所以想要进行异步操作。

想法一：开启多线程，每一个线程处理一个步骤再做统一返回。

缺点：访问人很多的情况下，线程池的线程就会不够。

想法二：可以利用消息队列，先返回能确定完成事务1的信号，然后再直接进行判断事务能否完成.事务1和事务2可以等到所有判断结束后再慢慢进行。

总体思路：将耗时较短的（比如判断库存是否大于0（是的话判断用户是否可以下单）--->在set集合中查找用户是否已有下单记录保证一人一单(否的话将userId和优惠卷存入到redis中，并且返回0)）判断逻辑放入redis中，然后及时返回结果给前端，之后判断当前redis返回结果是否为0（是的话表示可以下单）--->把一些优惠劵，用户订单等信息存入异步queue（阻塞队列）中，交给tomcat处理其他的判断逻辑（利用独立线程异步下单）。

基于阻塞队列的异步秒杀存在问题有：内存限制；数据安全。

Redis消息队列

消息队列：存储和管理消息，也被称为消息代理（Message Broker）

最简单的消息队列模型：

生产者--->消息队列--->消费者

使用消息队列的好处是：解耦。

耦合：一个事务必须要等另一个事务空闲才能运行或者传递数据。

秒杀中的消息队列模型对应的是：redis校验下单条件--->消息队列（传递id信息）--->启动一个新线程完成下单。

有一些现成的消息队列如kafka，rabbitmq等，也有一些redis提供的mq方案。

Redis消息队列-基于List实现消息队列

Redis基于List的消息队列的常见指令：

LPUSH	添加一个或多个元素插入到list的头部
LPOP	从 list 中删除并返回第一个元素
RPUSH	添加字符串元素到对应 list 的尾部
RPOP	从list 的尾部删除元素，并返回删除元素
LLEN	获取list的元素个数
LRANGE	获取列表指定范围内的元素
LINDEX	获取列表中指定位置的元素

但是当队列中没有消息时删除操作就会返回null，我们想要实现阻塞并等待消息的效果，就采用BRPOP（阻塞RPOP）或者BLPOP实现阻塞效果。

优点：基于Redis存储，不受限于JVM的内存上限；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。

小知识点：

Redis的持久化机制：为了保证突然宕机，内存数据不会全部丢失。

Redis提供了三种持久化机制：RDB、AOF和混合持久化。

RDB（Redis Database Snapshot）是通过创建内存数据的快照，将其保存到磁盘中。

AOF（Append Only File）通过记录每个写操作命令来实现持久化。每当执行一个会改变数据的命令时，Redis会将该命令写入AOF文件中。

混合持久化结合了RDB和AOF的优点。它首先以RDB格式保存当前数据状态，然后继续以AOF格式记录新的写操作。

Redis消息队列-基于PubSub的消息队列

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 chan：订阅一个或多个频道。

PUBLISH chan msg:向一个频道发送信息。

PSUBSCRIBE pattern：订阅与pattern格式匹配的所有频道。

优点：采用发布订阅模式，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。

Redis消息队列-基于Stream的消息队列

发送信息的命令：XADD

读取信息的方式之一：XREAD

XREAD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。

如何使用stream消息队列实现异步秒杀：

1.创建一个Stream类型的消息队列。

2.修改之前的秒杀Lua脚本，当用户拥有抢购资格之后（增加将用户id保存到队列id中，然后将优惠券，用户和队列id全部加到队列中）

3.开启一个新线程，获取消息队列中的订单信息，如果为空继续获取直到获取了信息开始解析数据，创建订单并确认信息；如果出现订单信息异常就重新获取、判断、解析、创建、确认信息。

消费者组？

达人探店功能

发布探店笔记

表主要有两部分：

探店笔记表：包含笔记中的标题、文字、图片等。

其他用户对该笔记的评价表。

查看探店笔记

点赞功能

基本要求：

一个用户只能点赞一次；

当用户已点赞，点赞按钮高亮显示；

当用户已点赞，再点一遍点赞按钮就实现取消点赞。

实现思路：采用一个set集合，当用户点赞时，就把用户id存入集合中，然后点赞数加一，如果用户取消点赞，就把用户id从该集合中移除，然后点赞数减一；下次再判断时，只需要判断set集合中有没有用户的id，就能判断该用户是否点赞过。

使用set集合的原因时：需要不重复的数据

点赞排行榜

之前用set是无法排序的，所以换成sortedset就可以实现。

然后只需要在已经排好序的sortset里找到id前五位就能实现点赞排行榜。

好友关注

关注和取消关注

创建一个关注表，粉丝为user_id;关注的博主为follow_user_id；

关注就新增数据，取关就从表中删除数据。

共同关注

实现思路：set集合中有交集并集补集的API，所以只需要把两个人关注的人分别放入两个set集合中，然后通过API查看两个set集合的交集数据。（intersect）

关注推送（feed流）

Feed流效果：系统分析用户想看什么，然后将内容推送给用户，使其节约时间，不用主动寻找。

Feed流的两种常见模式：

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

本项目采用Timeline模式，该模式有三种实现方案：

拉模式：（读扩散）在用户选择读信息时，将关注的人更新的内容全部拉取过来再排序，用户可以一次性看完之后清楚；但是缺点就是，如果用户关注的人太多信息太多，一次性拉取信息对服务器压力巨大。（多个关注的人在发件箱发的在一次读中全拉取过来到用户收件箱）

推模式：（写扩散）关注的人发一条消息这条消息就传递到粉丝收件箱中；时效快不用临时拉取但是如果粉丝太多就会有很多分数据到粉丝，内存压力大。

推拉结合模式：读写混合，兼具推和拉两种模式的优点。如果是粉丝量小的博主就采用推模式，如果是粉丝量大的博主，对于普通粉丝就采用拉模式，对于活跃度高的粉丝就采用推模式。

实现分页查询收邮箱：Feed流数据会不断更新，数据角标也会变化，比如一开始有十个数据，然后每次取固定数量5个数据（10-6），然后有新数据更新，变成了11个数据，然后再取第二页五个数据就变成6-2，而不是5-1.所以传统分页在Feed流中是不适用的。

为了实现分页操作，我们需要两个参数：用来记录上一次查询的最小时间戳lastid（作为下次分页的开始）和偏移量offset（每一页取几个数据）。

先从redis收件箱中按时间戳倒叙查询，跳过前offset个数据实现分页。获得数据之后判断是否为空，不为空更新时间戳，重置偏移量为确保下一次查询。

附近商户

可以采用GEO，先将商家按typeid分类，然后将type作为key，将所有的商家放入到一个GEO集合中。GEO在redis中就一个menber和一个经纬度，我们把x和y轴传入到redis做的经纬度位置去。然后调用GEO的相关函数就可以实现将商家按照距离排序，然后按照之前的方式进行分页，获得商户id，然后根据id拿到商家信息，进行结果的返回等操作。

用户签到

利用BitMap来实现签到，主体思路为：

BitMap（位图）：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（1表示已签到，0表示未签到），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。

可以将年月作为BitMap的key值，然后对应位置setBit实现签到。

连续签到天数：获得当前这个月的最后一次签到数据，定义一个计数器，然后不停的向前统计，直到获得第一个非0的数字即可，每得到一个非0的数字计数器+1，直到遍历完所有的数据，就可以获得当前月的签到总天数了。

怎么从后往前遍历每个bit位：因为BitMap返回的数据是十进制，让得到的十进制数字和1做与运算，因为1遇见1才是1（计数器++），其他数字都是0，结果数字每与一次就是将结果向右移动一次。

BitMap拓展：解决缓存穿透问题。

如果用户访问了一个数据库不存在并且redis中也不存在的数据，那就相当于进行了缓存穿透，对服务器来说相当于一次攻击。

我们解决方案是：将数据库中的数据所对应的id写入一个list中，用户访问时先在list中判断有没有Id数据，没有直接返回。

但是数据库主键id很长，我们可以采用哈希思想（查找某一个数据是否在里面）

具体思路是：我们创建一个利用string类型数据结构实现的BitMap；在BitMap找到索引为Id%bitmap.size位置，将其设置为1；用户将自己查询信息的id用相同的哈希算法计算，判断那个索引位置的数字是1还是0就可以判断出来数据到底在不在数据库里。

缺点：要考虑哈希冲突产生的误差。

以上内容来自于黑马程序员

后续会继续补一些内容