本博客为个人学习笔记，学习网站与详细见：黑马程序员Redis入门到实战 P88 - P95
目录
附近商铺
数据导入
功能实现
用户签到
签到功能
连续签到统计
UV统计
附近商铺
利用Redis中的GEO数据结构实现附近商铺功能，常见命令如下图所示。 
key值由特定前缀与商户类型id组成，每个GEO存储一个店铺id与该店铺的经纬度信息，如下图所示。
数据导入
编写单元测试，将MySql数据库中的所有商铺位置信息导入Redis中，代码如下。
@Test
void loadShopData() {
// 1.查询所有店铺信息
List<Shop> shops = shopService.list();
// 2.将店铺按照typeId分组，typeId一致的放到一个集合中
Map<Long, List<Shop>> map = shops.stream().collect(Collectors.groupingBy(Shop::getTypeId));
// 3.分批完成写入Redis
for (Map.Entry<Long, List<Shop>> entry : map.entrySet()) {
// 3.1 获取类型id
Long typeId = entry.getKey();
String key = "shop:geo:" + typeId;
// 3.2 获取同类型的店铺集合
List<Shop> list = entry.getValue();
// 3.3 写入redis（ GEOADD key 经度 纬度 member）
List<RedisGeoCommands.GeoLocation<String>> locations = new ArrayList<>(list.size());
for (Shop shop : list) {
locations.add(new RedisGeoCommands.GeoLocation<>(
shop.getId().toString(),
new Point(shop.getX(), shop.getY())
));
}
stringRedisTemplate.opsForGeo().add(key, locations);
}
}功能实现
由于SpringDataRedis的2.3.9版本并不支持Redis 6.2提供的GEOSEARCH命令，因此我们需要修改版本，代码如下。
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-redis</artifactId>
<exclusions>
<exclusion>
<artifactId>spring-data-redis</artifactId>
<groupId>org.springframework.data</groupId>
</exclusion>
<exclusion>
<artifactId>lettuce-core</artifactId>
<groupId>io.lettuce</groupId>
</exclusion>
</exclusions>
</dependency>
<dependency>
<groupId>org.springframework.data</groupId>
<artifactId>spring-data-redis</artifactId>
<version>2.6.2</version>
</dependency>
<dependency>
<groupId>io.lettuce</groupId>
<artifactId>lettuce-core</artifactId>
<version>6.1.6.RELEASE</version>
</dependency>Controller层代码如下。
@GetMapping("/of/type")
public Result queryShopByType(
@RequestParam("typeId") Integer typeId,
@RequestParam(value = "current", defaultValue = "1") Integer current,
@RequestParam(value = "x", required = false) Double x,
@RequestParam(value = "y", required = false) Double y
) {
return shopService.queryShopByType(typeId, current, x, y);
}接口方法的具体实现代码如下。
@Override
public Result queryShopByType(Integer typeId, Integer current, Double x, Double y) {
// 1.判断是否需要根据坐标查询
if (x == null || y == null) {
// 不需要坐标查询，按数据库查询
Page<Shop> page = query()
.eq("type_id", typeId)
.page(new Page<>(current, SystemConstants.DEFAULT_PAGE_SIZE));
// 返回数据
return Result.ok(page.getRecords());
}
// 2.计算分页参数
int from = (current - 1) * SystemConstants.DEFAULT_PAGE_SIZE;
int end = current * SystemConstants.DEFAULT_PAGE_SIZE;
// 3.查询redis、按照距离排序、分页。结果：shopId,distance
String key = "shop:geo:" + typeId;
GeoResults<RedisGeoCommands.GeoLocation<String>> results = stringRedisTemplate.opsForGeo()
.search(
key,
GeoReference.fromCoordinate(x, y),
new Distance(5000),
RedisGeoCommands.GeoSearchCommandArgs.newGeoSearchArgs().includeDistance().limit(end)
);
// 4.解析出id
if (results == null)
return Result.ok(Collections.emptyList());
List<GeoResult<RedisGeoCommands.GeoLocation<String>>> list = results.getContent();
// 如果没有下一页，则结束
if (list.size() < from)
return Result.ok(Collections.emptyList());
// 4.1 截取从from~end的部分
ArrayList<Object> ids = new ArrayList<>(list.size());
Map<String, Distance> distanceMap = new HashMap<>(list.size());
list.stream().skip(from).forEach(result -> {
// 4.2 获取店铺id
String shopIdStr = result.getContent().getName();
ids.add(Long.valueOf(shopIdStr));
// 4.2 获取距离
Distance distance = result.getDistance();
distanceMap.put(shopIdStr, distance);
});
// 5.根据id查询Shop
String idStr = StrUtil.join(",", ids);
List<Shop> shops = query().in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list();
for (Shop shop : shops) {
shop.setDistance(distanceMap.get(shop.getId().toString()).getValue());
}
// 6.返回
return Result.ok(shops);
}用户签到
签到功能
Controller层代码如下。
@PostMapping("/sign")
public Result sign() {
return userService.sign();
}接口方法的具体实现代码如下。
@Override
public Result sign() {
// 1.获取当前登录用户信息
Long userId = UserHolder.getUser().getId();
// 2.获取当前日期
LocalDateTime now = LocalDateTime.now();
// 3.拼接key
String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
String key = "sign:" + userId + keySuffix;
// 4.计算今天是本月的第几天
int dayOfMonth = now.getDayOfMonth();
// 5.写入Redis SETBIT key offset
// true：写入1
// false：写入0
stringRedisTemplate.opsForValue().setBit(key, dayOfMonth - 1, true);
return Result.ok();
}连续签到统计
Controller层代码如下。
@GetMapping("/sign/count")
public Result signCount() {
return userService.signCount();
}接口方法的具体实现代码如下。
@Override
public Result signCount() {
// 1.获取当前登录用户信息
Long userId = UserHolder.getUser().getId();
// 2.获取当前日期
LocalDateTime now = LocalDateTime.now();
// 3.拼接key
String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
String key = "sign:" + userId + keySuffix;
// 4.计算今天是本月的第几天
int dayOfMonth = now.getDayOfMonth();
// 5.获取本月截止今天为止的所有签到记录，返回结果是一个十进制数字 BITFIELD sign:5:202203 GET u14 0
List<Long> result = stringRedisTemplate.opsForValue().bitField(
key,
BitFieldSubCommands.create() //创建子命令
.get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)).valueAt(0)//选择子命令
);
if (result == null || result.isEmpty())
return Result.ok(0);
// 获取本月签到位图
Long num = result.get(0);
if (num == null || num == 0)
return Result.ok(0);
// 6.循环遍历
int cnt = 0;//记录连续签到天数
while (true) {
if ((num & 1) == 0)
break;
num >>= 1;
cnt++;
}
return Result.ok(cnt);
}UV统计
测试
我们直接利用单元测试，向HyperLogLog中添加100万条数据，看看统计效果如何，测试代码如下。
@Test
void testHyperLogLog() {
// 准备数组，装用户数据
String[] users = new String[1000];
// 数组角标
int index = 0;
for (int i = 1; i <= 1000000; i++) {
// 赋值
users[index++] = "user_" + i;
// 每1000条发送一次
if (i % 1000 == 0) {
index = 0;
stringRedisTemplate.opsForHyperLogLog().add("hll1", users);
}
}
// 统计数量
Long size = stringRedisTemplate.opsForHyperLogLog().size("hll1");
System.out.println("size =" + size);
}测试结果如下图所示。
误差 = 1 - （997593 / 1000000）≈ 0.002 可忽略不计
