当前位置：首页 > backend >正文

Redis--day12--黑马点评--附近商铺用户签到UV统计

backend 2025/8/25 5:08:52

请添加图片描述
（以下内容全部来自上述课程）
在这里插入图片描述

附近商铺

1. GEO数据结构

GEO就是Geolocation的简写形式，代表地理坐标。Redis在3.2版本中加入了对GEO的支持，允许存储地理坐标信息，帮助我们根据经纬度来检索数据。常见的命令有:

GEOADD:添加一个地理空间信息，包含:经度(longitude)、纬度(latitude)、值(member)
GEODIST:计算指定的两个点之间的距离并返回
GEOHASH:将指定member的坐标转为hash字符串形式并返回
GEOPOS:返回指定member的坐标
GEORADIUS:指定圆心、半径，找到该圆内包含的所有member，并按照与圆心之间的距离排序后返回。6.2以后已废弃
GEOSEARCH:在指定范围内搜索member，并按照与指定点之间的距离排序后返回。范围可以是圆形或矩形。6.2.新功能
GEOSEARCHSTORE:与GEOSEARCH功能一致，不过可以把结果存储到一个指定的key。6.2.新功能

需求
1.添加下面几条数据:

北京南站(116.378248 39.865275)
北京站(116.42803 39.903738)
北京西站(116.32228739.893729)

计算北京西站到北京站的距离
搜索天安门(116.39790439.909005)附近10km内的所有火车站，并按照距离升序排序

请添加图片描述

2. 导入店铺数据到GEO

在首页中点击某个频道，即可看到频道下的商户：
请添加图片描述
按照商户类型进行分组，类型相同的商户作为一组，以typeId为key存入同一个GEO集合中即可

Test：

@Testvoid loadshopData() {// 1.查询店铺信息List<Shop> list = shopService.list();//2.把店铺分组，按照typeId分组，typeId一致的放到一个集合Map<Long, List<Shop>> map = list.stream().collect(Collectors.groupingBy(Shop::getTypeId));//3.分批完成写入Redisfor (Map.Entry<Long, List<Shop>> entry : map.entrySet()) {//3.1.获取类型idLong typeId = entry.getKey();String key = "shop:geo:" + typeId;//3.2.获取同类型的店铺的集合List<Shop> value = entry.getValue();List<RedisGeoCommands.GeoLocation<String>> locations = new ArrayList<>(value.size());//3.3.写入redis GE0ADD key 经度纬度 memberfor (Shop shop : value) {// stringRedisTemplate.opsForGeo().add(key, new Point(shop.getX(), shop.getY()), shop.getId().tostring());locations.add(new RedisGeoCommands.GeoLocation<>(shop.getId().toString(), new Point(shop.getX(), shop.getY())));}stringRedisTemplate.opsForGeo().add(key, locations);}}

3. 实现附近商户功能

SpringDataRedis的2.3.9版本并不支持Redis 6.2提供的GEOSEARCH命令，因此我们需要提示其版本，修改自己的POM文
件，内容如下:（把上两个删除换成下两个）
在这里插入图片描述
ShopController：

@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);}

IShopService：

public interface IShopService extends IService<Shop>{Result queryById(Long id) throws InterruptedException;Result update(Shop shop);Result queryShopByType(Integer typeId, Integer current, Double x, Double y);
}

ShopServiceImpl：

@Overridepublic 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、按照数据库查询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、distanceString key = SHOP_GEO_KEY + typeId;GeoResults<RedisGeoCommands.GeoLocation<String>> results = stringRedisTemplate.opsForGeo()//GEOSEARCH key BYLONLAT x y BYRADIUS 10 WITHDISTANCE.search(key,GeoReference.fromCoordinate(x,y),new Distance(5000),RedisGeoCommands.GeoSearchCommandArgs.newGeoSearchArgs().includeDistance().limit(end));//4. 解析出idif (results == null){return Result.ok(Collections.emptyList());}List<GeoResult<RedisGeoCommands.GeoLocation<String>>> list = results.getContent();if (list.size() <= from){//没有下一页了，结束return Result.ok(Collections.emptyList());}//4.1 截取from~end的部分List<Long> 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idString shopIdStr = result.getContent().getName();ids.add(Long.valueOf(shopIdStr));//4.3 获取距离Distance distance = result.getDistance();distanceMap.put(shopIdStr,distance);});//5. 根据id查询ShopString 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

1. BitMap功能演示

假如我们用一张表来存储用户签到信息，其结构应该如下:
在这里插入图片描述
假如有1000万用户，平均每人每年签到次数为10次，则这张表一年的数据量为1亿条
每签到一次需要使用(8+8+1+1+3+1)共22字节的内存，一个月则最多需要600多字节

我们按月来统计用户签到信息，签到记录为1，未签到则记录为0.
在这里插入图片描述
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，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。

BitMap的操作命令有:

SETBIT:向指定位置(offset)存入一个0或1
GETBIT:获取指定位置(offset)的bit值
BITCOUNT:统计BitMap中值为1的bit位的数量
BITFIELD:操作(查询、修改、自增)BitMap中bit数组中的指定位置(offset)的值
BITFIELD_RO:获取BitMap中bit数组，并以十进制形式返回
BITOP:将多个BitMap的结果做位运算(与、或、异或)
BITPOS:查找bit数组中指定范围内第一个0或1出现的位置

2. 实现签到功能

需求:实现签到接口，将当前用户当天签到信息保存到Redis中
在这里插入图片描述
提示:因为BitMap底层是基于String数据结构，因此其操作也都封装在字符串相关操作中了。

UserController:

 @PutMapping("/sign")public Result sign(){return userService.sign();}

IUserService：

public interface IUserService extends IService<User> {Result login(LoginFormDTO loginForm, HttpSession session);Result sedCode(String phone, HttpSession session);Result sign();
}

UserServiceImpl：

@Overridepublic Result sign() {//1. 获取当前登录用户Long userId = UserHolder.getUser().getId();//2. 获取日期LocalDateTime now = LocalDateTime.now();//3. 拼接keyString keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));String key = USER_SIGN_KEY + userId + keySuffix;//4. 获取今天是本月的第几天int dayOfMonth = now.getDayOfMonth();//5. 写入redis SETBIT key offset 1stringRedisTemplate.opsForValue().setBit(key,dayOfMonth-1,true);return Result.ok();}

3. 统计连续签到

问题1:什么叫做连续签到天数?
从最后一次签到开始向前统计，直到遇到第一次未签到为止，计算总的签到次数，就是连续签到天数。
在这里插入图片描述
问题2:如何得到本月到今天为止的所有签到数据?
BITFIELD key GET u[dayOfMonth] 0

问题3:如何从后向前遍历每个bit位?
与1做与运算，就能得到最后一个bit位
随后右移1位，下一个bit位就成为了最后一个bit位。

需求:实现下面接口，统计当前用户截止当前时间在本月的连续签到天数
在这里插入图片描述
UserController：

 @GetMapping("/sign/count")public Result signCount(){return userService.signCount();}

IUserService：

public interface IUserService extends IService<User> {Result login(LoginFormDTO loginForm, HttpSession session);Result sedCode(String phone, HttpSession session);Result sign();Result signCount();
}

UserServiceImpl：

 @Overridepublic Result signCount() {//1. 获取当前登录用户Long userId = UserHolder.getUser().getId();//2. 获取日期LocalDateTime now = LocalDateTime.now();//3. 拼接keyString keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));String key = USER_SIGN_KEY + userId + keySuffix;//4. 获取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的签到记录，返回的是一个十进制的数字List<Long> result = stringRedisTemplate.opsForValue().bitField(key,BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)).valueAt(0));if (result == null || result.isEmpty()){//没有任何签到结果return Result.ok(0);}Long num = result.get(0);if (num == null || num == 0){return Result.ok(0);}//6. 循环遍历int count = 0;while (true) {//6.1 让这个数字与1做运算，得到数字的最后一个bit位  //判断这个bit位是否为0if ((num & 1) == 0){//6.2 如果为0，说明未签到，结束break;}else {//6.3 如果不为0，说明已签到，计数器+1count++;}//6.4 把数字右移一位，抛弃最后一个bit位，继续下一个bit位num >>>= 1;}return Result.ok(count);}

UV统计

首先我们搞懂两个概念:
UV:全称Unique visitor，也叫独立访客量，是指通过互联网访问、浏览这个网页的自然人。1天内同一个用户多次访问该网站，只记录1次。
PV:全称Page View，也叫页面访问量或点击量，用户每访问网站的一个页面，记录1次PV，用户多次打开页面，则记录多次PV。往往用来衡量网站的流量。

UV统计在服务端做会比较麻烦，因为要判断该用户是否已经统计过了，需要将统计过的用户信息保存。但是如果每个访问的用户都保存到Redis中，数据量会非常恐怖。

1. HyperLogLog的用法

Hyperloglog(H|L)是从Loglog算法派生的概率算法，用于确定非常大的集合的基数，而不需要存储其所有值。相关算法原理大家可以参考:https://juejin,cn/post/6844903785744056333#heading-0
Redis中的HLL是基于string结构实现的，单个HLL的内存永远小于16kb，内存占用低的令人发指!作为代价，其测量结果是概率性的，有小于0.81%的误差。不过对于UV统计来说，这完全可以忽略。
在这里插入图片描述

2. 测试百万数据的统计

我们直接利用单元测试，向HyperLogLog中添加100万条数据，看看内存占用和统计效果如何:
在这里插入图片描述
Test：

@Testvoid testHyperLogLog(){String[] values = new String[1000];int j = 0 ;for(int i = 0; i < 1000000; i++){j = i % 1000;values[j] = "user_"+ i;if (j == 999){//发送到redisstringRedisTemplate.opsForHyperLogLog().add("hl2",values);}}//统计数量Long count = stringRedisTemplate.opsForHyperLogLog().size("hl2");System.out.println("count = " + count);}