Redis 只会用缓存？20种妙用让同事直呼牛X

大家好，我是一航

后端程序员，不管是出去面试，还是当面试官，Redis几乎是100%会问到的技术点；究其原因，主要是因为他实在过于强大、使用率太高了；导致项目中几乎无处不在。

那Redis部分，不出意外，第一个问题就是： 你做的项目，用Redis干了些啥？ 大部分人的回答都会是： 缓存 ；当问到是否还有其他场景中使用时，部分用的少的朋友就会微微摇头；

其实也没错，Redis绝不部分使用场景就是用来做缓存；但是，由于Redis 支持比较丰富的数据结构，因此他能实现的功能并不仅限于缓存，而是可以运用到各种业务场景中，开发出既简洁、又高效的系统;

下面整理了20种 Redis 的妙用场景，每个方案都用一个实际的业务需求并结合数据结构的API来讲解，希望大家能够理解其底层的实现方式，学会举一反三，并运用到项目的方方面面：

本文稍微有点点长，如果时间不够，建议看一下目录，收藏起来，用的时候再翻出来看看。

测试源码：https://github.com/vehang/ehang-spring-boot/tree/main/spring-boot-011-redis

1 缓存

本文假定你已经了解过Redis，并知晓Redis最基础的一些使用，如果你对Redis的基础API还不了解，可以先看一下菜鸟教程：https://www.runoob.com/redis，那么缓存部分及基础API的演示，就不过多来讲解了；

但是，基本的数据结构，在这里再列举一下，方便后续方案的理解：

2 抽奖

曾几何时，抽奖是互联网APP热衷的一种推广、拉新的方式，节假日没有好的策划，那就抽个奖吧！一堆用户参与进来，然后随机抽取几个幸运用户给予实物/虚拟的奖品；此时，开发人员就需要写上一个抽奖的算法，来实现幸运用户的抽取；其实我们完全可以利用Redis的集合（Set），就能轻松实现抽奖的功能；

功能实现需要的API

SRANDMEMBER 和 SPOP 主要用于两种不同的抽奖模式，SRANDMEMBER 适用于一个用户可中奖多次的场景（就是中奖之后，不从用户池中移除，继续参与其他奖项的抽取）；而 SPOP 就适用于仅能中一次的场景（一旦中奖，就将用户从用户池中移除，后续的抽奖，就不可能再抽到该用户）； 通常 SPOP 会用的会比较多。

Redis-cli 操作

127.0.0.1:6379> SADD raffle user1
(integer) 1
127.0.0.1:6379> SADD raffle user2 user3 user4 user5 user6 user7 user8 user9 user10
(integer) 9
127.0.0.1:6379> SRANDMEMBER raffle 2
1) "user5"
2) "user2"
127.0.0.1:6379> SPOP raffle 2
1) "user3"
2) "user4"
127.0.0.1:6379> SPOP raffle 2
1) "user10"
2) "user9"


SpringBoot 实现

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.redis.core.RedisTemplate;
import java.util.List;
/**
 * @author 一行Java
 * @title: RaffleMain
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/18 15:17
 */
@Slf4j
@SpringBootTest
public classRaffleMain{
privatefinal String KEY_RAFFLE_PROFIX = "raffle:";
@Autowired
RedisTemplate redisTemplate;
@Test
voidtest(){
Integer raffleId = 1;
join(raffleId, 1000, 1001, 2233, 7890, 44556, 74512);
List lucky = lucky(raffleId, 2);
log.info("活动：{} 的幸运中奖用户是：{}", raffleId, lucky);
}
publicvoidjoin(Integer raffleId, Integer... userIds){
String key = KEY_RAFFLE_PROFIX + raffleId;
redisTemplate.opsForSet().add(key, userIds);
}
public List lucky(Integer raffleId, long num){
String key = KEY_RAFFLE_PROFIX + raffleId;
// 随机抽取 抽完之后将用户移除奖池
List list = redisTemplate.opsForSet().pop(key, num);
// 随机抽取 抽完之后用户保留在池子里
//List list = redisTemplate.opsForSet().randomMembers(key, num);
return list;
}
}






3 Set实现点赞/收藏功能

有互动属性APP一般都会有点赞/收藏/喜欢等功能，来提升用户之间的互动。

传统的实现 ：用户点赞之后，在数据库中记录一条数据，同时一般都会在主题库中记录一个点赞/收藏汇总数，来方便显示；

Redis方案 ：基于Redis的集合（Set），记录每个帖子/文章对应的收藏、点赞的用户数据，同时set还提供了检查集合中是否存在指定用户，用户快速判断用户是否已经点赞过

功能实现需要的API

Redis-cli API操作

127.0.0.1:6379> sadd like:article:1 user1
(integer) 1
127.0.0.1:6379> sadd like:article:1 user2
(integer) 1
# 获取成员数量（点赞数量）
127.0.0.1:6379> SCARD like:article:1
(integer) 2
# 判断成员是否存在（是否点在）
127.0.0.1:6379> SISMEMBER like:article:1 user1
(integer) 1
127.0.0.1:6379> SISMEMBER like:article:1 user3
(integer) 0
# 移除一个或者多个成员（取消点赞）
127.0.0.1:6379> SREM like:article:1 user1
(integer) 1
127.0.0.1:6379> SCARD like:article:1
(integer) 1


SpringBoot 操作

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.redis.core.RedisTemplate;
/**
 * @author 一行Java
 * @title: LikeMain
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/18 15:38
 */
@Slf4j
@SpringBootTest
public classLikeMain{
privatefinal String KEY_LIKE_ARTICLE_PROFIX = "like:article:";
@Autowired
RedisTemplate redisTemplate;
@Test
voidtest(){
long articleId = 100;
Long likeNum = like(articleId, 1001, 1002, 2001, 3005, 4003);
unLike(articleId, 2001);
likeNum = likeNum(articleId);
boolean b2001 = isLike(articleId, 2001);
boolean b3005 = isLike(articleId, 3005);
log.info("文章：{} 点赞数量：{} 用户2001的点赞状态：{} 用户3005的点赞状态：{}", articleId, likeNum, b2001, b3005);
}
/**
* 点赞
*
* @param articleId 文章ID
* @return 点赞数量
*/
public Long like(Long articleId, Integer... userIds){
String key = KEY_LIKE_ARTICLE_PROFIX + articleId;
Long add = redisTemplate.opsForSet().add(key, userIds);
return add;
}
public Long unLike(Long articleId, Integer... userIds){
String key = KEY_LIKE_ARTICLE_PROFIX + articleId;
Long remove = redisTemplate.opsForSet().remove(key, userIds);
return remove;
}
public Long likeNum(Long articleId){
String key = KEY_LIKE_ARTICLE_PROFIX + articleId;
Long size = redisTemplate.opsForSet().size(key);
return size;
}
public Boolean isLike(Long articleId, Integer userId){
String key = KEY_LIKE_ARTICLE_PROFIX + articleId;
return redisTemplate.opsForSet().isMember(key, userId);
}
}








4 排行榜

排名、排行榜、热搜榜是很多APP、游戏都有的功能，常用于用户活动推广、竞技排名、热门信息展示等功能；

比如上面的热搜榜，热度数据来源于全网用户的贡献，但用户只关心热度最高的前50条。

常规的做法 ：就是将用户的名次、分数等用于排名的数据更新到数据库，然后查询的时候通过Order by + limit 取出前50名显示，如果是参与用户不多，更新不频繁的数据，采用数据库的方式也没有啥问题，但是一旦出现爆炸性热点资讯（比如：大陆收复湾湾，xxx某些绿了等等），短时间会出现爆炸式的流量，瞬间的压力可能让数据库扛不住；

Redis方案 ：将热点资讯全页缓存，采用Redis的 有序队列 （Sorted Set）来缓存热度（SCORES），即可瞬间缓解数据库的压力，同时轻松筛选出热度最高的50条；

功能实现需要的命令

Redis-cli操作

# 单个插入
127.0.0.1:6379> ZADD ranking 1 user1
(integer) 1
# 批量插入
127.0.0.1:6379> ZADD ranking 10 user2 50 user3 3 user4 25 user5
(integer) 4
# 降序排列 不带SCORES
127.0.0.1:6379> ZREVRANGE ranking 0 -1
1) "user3"
2) "user5"
3) "user2"
4) "user4"
5) "user1"
# 降序排列 带SCORES
127.0.0.1:6379> ZREVRANGE ranking 0 -1 WITHSCORES
1) "user3"
2) "50"
3) "user5"
4) "25"
5) "user2"
6) "10"
7) "user4"
8) "3"
9) "user1"
10) "1"
# 升序
127.0.0.1:6379> ZRANGE ranking 0 -1 WITHSCORES
1) "user1"
2) "1"
3) "user4"
4) "3"
5) "user2"
6) "10"
7) "user5"
8) "25"
9) "user3"
10) "50"


SpringBoot操作

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.redis.core.DefaultTypedTuple;
import org.springframework.data.redis.core.RedisTemplate;
import java.util.Set;
/**
 * @author 一行Java
 * @title: RankingTest
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/18 15:54
 */
@SpringBootTest
@Slf4j
public classRankingTest{
privatefinal String KEY_RANKING = "ranking";
@Autowired
RedisTemplate redisTemplate;
@Test
voidtest(){
add(1001, (double) 60);
add(1002, (double) 80);
add(1003, (double) 100);
add(1004, (double) 90);
add(1005, (double) 70);
// 取所有
Set<DefaultTypedTuple> range = range(0, -1);
log.info("所有用户排序：{}", range);
// 前三名
range = range(0, 2);
log.info("前三名排序：{}", range);
}
public Boolean add(Integer userId, Double score){
Boolean add = redisTemplate.opsForZSet().add(KEY_RANKING, userId, score);
return add;
}
public Set<DefaultTypedTuple> range(long min, long max){
// 降序
Set<DefaultTypedTuple> set = redisTemplate.opsForZSet().reverseRangeWithScores(KEY_RANKING, min, max);
// 升序
//Set<DefaultTypedTuple> set = redisTemplate.opsForZSet().rangeWithScores(KEY_RANKING, min, max);
return set;
}
}







输出

所有用户排序：[DefaultTypedTuple [score=100.0, value=1003], DefaultTypedTuple [score=90.0, value=1004], DefaultTypedTuple [score=80.0, value=1002], DefaultTypedTuple [score=70.0, value=1005], DefaultTypedTuple [score=60.0, value=1001]]
前三名排序：[DefaultTypedTuple [score=100.0, value=1003], DefaultTypedTuple [score=90.0, value=1004], DefaultTypedTuple [score=80.0, value=1002]]


5 PV统计（incr自增计数）

Page View（PV）指的是页面浏览量，是用来衡量流量的一个重要标准，也是数据分析很重要的一个依据；通常统计规则是页面被展示一次，就加一

功能所需命令

Redis-cli 操作

127.0.0.1:6379> INCR pv:article:1
(integer) 1
127.0.0.1:6379> INCR pv:article:1
(integer) 2


6 UV统计（HeyperLogLog）

前面，介绍了通过（INCR）方式来实现页面的PV；除了PV之外，UV（独立访客）也是一个很重要的统计数据；

但是如果要想通过计数（INCR）的方式来实现UV计数，就非常的麻烦，增加之前，需要判断这个用户是否访问过；那判断依据就需要额外的方式再进行记录。

你可能会说，不是还有Set嘛！一个页面弄个集合，来一个用户塞（SADD）一个用户进去，要统计UV的时候，再通过SCARD汇总一下数量，就能轻松搞定了；此方案确实能实现UV的统计效果，但是忽略了成本；如果是普通页面，几百、几千的访问，可能造成的影响微乎其微，如果一旦遇到爆款页面，动辄上千万、上亿用户访问时，就一个页面UV将会带来非常大的内存开销，对于如此珍贵的内存来说，这显然是不划算的。

此时，HeyperLogLog数据结构，就能完美的解决这一问题，它提供了一种 不精准的去重计数 方案，注意！这里强调一下，是不精准的，会存在误差，不过误差也不会很大，**标准的误差率是0.81%**，这个误差率对于统计UV计数，是能够容忍的；所以，不要将这个数据结构拿去做精准的去重计数。

另外，HeyperLogLog 是会 占用12KB的存储空间 ，虽然说，Redis 对 HeyperLogLog 进行了优化，在存储数据比较少的时候，采用了稀疏矩阵存储，只有在数据量变大，稀疏矩阵空间占用超过阈值时，才会转为空间为12KB的稠密矩阵；相比于成千、上亿的数据量，这小小的12KB，简直是太划算了；但是还是建议，不要将其用于数据量少，且频繁创建 HeyperLogLog 的场景，避免使用不当，造成资源消耗没减反增的不良效果。

功能所需命令：

Redis-cli 操作

# 添加三个用户的访问
127.0.0.1:6379> PFADD uv:page:1 user1 user2 user3
(integer) 1
# 获取UV数量
127.0.0.1:6379> PFCOUNT uv:page:1
(integer) 3
# 再添加三个用户的访问 user3是重复用户
127.0.0.1:6379> PFADD uv:page:1 user3 user4 user5
(integer) 1
# 获取UV数量 user3是重复用户 所以这里返回的是5
127.0.0.1:6379> PFCOUNT uv:page:1
(integer) 5

SpringBoot操作HeyperLogLog

模拟测试10000个用户访问id为2的页面

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.redis.core.RedisTemplate;
/**
 * @author 一行Java
 * @title: HeyperLogLog 统计UV
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/19 16:13
 */
@SpringBootTest
@Slf4j
public classUVTest{
privatefinal String KEY_UV_PAGE_PROFIX = "uv:page:";
@Autowired
RedisTemplate redisTemplate;
@Test
publicvoiduvTest(){
Integer pageId = 2;
for (int i = 0; i < 10000; i++) {
uv(pageId, i);
}
for (int i = 0; i < 10000; i++) {
uv(pageId, i);
}
Long uv = getUv(pageId);
log.info("pageId:{} uv:{}", pageId, uv);
}
/**
* 用户访问页面
* @param pageId
* @param userId
* @return
*/
private Long uv(Integer pageId, Integer userId){
String key = KEY_UV_PAGE_PROFIX + pageId;
return redisTemplate.opsForHyperLogLog().add(key, userId);
}
/**
* 统计页面的UV
* @param pageId
* @return
*/
private Long getUv(Integer pageId){
String key = KEY_UV_PAGE_PROFIX + pageId;
return redisTemplate.opsForHyperLogLog().size(key);
}
}






日志输出

pageId:2 uv:10023


由于存在误差，这里访问的实际访问的数量是1万，统计出来的多了23个，在标准的误差（0.81%）范围内，加上UV数据不是必须要求准确，因此这个误差是可以接受的。

7 去重（BloomFiler）

通过上面HeyperLogLog的学习，我们掌握了一种 不精准的去重计数 方案，但是有没有发现，他没办法获取某个用户是否访问过；理想中，我们是希望有一个 PFEXISTS 的命令，来判断某个key是否存在，然而HeyperLogLog并没有；要想实现这一需求，就得 BloomFiler 上场了。

举个例子 ：假如你写了一个爬虫，用于爬取网络中的所有页面，当你拿到一个新的页面时，如何判断这个页面是否爬取过？

普通做法 ：每爬取一个页面，往数据库插入一行数据，记录一下URL，每次拿到一个新的页面，就去数据库里面查询一下，存在就说明爬取过；

普通做法的缺点 ：少量数据，用传统方案没啥问题，如果是海量数据，每次爬取前的检索，将会越来越慢；如果你的爬虫只关心内容，对来源数据不太关心的话，这部分数据的存储，也将消耗你很大的物理资源；

此时通过 BloomFiler 就能以很小的内存空间作为代价，即可轻松判断某个值是否存在。

同样，BloomFiler 也不那么精准，在默认参数情况下，是存在1%左右的误差；但是 BloomFiler 是允许通过error_rate（误差率）以及initial_size（预计大小）来设置他的误差比例

BloomFiler 安装

为了方便测试，这里使用 Docker 快速安装

docker run -d -p 6379:6379 redislabs/rebloom


功能所需的命令

Redis-cli操作

127.0.0.1:6379> bf.add web:crawler baidu
(integer) 1
127.0.0.1:6379> bf.madd web:crawler tencent bing
1) (integer) 1
2) (integer) 1
127.0.0.1:6379> bf.exists web:crawler baidu
(integer) 1
127.0.0.1:6379> bf.mexists web:crawler baidu 163
1) (integer) 1
2) (integer) 0


SpringBoot整合

8 用户签到（BitMap）

很多APP为了拉动用户活跃度，往往都会做一些活动，比如连续签到领积分/礼包等等

传统做法 ：用户每次签到时，往是数据库插入一条签到数据，展示的时候，把本月（或者指定周期）的签到数据获取出来，用于判断用户是否签到、以及连续签到情况；此方式，简单，理解容易；

Redis做法 ：由于签到数据的关注点就2个：是否签到（0/1）、连续性，因此就完全可以利用BitMap（位图）来实现；

如上图所示，将一个月的31天，用31个位（4个字节）来表示，偏移量（offset）代表当前是第几天，0/1表示当前是否签到，连续签到只需从右往左校验连续为1的位数；

由于String类型的最大上限是512M，转换为bit则是2^32个bit位。

所需命令：

需求：假如当前为8月4号，检测本月的签到情况，用户分别于1、3、4号签到过

Redis-cli 操作：

# 8月1号的签到
127.0.0.1:6379> SETBIT RangeId:Sign:1:889901
(integer) 1
# 8月3号的签到
127.0.0.1:6379> SETBIT RangeId:Sign:1:889921
(integer) 1
# 8月4号的签到
127.0.0.1:6379> SETBIT RangeId:Sign:1:889931
(integer) 1
# 查询各天的签到情况
# 查询1号
127.0.0.1:6379> GETBIT RangeId:Sign:1:88990
(integer) 1
# 查询2号
127.0.0.1:6379> GETBIT RangeId:Sign:1:88991
(integer) 0
# 查询3号
127.0.0.1:6379> GETBIT RangeId:Sign:1:88992
(integer) 1
# 查询4号
127.0.0.1:6379> GETBIT RangeId:Sign:1:88993
(integer) 1
# 查询指定区间的签到情况
127.0.0.1:6379> BITFIELD RangeId:Sign:1:8899 get u4 0
1) (integer) 11




1-4号的签到情况为：1011（二进制） ==> 11（十进制）

是否签到、连续签到判断

签到功能中，最不好理解的就是是否签到、连续签到的判断，在下面SpringBoot代码中，就是通过这样的： signFlag >> 1 << 1 != signFlag 来判断的，稍微有一点不好理解，在这里提前讲述一下；

上面测试了1-4号的签到情况，通过 BITFIELD 获取出来signFlag = 11（十进制） = 1011（二进制）；

连续签到的判断依据就是： 从右往左计算连续为1的BIT个数 ，二进制 1011 表示连续签到的天数就是2天，2天的计算过程如下：

理解上面的逻辑之后，再来看下面的SpringBoot代码，就会容易很多了；

SpringBoot实现签到

签到的方式一般就两种，按月（周）/ 自定义周期，下面将两种方式的签到全部列举出来，以供大家参考：

按月签到

签到工具类：

import lombok.extern.slf4j.Slf4j;
import org.joda.time.DateTime;
import org.joda.time.format.DateTimeFormat;
import org.joda.time.format.DateTimeFormatter;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.redis.connection.BitFieldSubCommands;
import org.springframework.data.redis.core.RedisCallback;
import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.stereotype.Service;
import org.springframework.util.CollectionUtils;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
/**
 * @author 一行Java
 * @title: 按月签到
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/18 18:28
 */
@Slf4j
@Service
public classSignByMonthServiceImpl{
@Autowired
StringRedisTemplate stringRedisTemplate;
privateintdayOfMonth(){
DateTime dateTime = new DateTime();
return dateTime.dayOfMonth().get();
}
/**
* 按照月份和用户ID生成用户签到标识 UserId:Sign:560:2021-08
*
* @param userId 用户id
* @return
*/
private String signKeyWitMouth(String userId){
DateTime dateTime = new DateTime();
DateTimeFormatter fmt = DateTimeFormat.forPattern("yyyy-MM");
StringBuilder builder = new StringBuilder("UserId:Sign:");
builder.append(userId).append(":")
.append(dateTime.toString(fmt));
return builder.toString();
}
/**
* 设置标记位
* 标记是否签到
*
* @param key
* @param offset
* @param tag
* @return
*/
public Boolean sign(String key, long offset, boolean tag){
returnthis.stringRedisTemplate.opsForValue().setBit(key, offset, tag);
}

/**
* 统计计数
*
* @param key 用户标识
* @return
*/
publiclongbitCount(String key){
return stringRedisTemplate.execute((RedisCallback<Long>) redisConnection -> redisConnection.bitCount(key.getBytes()));
}
/**
* 获取多字节位域
*/
public List<Long> bitfield(String buildSignKey, int limit, long offset){
returnthis.stringRedisTemplate
.opsForValue()
.bitField(buildSignKey, BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(limit)).valueAt(offset));
}

/**
* 判断是否被标记
*
* @param key
* @param offest
* @return
*/
public Boolean container(String key, long offest){
returnthis.stringRedisTemplate.opsForValue().getBit(key, offest);
}

/**
* 用户今天是否签到
*
* @param userId
* @return
*/
publicintcheckSign(String userId){
DateTime dateTime = new DateTime();
String signKey = this.signKeyWitMouth(userId);
int offset = dateTime.getDayOfMonth() - 1;
int value = this.container(signKey, offset) ? 1 : 0;
return value;
}

/**
* 查询用户当月签到日历
*
* @param userId
* @return
*/
public Map<String, Boolean> querySignedInMonth(String userId){
DateTime dateTime = new DateTime();
int lengthOfMonth = dateTime.dayOfMonth().getMaximumValue();
Map<String, Boolean> signedInMap = new HashMap<>(dateTime.getDayOfMonth());
String signKey = this.signKeyWitMouth(userId);
List<Long> bitfield = this.bitfield(signKey, lengthOfMonth, 0);
if (!CollectionUtils.isEmpty(bitfield)) {
long signFlag = bitfield.get(0) == null ? 0 : bitfield.get(0);
DateTimeFormatter fmt = DateTimeFormat.forPattern("yyyy-MM-dd");
for (int i = lengthOfMonth; i > 0; i--) {
DateTime dateTime1 = dateTime.withDayOfMonth(i);
signedInMap.put(dateTime1.toString(fmt), signFlag >> 1 << 1 != signFlag);
signFlag >>= 1;
}
}
return signedInMap;
}

/**
* 用户签到
*
* @param userId
* @return
*/
publicbooleansignWithUserId(String userId){
int dayOfMonth = this.dayOfMonth();
String signKey = this.signKeyWitMouth(userId);
long offset = (long) dayOfMonth - 1;
boolean re = false;
if (Boolean.TRUE.equals(this.sign(signKey, offset, Boolean.TRUE))) {
re = true;
}
// 查询用户连续签到次数,最大连续次数为7天
long continuousSignCount = this.queryContinuousSignCount(userId, 7);
return re;
}
/**
* 统计当前月份一共签到天数
*
* @param userId
*/
publiclongcountSignedInDayOfMonth(String userId){
String signKey = this.signKeyWitMouth(userId);
returnthis.bitCount(signKey);
}

/**
* 查询用户当月连续签到次数
*
* @param userId
* @return
*/
publiclongqueryContinuousSignCountOfMonth(String userId){
int signCount = 0;
String signKey = this.signKeyWitMouth(userId);
int dayOfMonth = this.dayOfMonth();
List<Long> bitfield = this.bitfield(signKey, dayOfMonth, 0);
if (!CollectionUtils.isEmpty(bitfield)) {
long signFlag = bitfield.get(0) == null ? 0 : bitfield.get(0);
DateTime dateTime = new DateTime();
// 连续不为0即为连续签到次数，当天未签到情况下
for (int i = 0; i < dateTime.getDayOfMonth(); i++) {
if (signFlag >> 1 << 1 == signFlag) {
if (i > 0) break;
} else {
signCount += 1;
}
signFlag >>= 1;
}
}
return signCount;
}

/**
* 以7天一个周期连续签到次数
*
* @param period 周期
* @return
*/
publiclongqueryContinuousSignCount(String userId, Integer period){
//查询目前连续签到次数
long count = this.queryContinuousSignCountOfMonth(userId);
//按最大连续签到取余
if (period != null && period < count) {
long num = count % period;
if (num == 0) {
count = period;
} else {
count = num;
}
}
return count;
}
}






















测试类：

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.redis.core.StringRedisTemplate;
import java.util.Map;
/**
 * @author 一行Java
 * @title: SignTest2
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/19 12:06
 */
@SpringBootTest
@Slf4j
public classSignTest2{
@Autowired
private SignByMonthServiceImpl signByMonthService;
@Autowired
private StringRedisTemplate redisTemplate;
/**
* 测试用户按月签到
*/
@Test
publicvoidquerySignDay(){
//模拟用户签到
//for(int i=5;i<19;i++){
redisTemplate.opsForValue().setBit("UserId:Sign:560:2022-08", 0, true);
//}
System.out.println("560用户今日是否已签到:" + this.signByMonthService.checkSign("560"));
Map<String, Boolean> stringBooleanMap = this.signByMonthService.querySignedInMonth("560");
System.out.println("本月签到情况:");
for (Map.Entry<String, Boolean> entry : stringBooleanMap.entrySet()) {
System.out.println(entry.getKey() + ": " + (entry.getValue() ? "√" : "-"));
}
long countSignedInDayOfMonth = this.signByMonthService.countSignedInDayOfMonth("560");
System.out.println("本月一共签到:" + countSignedInDayOfMonth + "天");
System.out.println("目前连续签到:" + this.signByMonthService.queryContinuousSignCount("560", 7) + "天");
}
}





执行日志：

c.e.r.bitmap_sign_by_month.SignTest2 : 560用户今日是否已签到:0
c.e.r.bitmap_sign_by_month.SignTest2 : 本月签到情况:
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-12: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-11: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-10: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-31: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-30: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-19: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-18: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-17: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-16: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-15: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-14: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-13: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-23: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-01: √
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-22: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-21: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-20: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-09: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-08: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-29: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-07: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-28: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-06: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-27: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-05: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-26: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-04: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-25: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-03: √
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-24: -
c.e.r.bitmap_sign_by_month.SignTest2 : 2022-08-02: -
c.e.r.bitmap_sign_by_month.SignTest2 : 本月一共签到:2天
c.e.r.bitmap_sign_by_month.SignTest2 : 目前连续签到:1天


指定时间签到

签到工具类：

package com.ehang.redis.bitmap_sign_by_range;
import lombok.extern.slf4j.Slf4j;
import org.joda.time.DateTime;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.redis.connection.BitFieldSubCommands;
import org.springframework.data.redis.core.RedisCallback;
import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.stereotype.Service;
import org.springframework.util.CollectionUtils;
import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
/**
 * @author 一行Java
 * @title: SignByRangeServiceImpl
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/19 12:27
 */
@Slf4j
@Service
public classSignByRangeServiceImpl{
@Autowired
StringRedisTemplate stringRedisTemplate;
/**
* 根据区间的id 以及用户id 拼接key
*
* @param rangeId 区间ID 一般是指定活动的ID等
* @param userId 用户的ID
* @return
*/
private String signKey(Integer rangeId, Integer userId){
StringBuilder builder = new StringBuilder("RangeId:Sign:");
builder.append(rangeId).append(":")
.append(userId);
return builder.toString();
}
/**
* 获取当前时间与起始时间的间隔天数
*
* @param start 起始时间
* @return
*/
privateintintervalTime(LocalDateTime start){
return (int) (LocalDateTime.now().toLocalDate().toEpochDay() - start.toLocalDate().toEpochDay());
}
/**
* 设置标记位
* 标记是否签到
*
* @param key 签到的key
* @param offset 偏移量 一般是指当前时间离起始时间（活动开始）的天数
* @param tag 是否签到 true:签到 false:未签到
* @return
*/
private Boolean setBit(String key, long offset, boolean tag){
returnthis.stringRedisTemplate.opsForValue().setBit(key, offset, tag);
}
/**
* 统计计数
*
* @param key 统计的key
* @return
*/
privatelongbitCount(String key){
return stringRedisTemplate.execute((RedisCallback<Long>) redisConnection -> redisConnection.bitCount(key.getBytes()));
}
/**
* 获取多字节位域
*
* @param key 缓存的key
* @param limit 获取多少
* @param offset 偏移量是多少
* @return
*/
private List<Long> bitfield(String key, int limit, long offset){
returnthis.stringRedisTemplate
.opsForValue()
.bitField(key, BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(limit)).valueAt(offset));
}
/**
* 判断是否签到
*
* @param key 缓存的key
* @param offest 偏移量 指当前时间距离起始时间的天数
* @return
*/
private Boolean container(String key, long offest){
returnthis.stringRedisTemplate.opsForValue().getBit(key, offest);
}
/**
* 根据起始时间进行签到
*
* @param rangeId
* @param userId
* @param start
* @return
*/
public Boolean sign(Integer rangeId, Integer userId, LocalDateTime start){
int offset = intervalTime(start);
String key = signKey(rangeId, userId);
return setBit(key, offset, true);
}
/**
* 根据偏移量签到
*
* @param rangeId
* @param userId
* @param offset
* @return
*/
public Boolean sign(Integer rangeId, Integer userId, long offset){
String key = signKey(rangeId, userId);
return setBit(key, offset, true);
}
/**
* 用户今天是否签到
*
* @param userId
* @return
*/
public Boolean checkSign(Integer rangeId, Integer userId, LocalDateTime start){
long offset = intervalTime(start);
String key = this.signKey(rangeId, userId);
returnthis.container(key, offset);
}
/**
* 统计当前月份一共签到天数
*
* @param userId
*/
publiclongcountSigned(Integer rangeId, Integer userId){
String signKey = this.signKey(rangeId, userId);
returnthis.bitCount(signKey);
}
public Map<String, Boolean> querySigned(Integer rangeId, Integer userId, LocalDateTime start){
int days = intervalTime(start);
Map<String, Boolean> signedInMap = new HashMap<>(days);
String signKey = this.signKey(rangeId, userId);
List<Long> bitfield = this.bitfield(signKey, days + 1, 0);
if (!CollectionUtils.isEmpty(bitfield)) {
long signFlag = bitfield.get(0) == null ? 0 : bitfield.get(0);
DateTimeFormatter fmt = DateTimeFormatter.ofPattern("yyyy-MM-dd");
for (int i = days; i >= 0; i--) {
LocalDateTime localDateTime = start.plusDays(i);
signedInMap.put(localDateTime.format(fmt), signFlag >> 1 << 1 != signFlag);
signFlag >>= 1;
}
}
return signedInMap;
}
/**
* 查询用户当月连续签到次数
*
* @param userId
* @return
*/
publiclongqueryContinuousSignCount(Integer rangeId, Integer userId, LocalDateTime start){
int signCount = 0;
String signKey = this.signKey(rangeId, userId);
int days = this.intervalTime(start);
List<Long> bitfield = this.bitfield(signKey, days + 1, 0);
if (!CollectionUtils.isEmpty(bitfield)) {
long signFlag = bitfield.get(0) == null ? 0 : bitfield.get(0);
DateTime dateTime = new DateTime();
// 连续不为0即为连续签到次数，当天未签到情况下
for (int i = 0; i < dateTime.getDayOfMonth(); i++) {
if (signFlag >> 1 << 1 == signFlag) {
if (i > 0) break;
} else {
signCount += 1;
}
signFlag >>= 1;
}
}
return signCount;
}
}



















测试工具类：

package com.ehang.redis.bitmap_sign_by_range;
import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.util.Map;
/**
 * @author 一行Java
 * @title: SignTest
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/18 16:11
 */
@SpringBootTest
@Slf4j
public classSignTest{
@Autowired
SignByRangeServiceImpl signByRangeService;

@Test
voidtest(){
DateTimeFormatter isoDateTime = DateTimeFormatter.ISO_DATE_TIME;
// 活动开始时间
LocalDateTime start = LocalDateTime.of(2022, 8, 1, 1, 0, 0);
Integer rangeId = 1;
Integer userId = 8899;
log.info("签到开始时间: {}", start.format(isoDateTime));
log.info("活动ID: {} 用户ID: {}", rangeId, userId);
// 手动指定偏移量签到
signByRangeService.sign(rangeId, userId, 0);
// 判断是否签到
Boolean signed = signByRangeService.checkSign(rangeId, userId, start);
log.info("今日是否签到: {}", signed ? "√" : "-");
// 签到
Boolean sign = signByRangeService.sign(rangeId, userId, start);
log.info("签到操作之前的签到状态：{} （-：表示今日第一次签到，√：表示今天已经签到过了）", sign ? "√" : "-");
// 签到总数
long countSigned = signByRangeService.countSigned(rangeId, userId);
log.info("总共签到: {} 天", countSigned);
// 连续签到的次数
long continuousSignCount = signByRangeService.queryContinuousSignCount(rangeId, userId, start);
log.info("连续签到: {} 天", continuousSignCount);
// 签到的详情
Map<String, Boolean> stringBooleanMap = signByRangeService.querySigned(rangeId, userId, start);
for (Map.Entry<String, Boolean> entry : stringBooleanMap.entrySet()) {
log.info("签到详情> {} : {}", entry.getKey(), (entry.getValue() ? "√" : "-"));
}
}
}










输出日志：

签到开始时间: 2022-08-01T01:00:00
活动ID: 1 用户ID: 8899
今日是否签到: √
签到操作之前的签到状态：√ （-：表示今日第一次签到，√：表示今天已经签到过了）
总共签到: 3 天
连续签到: 2 天
签到详情> 2022-08-01 : √
签到详情> 2022-08-04 : √
签到详情> 2022-08-03 : √
签到详情> 2022-08-02 : -


9 GEO搜附近

很多生活类的APP都具备一个搜索附近的功能，比如美团搜索附近的商家；

如果自己想要根据经纬度来实现一个搜索附近的功能，是非常麻烦的；但是Redis 在3.2的版本新增了Redis GEO，用于存储地址位置信息，并对支持范围搜索；基于GEO就能轻松且快速的开发一个搜索附近的功能；

GEO API 及Redis-cli 操作：

SpringBoot 操作

通过SpringBoot操作GEO的示例如下

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.geo.*;
import org.springframework.data.redis.connection.RedisGeoCommands;
import org.springframework.data.redis.core.RedisTemplate;
import java.util.List;
/**
 * @author 一行Java
 * @title: GEOTest
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/7/28 17:29
 */
@SpringBootTest
@Slf4j
public classGEOTest{
privatefinal String KEY = "geo:drinks";
@Autowired
RedisTemplate redisTemplate;
@Test
publicvoidtest(){
add("starbucks", new Point(116.62445, 39.86206));
add("yidiandian", new Point(117.3514785, 38.7501247));
add("xicha", new Point(116.538542, 39.75412));
get("starbucks", "yidiandian", "xicha");
GeoResults nearByXY = getNearByXY(new Point(116, 39), new Distance(120, Metrics.KILOMETERS));
List<GeoResult> content = nearByXY.getContent();
for (GeoResult geoResult : content) {
log.info("{}", geoResult.getContent());
}
GeoResults nearByPlace = getNearByPlace("starbucks", new Distance(120, Metrics.KILOMETERS));
content = nearByPlace.getContent();
for (GeoResult geoResult : content) {
log.info("{}", geoResult.getContent());
}
getGeoHash("starbucks", "yidiandian", "xicha");
del("yidiandian", "xicha");
}
privatevoidadd(String name, Point point){
Long add = redisTemplate.opsForGeo().add(KEY, point, name);
log.info("成功添加名称：{} 的坐标信息信息：{}", name, point);
}

privatevoidget(String... names){
List<Point> position = redisTemplate.opsForGeo().position(KEY, names);
log.info("获取名称为：{} 的坐标信息：{}", names, position);
}
privatevoiddel(String... names){
Long remove = redisTemplate.opsForGeo().remove(KEY, names);
log.info("删除名称为：{} 的坐标信息数量：{}", names, remove);
}
/**
* 根据坐标 获取指定范围的位置
*
* @param point
* @param distance
* @return
*/
private GeoResults getNearByXY(Point point, Distance distance){
Circle circle = new Circle(point, distance);
RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.
newGeoRadiusArgs().
includeDistance(). // 包含距离
includeCoordinates(). // 包含坐标
sortAscending(). // 排序 还可选sortDescending()
limit(5); // 获取前多少个
GeoResults geoResults = redisTemplate.opsForGeo().radius(KEY, circle, args);
log.info("根据坐标获取：{} {} 范围的数据：{}", point, distance, geoResults);
return geoResults;
}
/**
* 根据一个位置，获取指定范围内的其他位置
*
* @param name
* @param distance
* @return
*/
private GeoResults getNearByPlace(String name, Distance distance){
RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.
newGeoRadiusArgs().
includeDistance(). // 包含距离
includeCoordinates(). // 包含坐标
sortAscending(). // 排序 还可选sortDescending()
limit(5); // 获取前多少个
GeoResults geoResults = redisTemplate.opsForGeo()
.radius(KEY, name, distance, args);
log.info("根据位置：{} 获取： {} 范围的数据：{}", name, distance, geoResults);
return geoResults;
}
/**
* 获取GEO HASH
*
* @param names
* @return
*/
private List<String> getGeoHash(String... names){
List<String> hash = redisTemplate.opsForGeo().hash(KEY, names);
log.info("names：{} 对应的hash：{}", names, hash);
return hash;
}
}















执行日志：

成功添加名称：starbucks 的坐标信息信息：Point [x=116.624450, y=39.862060]
成功添加名称：yidiandian 的坐标信息信息：Point [x=117.351479, y=38.750125]
成功添加名称：xicha 的坐标信息信息：Point [x=116.538542, y=39.754120]
获取名称为：[starbucks, yidiandian, xicha] 的坐标信息：[Point [x=116.624452, y=39.862060], Point [x=117.351480, y=38.750124], Point [x=116.538540, y=39.754119]]
根据坐标获取：Point [x=116.000000, y=39.000000] 120.0 KILOMETERS 范围的数据：GeoResults: [averageDistance: 102.8394 KILOMETERS, results: GeoResult [content: RedisGeoCommands.GeoLocation(name=xicha, point=Point [x=116.538540, y=39.754119]), distance: 95.8085 KILOMETERS, ],GeoResult [content: RedisGeoCommands.GeoLocation(name=starbucks, point=Point [x=116.624452, y=39.862060]), distance: 109.8703 KILOMETERS, ]]
RedisGeoCommands.GeoLocation(name=xicha, point=Point [x=116.538540, y=39.754119])
RedisGeoCommands.GeoLocation(name=starbucks, point=Point [x=116.624452, y=39.862060])
根据位置：starbucks 获取： 120.0 KILOMETERS 范围的数据：GeoResults: [averageDistance: 7.03605 KILOMETERS, results: GeoResult [content: RedisGeoCommands.GeoLocation(name=starbucks, point=Point [x=116.624452, y=39.862060]), distance: 0.0 KILOMETERS, ],GeoResult [content: RedisGeoCommands.GeoLocation(name=xicha, point=Point [x=116.538540, y=39.754119]), distance: 14.0721 KILOMETERS, ]]
RedisGeoCommands.GeoLocation(name=starbucks, point=Point [x=116.624452, y=39.862060])
RedisGeoCommands.GeoLocation(name=xicha, point=Point [x=116.538540, y=39.754119])
names：[starbucks, yidiandian, xicha] 对应的hash：[wx4fvbem6d0, wwgkqqhxzd0, wx4f5vhb8b0]
删除名称为：[yidiandian, xicha] 的坐标信息数量：2





10 简单限流

为了保证项目的安全稳定运行，防止被恶意的用户或者异常的流量打垮整个系统，一般都会加上限流，比如常见的 sential 、 hystrix ，都是实现限流控制；如果项目用到了Redis，也可以利用Redis，来实现一个简单的限流功能；

功能所需命令

Redis-cli操作

127.0.0.1:6379> INCR r:f:user1
(integer) 1
# 第一次 设置一个过期时间
127.0.0.1:6379> EXPIRE r:f:user1 5
(integer) 1
127.0.0.1:6379> INCR r:f:user1
(integer) 2
# 等待5s 再次增加 发现已经重置了
127.0.0.1:6379> INCR r:f:user1
(integer) 1


SpringBoot示例：

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.redis.core.RedisTemplate;
import java.util.concurrent.TimeUnit;
/**
 * @author 一行Java
 * @title: 基于Redis的简单限流
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/8/2 9:43
 */
@SpringBootTest
@Slf4j
public classFreqTest{
// 单位时间（秒）
privatestaticfinal Integer TIME = 5;
// 允许访问上限次数
privatestaticfinal Integer MAX = 100;
@Autowired
RedisTemplate redisTemplate;
@Test
publicvoidtest()throws Exception {
String userName = "user1";
int tag = 1;
boolean frequency = frequency(userName);
log.info("第{}次是否放行：{}", tag, frequency);
for (int i = 0; i < 100; i++) {
tag += 1;
frequency(userName);
}
frequency = frequency(userName);
log.info("第{}次是否放行：{}", tag, frequency);
Thread.sleep(5000);
frequency = frequency(userName);
log.info("模拟等待5s后，第{}次是否放行：{}", tag, frequency);
}
/**
* 校验访问频率
*
* @param uniqueId 用于限流的唯一ID 可以是用户ID、或者客户端IP等
* @return true：放行 false：拦截
*/
privatebooleanfrequency(String uniqueId){
String key = "r:q:" + uniqueId;
Long increment = redisTemplate.opsForValue().increment(key);
if (increment == 1) {
redisTemplate.expire(key, TIME, TimeUnit.SECONDS);
}
if (increment <= MAX) {
returntrue;
}
returnfalse;
}
}










运行日志：

user1 第1次请求是否放行：true
user1 第101次请求是否放行：false
模拟等待5s后，user1 第101次请求是否放行：true


11 全局ID

在分布式系统中，很多场景下需要全局的唯一ID，由于Redis是独立于业务服务的其他应用，就可以利用 Incr 的原子性操作来生成全局的唯一递增ID

功能所需命令

Redis-cli 客户端测试

127.0.0.1:6379> incr g:uid
(integer) 1
127.0.0.1:6379> incr g:uid
(integer) 2
127.0.0.1:6379> incr g:uid
(integer) 3


12 简单分布式锁

在分布式系统中，很多操作是需要用到分布式锁，防止并发操作带来一些问题；因为redis是独立于分布式系统外的其他服务，因此就可以利用redis，来实现一个简单的 不完美 分布式锁；

功能所需命令

不完美的锁

上面的方案，虽然解决了死锁的问题，但是又带来了一个新的问题，执行时间如果长于自动释放的时间（比如自动释放是5秒，但是业务执行耗时了8秒），那么在第5秒的时候，锁就自动释放了，此时其他的线程就能正常拿到锁，简单流程如下：

此时相同颜色部分的时间区间是由多线程同时在执行。而且此问题在此方案下并 没有完美的解决方案，只能做到尽可能的避免 ：

13 认识的人/好友推荐

在支付宝、抖音、QQ等应用中，都会看到好友推荐；

好友推荐往往都是基于你的好友关系网来推荐，将你可能认识的人推荐给你，让你去添加好友，如果随意在系统找个人推荐给你，那你认识的可能性是非常小的，此时就失去了推荐的目的；

比如，A和B是好友，B和C是好友，此时A和C认识的概率是比较大的，就可以在A和C之间的好友推荐；

基于这个逻辑，就可以利用 Redis 的 Set 集合，缓存各个用户的好友列表，然后以差集的方式，来实现好友推荐；

功能所需的命令

Redis-cli 客户端测试

# 记录 用户1 的好友列表
127.0.0.1:6379> SADD fl:user1 user2 user3
(integer) 2
# 记录 用户2 的好友列表
127.0.0.1:6379> SADD fl:user2 user1 user4
(integer) 2
# 用户1 可能认识的人 ，把自己（user1）去掉，user4是可能认识的人
127.0.0.1:6379> SDIFF fl:user2 fl:user1
1) "user1"
2) "user4"
# 用户2 可能认识的人 ，把自己（user2）去掉，user3是可能认识的人
127.0.0.1:6379> SDIFF fl:user1 fl:user2
1) "user3"
2) "user2"


不过这只是推荐机制中的一种因素，可以借助其他条件，来增强推荐的准确度；

14 发布/订阅

发布/订阅是比较常用的一种模式；在分布式系统中，如果需要实时感知到一些变化，比如：某些配置发生变化需要实时同步，就可以用到发布，订阅功能

常用API

Redis-cli操作

如上图所示，左侧多个客户端订阅了频道，当右侧客户端往频道发送消息的时候，左侧客户端都能收到对应的消息。

15 消息队列

说到消息队列，常用的就是Kafka、RabbitMQ等等，其实 Redis 利用 List 也能实现一个消息队列；

功能所需的指令

依赖调整：

Spring Boot 从 2.0版本开始，将默认的Redis客户端Jedis替换为Lettuce，在测试这块阻塞的时候，会出现一个超时的异常 io.lettuce.core.RedisCommandTimeoutException: Command timed out after 1 minute(s) ；没有找到一个好的解决方式，所以这里将 Lettuce 换回成 Jedis ，就没有问题了，pom.xml 的配置如下：

<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-redis</artifactId>
<exclusions>
<exclusion>
<groupId>redis.clients</groupId>
<artifactId>jedis</artifactId>
</exclusion>
<exclusion>
<artifactId>lettuce-core</artifactId>
<groupId>io.lettuce</groupId>
</exclusion>
</exclusions>
</dependency>
<!-- jedis客户端 -->
<dependency>
<groupId>redis.clients</groupId>
<artifactId>jedis</artifactId>
</dependency>
<!-- spring2.X集成redis所需common-pool2，使用jedis必须依赖它-->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-pool2</artifactId>
</dependency>


测试代码：

import lombok.extern.slf4j.Slf4j;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import org.springframework.data.redis.core.StringRedisTemplate;
import java.util.concurrent.TimeUnit;
/**
 * @author 一行Java
 * @title: QueueTest
 * @projectName ehang-spring-boot
 * @description: TODO
 * @date 2022/8/5 14:27
 */
@SpringBootTest
@Slf4j
public classQueueTest{
privatestaticfinal String REDIS_LP_QUEUE = "redis:lp:queue";
privatestaticfinal String REDIS_RP_QUEUE = "redis:rp:queue";
@Autowired
StringRedisTemplate stringRedisTemplate;
/**
* 先进后出队列
*/
@Test
publicvoidrightMonitor(){
while (true) {
Object o = stringRedisTemplate.opsForList().rightPop(REDIS_LP_QUEUE, 0, TimeUnit.SECONDS);
log.info("先进后出队列 接收到数据：{}", o);
}
}
/**
* 先进先出队列
*/
@Test
publicvoidleftMonitor(){
while (true) {
Object o = stringRedisTemplate.opsForList().leftPop(REDIS_RP_QUEUE, 0, TimeUnit.SECONDS);
log.info("先进先出队列 接收到数据：{}", o);
}
}
}





不过，对消息的可靠性要求比较高的场景，建议还是使用专业的消息队列框架，当值被弹出之后，List 中就已经不存在对应的值了，假如此时程序崩溃，就会出现消息的丢失，无法保证可靠性；虽然说也有策略能够保证消息的可靠性，比如，在弹出的同时，将其保存到另外一个队列（BRPOPLPUSH），成功之后，再从另外的队列中移除，当消息处理失败或者异常，再重新进入队列执行，只是这样做就得不偿失了。

16 数据共享（session共享）

既然Redis能持久化数据，就可以用它来实现模块间的数据共享；SpringBoot Session 利用的这个机制来实现 Session 共享；

17 商品筛选

商城类的应用，都会有类似于下图的一个商品筛选的功能，来帮用户快速搜索理想的商品；

假如现在iphone 100 、华为mate 5000 已发布，在各大商城上线；下面就通过 Redis 的 set 来实现上述的商品筛选功能；

功能所需命令

Redis-cli 客户端测试

# 将iphone100 添加到品牌为苹果的集合
127.0.0.1:6379> sadd brand:apple iphone100
(integer) 1

# 将meta5000 添加到品牌为苹果的集合
127.0.0.1:6379> sadd brand:huawei meta5000
(integer) 1

# 将 meta5000 iphone100 添加到支持5T内存的集合
127.0.0.1:6379> sadd ram:5t iphone100 meta5000
(integer) 2

# 将 meta5000 添加到支持10T内存的集合
127.0.0.1:6379> sadd ram:10t meta5000
(integer) 1

# 将 iphone100 添加到操作系统是iOS的集合
127.0.0.1:6379> sadd os:ios iphone100
(integer) 1

# 将 meta5000 添加到操作系统是Android的集合
127.0.0.1:6379> sadd os:android meta5000
(integer) 1

# 将 iphone100 meta5000 添加到屏幕为6.0-6.29的集合中
127.0.0.1:6379> sadd screensize:6.0-6.29 iphone100 meta5000
(integer) 2

# 筛选内存5T、屏幕在6.0-6.29的机型
127.0.0.1:6379> sinter ram:5t screensize:6.0-6.29
1) "meta5000"
2) "iphone100"

# 筛选内存10T、屏幕在6.0-6.29的机型
127.0.0.1:6379> sinter ram:10t screensize:6.0-6.29
1) "meta5000"

# 筛选内存5T、系统为iOS的机型
127.0.0.1:6379> sinter ram:5t screensize:6.0-6.29 os:ios
1) "iphone100"

# 筛选内存5T、屏幕在6.0-6.29、品牌是华为的机型
127.0.0.1:6379> sinter ram:5t screensize:6.0-6.29 brand:huawei
1) "meta5000"


18 购物车

商品缓存

电商项目中，商品消息，都会做缓存处理，特别是热门商品，访问用户比较多，由于商品的结果比较复杂，店铺信息，产品信息，标题、描述、详情图，封面图；为了方便管理和操作，一般都会采用 Hash 的方式来存储（key为商品ID，field用来保存各项参数，value保存对于的值）

购物车

当商品信息做了缓存，购物车需要做的，就是通过Hash记录商品ID，以及需要购买的数量（其中key为用户信息，field为商品ID，value用来记录购买的数量） ；

功能所需命令

Redis-cli 客户端测试

# 购物车添加单个商品
127.0.0.1:6379> HSET sc:u1 c001 1
(integer) 1
# 购物车添加多个商品
127.0.0.1:6379> HMSET sc:u1 c002 1 coo3 2
OK
# 添加商品购买数量
127.0.0.1:6379> HINCRBY sc:u1 c002 1
(integer) 2
# 减少商品的购买数量
127.0.0.1:6379> HINCRBY sc:u1 c003 -1
(integer) 1
# 获取单个的购买数量
127.0.0.1:6379> HGET sc:u1 c002
"2"
# 获取购物车的商品数量
127.0.0.1:6379> HLEN sc:u1
(integer) 3
# 购物车详情
127.0.0.1:6379> HGETALL sc:u1
1) "c001"
2) "1"
3) "c002"
4) "2"
5) "coo3"
6) "2"


19 定时取消订单（key过期监听）

电商类的业务，一般都会有订单30分钟不支付，自动取消的功能，此时就需要用到定时任务框架，Quartz、xxl-job、elastic-job 是比较常用的 Java 定时任务；我们也可以通过 Redis 的定时过期、以及过期key的监听，来实现订单的取消功能；

1. redis 的过期删除策略是采用定时离线扫描，或者访问时懒性检测删除，并没有办法保证时效性，有可能key已经到期了，但Redis并没有扫描到，导致通知的延迟；

2. 消息发送即忘（fire and forget），并不会保证消息的可达性，如果此时服务不在线或者异常，通知就再也收不到了；

20 物流信息（时间线）

寄快递、网购的时候，查询物流信息，都会给我们展示xxx时候，快递到达什么地方了，这就是一个典型的时间线列表；

数据库的做法，就是每次变更就插入一条带时间的信息记录，然后根据时间和ID（ID是必须的，如果出现两个相同的时间，单纯时间排序，会造成顺序不对），来排序生成时间线；

我们也可以通过 Redis 的 List 来实现时间线功能，由于 List 采用的是双向链表，因此升序，降序的时间线都能正常满足；

Redis-cli 客户端测试

好了，关于Redis 的妙用，就介绍到这里；有了这些个场景的运用，下次再有面试官问你，Redis除了缓存还做过什么，相信聊上个1把小时，应该不成问题了。

测试源码：https://github.com/vehang/ehang-spring-boot/tree/main/spring-boot-011-redis

大部分用例都在test目录下

整理不易，期待您的点赞、分享、转发...

>>

END

精品资料，超赞福利，免费领

微信扫码/长按识别 添加【技术交流群】

群内每天分享精品学习资料

最近开发整理了一个用于速刷面试题的小程序；其中收录了上千道常见面试题及答案(包含基础、并发、JVM、MySQL、Redis、Spring、SpringMVC、SpringBoot、SpringCloud、消息队列等多个类型)，欢迎您的使用。

👇👇

👇点击"阅读原文"，获取更多资料（持续更新中）