文章目录

• Geo查找附近商铺
• BitMap实现用户签到
• UV统计

Geo查找附近商铺

Geo是GeoLocation的简称，代表地理坐标，在Redis 3.2中加入了对Geo的支持，允许存储地理坐标信息，常见的命令有:
①GEOADD key x y member [x2 y2 member]：向key中添加多个地理坐标，其中x,y是它的经纬度，member是key中的一个点
②GEODIST key member1 member2 : 获取key中的两个member之间的距离
③GEOHASH key member: 将key的member的坐标以hash字符串的形式返回
④GEOPOS key member: 获取key中的member的坐标
⑤GEOSEARCH key [FROMMEMBER member] [FROMLONLAT longitude latitude] [BYRADIUS radius m|km|ft|mi] [BYBOX width height m|km|ft|mi] [ASC|DESC] [COUNT count [ANY]] [WITHCOORD] [WITHDIST] [WITHHASH]:查找key中距离某一个位置在radis或者width范围内的member，其中查找区域可以是一个圆形或则矩形如果是圆形，那么是通过BYRADIUS radius m|km|ft|mi来说明，其中的m|km等说明的是查找范围的半径的单位，同理如果是BYBOX width height m|km|ft|mi则说明查找范围是一个矩形。WITHDIST则返回的数据中不仅仅返回的是key中在这个范围的member，同时返回这个member到参考点的距离。其中参考点可以选择key中的member，命令是FROMMEMBER member，如果希望自定义的参考点，那么就是FROMLONLAT x y。
值得注意的是，返回的点是默认根据distance升序返回的，也即根据ASC|DESC来指明返回结果是按照distance升序还是降序返回。
⑥GEOSEARCHSTORE: 作用和GEOSEARCH的是一样的，但是它可以将结果保存到指定的key中。
对应的命令运行结果如下所示:

所以我们可以利用命令GEOADD,来将店铺信息以及对应的地理信息添加到redis中，但是考虑到店铺的信息很多，此时如果店铺信息全部存入到redis中的时候就会导致内存占用的问题，因此只需要将店铺的id存入到redis中。
此外，如果希望查询某一个类别的店铺的时候，我们希望能够很快找到属于这一个类别的店铺，所以就需要根据redis中的key的层次结构来实现，因此对应的key就是geo:shop:typeId,key的值就是属于这个typeId的shopId.
因此如果希望查找某一个typeId的店铺的时候，就先从redis中获取所有的shopId，然后再根据得到的shopId来查找数据库从而得到Shop,最后返回给前端即可。
所以在利用Geo来查找附近的商铺的时候，我们需要先将shopId加入到redis中，对应的代码为：

/*** 将所有商铺的地理位置信息添加到redis中，其中因为* 商铺的信息很多，所以最后保存到redis中的是这个商铺的id以及地理位置，* 当我们查询某一个类别的商铺的时候，就会从redis中获取对应的商铺id，然后* 再查询数据库。*/
@Test
public void loadShopService(){//1、获取所有的商铺List shops = shopService.list();//2、根据商铺的类别id,从而进行分组Map> shopMaps = shops.stream().collect(Collectors.groupingBy(Shop::getTypeId));//3、遍历不同分组的店铺，然后写入到redis中for(Map.Entry> entry : shopMaps.entrySet()){//3.1 获取店铺类别idLong typeId = entry.getKey();String key = RedisConstants.SHOP_GEO_KEY + typeId;//3.2 获取属于这个类别的所有店铺idList value = entry.getValue();//3.3 将所有的店铺写入到redis中，通过命令GEOADD key x y member，其中//x,y就是店铺的位置，而member就是这个店铺的id/*这种方式需要遍历不同类别的店铺，并且是一条一条添加的，效率可能会有些低，所以采用的是批量插入到redis的方式value.forEach(shop -> {stringRedisTemplate.opsForGeo().add(key, new Point(shop.getX(), shop.getY()), shop.getId().toString());});*/List> iteration = new ArrayList<>(value.size());value.forEach(shop -> {iteration.add(new RedisGeoCommands.GeoLocation<>(shop.getId().toString(), new Point(shop.getX(), shop.getY())));});stringRedisTemplate.opsForGeo().add(key, iteration);}
}

将shopId保存到redis中之后，我们就可以去实现查找附近的店铺了，对应的api接口为ShopController中的queryByType,对应的url为shop/of/type,他会传递4个参数，分别是typeId, current(表示查询的是第current页的数据),x , y(表示x，y这个点作为参考点),其中x,y这2个参数并不是必须的，所以如果没有传递x,y这2个参数的时候，默认是查找第current页的所有店铺，否则就是查找x,y某个范围内的第current页的所有店铺。

所以对应的代码为:

@Override
public Result queryShopByType(Integer typeId, Integer current, Double x, Double y) {if(x == null || y == null){//1、x,y至少有1个为null，那么就是查询所有类型为typeId的第current的店铺Page page = query().eq("typeId", typeId).page(new Page(current, SystemConstants.DEFAULT_PAGE_SIZE));//1.1 获取第current页的所有记录List records = page.getRecords();return Result.ok(records);}int from = (current - 1) * SystemConstants.DEFAULT_PAGE_SIZE;int end = current * SystemConstants.DEFAULT_PAGE_SIZE;//2、查询x,y附近的所有店铺GEOSEARCH key FROMLONLAT x y BYRADIUS radius  withdist，并且默认根据distance升序返回的String key = RedisConstants.SHOP_GEO_KEY + typeId;GeoResults> results = stringRedisTemplate.opsForGeo().search(key,//以x,y这个点为圆心，半径为5千米的店铺GeoReference.fromCoordinate(x, y),new Distance(5000),//includeDistance表示返回的数据除了携带member信息之外，还包括距离圆心的距离//limit用来实现分页的，表示获取在这个范围内的点最多有end条(所以不仅仅包括了第current页的，也包括了之前的页的记录，因此下面需要调用skip方法，来获取第current页的记录RedisGeoCommands.GeoSearchCommandArgs.newGeoSearchArgs().includeDistance().limit(end));if(results == null){//2.1 如果距离圆心距离为5km的店铺一个都没有return Result.ok(Collections.emptyList());}List>> contents = results.getContent();if(contents.size() <= from){//2.2 如果查询到的距离圆心的距离的店铺比current - 1页还要少，那么第current页的记录就是空的return Result.ok(Collections.emptyList());}//2.3 获取第current页的店铺以及每个店铺距离当前圆心的距离List shopIds = new ArrayList<>();Map map = new HashMap<>();contents.stream().skip(from).forEach(result ->{//对于每个GeoLocation来说，存在2个属性name以及Point，point表示的是位置Long shopId = Long.parseLong(result.getContent().getName());shopIds.add(shopId);map.put(shopId, result.getDistance());});//3、获取shopIds中的所有Shop对象，然后将其返回，但是如果没有last方法中的order by子句//很容易导致最后shops的结果和上面的shopIds顺序不一样，因为在mysql中根据in子句    //查询，因此为了保证两者的顺序一样，才添加了last方法中的order by子句String idStr = StrUtil.join(",", shopIds);List shops = query().in("id", shopIds).last("ORDER BY FIELD (id," + idStr + ")").list();//3.1 获取每个shop到当前x,y点的距离shops.forEach(shop -> {shop.setDistance(map.get(shop.getId()).getValue());});return Result.ok(shops);
}

所以实现上面的API接口之后，那么最后的运行结果如下所示:

BitMap实现用户签到

在Redis中，通常利用BitMap这种数据结构来实现用户的签到，因为BitMap是一个二值统计状态的，所以通常用于判断用户是否登录，签到场景，常见的命令有:
①SETBIT key offset value : 设置key中的下标为offset的值为value
②GETBIT key offset: 获取key中的下标为offset的值
③BITFIELD key GET type offset: 这个命令表示获取key中从offset开始的，count为比特数字形成的数字，type说明形成数字对应的形式以及count，例如u2表示返回的是从offset开始的，共2个比特数字形成的无符号十进制数字，i2则表示的是从offset开始的，共2个比特数字形成的有符号十进制数字。但是BITFIELD并不仅仅可以执行获取操作，也可以执行修改、自增操作，只是通常用于获取操作。
④BITPOS key value: 获取第一次出现1或者0的下标
⑤BITCOUNT key： 统计key中一共有多少个1

所以我们要希望实现用户签到功能，那么就可以通过命令SETBIT,在Java客户端中，并没有opsForBit方法，那么应该执行操作呢？其实BitMap是基于String进行操作的，所以是通过opsForValue()，然后调用对应的方法执行的。
同时，要想实现用户签到，那么key的格式应该是userId:年月,因为这样可以清楚知道不同的用户在某一个时间的签到情况，而要设置第day天签到，那么就需要设置key中的下标为day - 1的值即可。所以对应的代码为:

/*** 实现用户签到功能，那么这时候需要利用到了bitmap数据结构* 通过命令setBit key offset value，来设置下标为offset的置为value* value只能为1、0.* 所以要统计某一个用户在哪一个时间签到，那么对应的key就是一个时间* 所以key = userId:currentDate* @return*/
@Override
public Result sign() {//1、获取当前的登录用户Long userId = UserHolder.getUser().getId();//2、获取当前的时间LocalDateTime dateTime = LocalDateTime.now();String dateString = dateTime.format(DateTimeFormatter.ofPattern(":yyyyMM"));//3、设置keyString key = RedisConstants.USER_SIGN_KEY + userId + dateString;//4、获取offset，来设置key中的哪一个bit位的值,这时候getDayOfMonth是从1开始的，所以还需要减1int day = dateTime.getDayOfMonth();//5、通过opsForValue调用setBit来实现签到功能stringRedisTemplate.opsForValue().setBit(key, day - 1, true);return Result.ok();
}

要想统计用于当前用户至今为止的连续签到次数，那么这时候仅仅通过GETBIT命令无法满足我们的要求，因为这个只能获取下标为offset的值，而我们需要获取范围的值，因此就需要利用BITFIELD命令了。要想获取至今为止的连续签到次数，也就是从当月的第1天到至今为止的连续签到次数，所以offset就是0，表示从当月的第1天开始，而要查day天的比特数据，因为至今为止一共有day天，所以就有day个比特数字。
但是需要获取的是连续签到天数，所以我们在获取从第1天到至今为止的十进制数字之后，就需要不断和1进行与运算，从而获取至今为止的签到天数，一旦比特数字为0，说明签到，此时就可以退出循环了，否则就不断右移。如下所示:

所以对应的代码为:

/*** 获取当前用户到当前这一天为止的连续签到次数* 这时候需要利用到了命令bitfield，它是可以获取从offset开始的，* 长度为len的比特数字对应的十进制数字。* 所以这时候我们因为需要统计的是从第一天开始，到今天为止* 的连续签到次数，那么获取从0开始，长度为day的比特数字对应的十进制数字* 然后再和1进行与运算，从而可以得知当前这一天为止的连续签到次数* @return*/
@Override
public Result signCount() {//1、获取当前的登录用户Long userId = UserHolder.getUser().getId();//2、 获取当前的日期LocalDateTime dateTime = LocalDateTime.now();String dateFormat = dateTime.format(DateTimeFormatter.ofPattern(":yyyyMM"));//3、 获取签到对应的keyString key = RedisConstants.USER_SIGN_KEY + userId + dateFormat;//4、 获取当前这一天是这个月份的第几天，对应的day就是我们需要统计多少个比特为的个数int day = dateTime.getDayOfMonth();//5、获取从0开始的，长度为day的二进制数字对应的无符号十进制数字//bitfield key get u[day] offset//之所以返回的是一个集合，因为BITFIELD也可同时进行其他的操作，例如SET，INCRList result = stringRedisTemplate.opsForValue().bitField(key,BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(day)).valueAt(0));if(result == null || result.isEmpty()){return Result.ok(0);}//6、获取对应的无符号十进制数字Long num = result.get(0);if(num == 0L || num == null){return Result.ok(0);}int count = 0;System.out.println(Long.toBinaryString(num));//6.1 统计到今天为止的连续签到次数while(true){if((num & 1) == 0){//如果当前的比特位为0，说明没有签到，直接退出break;}else{++count;}num >>>= 1;}return Result.ok(count);
}

UV统计

UV: 全称为Unique Visitor，也叫独立访客量，是指通过互联网、浏览这个网页的自然人。1天内同一个用户多次访问这个网站的时候，只记录1次。
PV:全称为Page Visitor，也叫页面访问量或点击量，用户每次访问网站的一个页面，都会记录1次PV。当用户多次打开页面，就记录多次PV，所以PV往往用来衡量网站的流量。

所以如果需要通过服务器来实现UV的时候，就需要判断之前这个用户是否已经统计过了，所以在用户访问量非常巨大的时候，那么导致占用内存巨大。
所以就有了HyperLogLog这种数据结构，它是从Loglog算法派生的概率算法，用于确定非常大的基数，而不需要存储所有值。
Redis中的HyperLogLog是基于String操作的，单个HLL占用的内存永远小于16kb,但是测量结果是具有概率性的，拥有小于0.81%的误差，但是在UV统计中，这个误差是完全可以忽略的。常见的命令有:
①PFADD key elemet1 [element2 element3…]:向key中添加多个element，如果这个element已经存在key中了，那么不会执行添加操作
②PFCOUNT key: 获取key中的元素个数
③PFMERGE destKey sourceKey1 [sourceKey2 sourceKey3…]:将多个sourceKey合并到destKey中

所以这里通过HyperLogLog实现UV统计的代码如下所示:

/*** 测试HyperLogLog：* HyperLogLog数据结构是基于String操作的，占用的内存很小，不超过16KB，但是* 他是一个具有概率性的结果，也即是说插入1000000条数据，但是最后的key中* 存在的元素个数可能没有1000000条，但是它的概率不超过0.81%,这对于UV统计* 来说，完全可以忽略的。常见的命令有:* 1、PFADD key element1 element2 -> 对应java客户端的方法是opsForHyperLogLog().add(key, element...)* 2、PFCOUNT key: 统计key中的元素个数， -> opsForHyperLogLog().size()* 3、PMERGE destKey sourceKey1 sourceKey2 : 将多个sourceKey合并到destKey中* 其中PFADD 命令条件元素到key的时候，如果新添加的元素已经存在了，那么不会进行添加操作*/
@Test
public void testHyperLogLog(){//未添加的时候，redis中的内存为1476440,添加之后是1490800//所以添加的数据大小为14kb，小于16kbString[] users = new String[1000];int j = 0;String key = "hll2";for(int i = 0; i < 1000000; ++i){j = i % 1000;users[j] = "user_" + i;if(j == 999){//每一千条，就将数组插入到redis中stringRedisTemplate.opsForHyperLogLog().add(key,users);}}//打印key中有多少个元素，因为HyperLogLog是一个具有概率性的结果，所以最后//的结果可能不一定有1000000条，但是概率小于0.81%Long count = stringRedisTemplate.opsForHyperLogLog().size(key);System.out.println(count);
}