【黑马点评项目笔记 | 达人探店篇】点赞关注与Feed流

目录

前言

今日完结任务

今日核心知识点总结

1. 点赞功能的设计

2. 共同关注

3. Feed流实现方案

4. Feed流滚动分页（ZSet实现）

遇到的问题

问题：数据库IN查询后顺序问题

今日实战收获

业务实现流程梳理

1. 点赞功能

2. 点赞排行榜

3. 关注与共同关注

4. Feed流推送与滚动分页

小知识点总结（源自个人笔记.pdf）

总结

前言

        本篇笔记聚焦于黑马点评项目的社交互动模块，主要包括达人探店笔记的发布与查看、点赞功能、关注功能以及Feed流。这些功能构成了一个社区的核心交互，其中涉及到的技术点如Set集合的运用、SortedSet实现点赞排行榜、共同关注、Feed流的推拉模式以及滚动分页等，都是构建社交功能的关键。通过本模块的实战，我理解了如何利用Redis高效实现社交关系和数据推送。

今日完结任务

今日核心知识点总结

1. 点赞功能的设计

        需求：同一个用户只能点赞一次，再次点击则取消点赞。

方案：

• 使用Redis的Set集合去重存储点赞用户id，Key为blog:liked:{blogId}。

• 点赞：SADD key userId

• 取消点赞：SREM key userId

• 判断用户是否点赞：SISMEMBER key userId

• 获取点赞总数：SCARD key

优化（点赞排行榜）：

• 使用SortedSet（ZSet）替代Set，Value为用户id，Score为点赞时间戳。

• 点赞：ZADD key score userId

• 取消点赞：ZREM key userId

• 获取点赞排行榜前5：ZRANGE key 0 4（按时间戳倒序需使用ZREVRANGE）

2. 共同关注

        需求：查询当前用户与目标用户的共同关注。

方案：

• 每个用户维护一个关注集合，Key为follows:{userId}，存储关注的用户id。

• 使用Set的交集运算：SINTER follows:{userId1} follows:{userId2}

• 将交集结果解析为用户id，查询用户信息返回。

3. Feed流实现方案

Feed流模式：

• 拉模式（读扩散）：用户读取时，去查询关注的所有人的动态，然后合并排序。

  • 优点：节省存储空间；

  • 缺点：读取时延大，且可能给数据库带来压力。

• 推模式（写扩散）：用户发布动态时，将动态推送到所有粉丝的收件箱中。

  • 优点：读取速度快；

  • 缺点：存储空间大，且大V发布时推送压力大。

• 推拉结合：普通用户采用推模式，大V用户采用拉模式，折中方案。

本项目采用推模式：

• 每个用户维护一个收件箱（SortedSet），Key为feed:{userId}，Score为发布时间戳，Value为博客id。

• 发布博客时，查询粉丝列表，将博客id写入每个粉丝的收件箱。

• 读取Feed流时，直接从自己的收件箱中按时间倒序分页查询。

4. Feed流滚动分页（ZSet实现）

传统分页问题：数据更新时，使用limit offset会导致重复或遗漏。

滚动分页原理：

• 使用SortedSet，Score为时间戳，Value为博客id。

• 每次查询时，传入上次查询的最小Score（即时间戳） 和偏移量。

• 使用Redis命令：ZREVRANGEBYSCORE key max min LIMIT offset count

• 解析结果，记录本次查询的最小Score和相同Score的元素个数，作为下一次查询的偏移量。

遇到的问题

问题：数据库IN查询后顺序问题

现象：在查询点赞排行榜的用户信息时，使用IN (用户id列表)，数据库返回的顺序与IN中的顺序不一致，导致展示顺序错乱。

解决方案： 使用ORDER BY FIELD(id, id1, id2, id3…)自定义排序，保证顺序与传入的id列表顺序一致。

SELECT * FROM user WHERE id IN (5, 1) ORDER BY FIELD(id, 5, 1)

对应MyBatis Plus代码：

userService.query()
.in("id", ids)
.last("ORDER BY FIELD(id," + idStr + ")") // idStr是用逗号拼接的id字符串
.list();

今日实战收获

业务实现流程梳理

1. 点赞功能

步骤：

关键代码（使用ZSet实现）：

@Override
public Result likeBlog(Long id) {
// 1.获取登录用户
Long userId = UserHolder.getUser().getId();
// 2.判断当前登录用户是否已经点赞
String key = BLOG_LIKED_KEY + id;
Double score = stringRedisTemplate.opsForZSet().score(key, userId.toString());
if (score == null) {
// 3.未点赞，点赞
// 3.1.数据库点赞数+1
boolean isSuccess = update().setSql("liked = liked + 1").eq("id", id).update();
if (isSuccess) {
// 3.2.保存用户到Redis的ZSet，score为当前时间戳
stringRedisTemplate.opsForZSet().add(key, userId.toString(), System.currentTimeMillis());
}
} else {
// 4.已点赞，取消点赞
// 4.1.数据库点赞数-1
boolean isSuccess = update().setSql("liked = liked – 1").eq("id", id).update();
if (isSuccess) {
// 4.2.从Redis的ZSet移除用户
stringRedisTemplate.opsForZSet().remove(key, userId.toString());
}
}
return Result.ok();
}

2. 点赞排行榜

步骤：

关键代码：

@Override
public Result queryBlogLikes(Long id) {
String key = BLOG_LIKED_KEY + id;
// 1.查询top5的点赞用户 ZRANGE key 0 4
Set<String> top5 = stringRedisTemplate.opsForZSet().range(key, 0, 4);
if (top5 == null || top5.isEmpty()) {
return Result.ok(Collections.emptyList());
}
// 2.解析出其中的用户id
List<Long> ids = top5.stream().map(Long::valueOf).collect(Collectors.toList());
String idStr = StrUtil.join(",", ids);
// 3.根据用户id查询用户，并按照idStr中的顺序排序
List<UserDTO> userDTOS = userService.query()
.in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list()
.stream()
.map(user -> BeanUtil.copyProperties(user, UserDTO.class))
.collect(Collectors.toList());
return Result.ok(userDTOS);
}

3. 关注与共同关注

步骤：

关键代码（关注时维护Redis集合）：

@Override
public Result follow(Long followUserId, Boolean isFollow) {
Long userId = UserHolder.getUser().getId();
String key = "follows:" + userId;
if (isFollow) {
// 关注
Follow follow = new Follow();
follow.setUserId(userId);
follow.setFollowUserId(followUserId);
boolean isSuccess = save(follow);
if (isSuccess) {
// 把关注用户的id放入Redis集合
stringRedisTemplate.opsForSet().add(key, followUserId.toString());
}
} else {
// 取关
boolean isSuccess = remove(new QueryWrapper<Follow>()
.eq("user_id", userId).eq("follow_user_id", followUserId));
if (isSuccess) {
// 把关注用户的id从Redis集合中移除
stringRedisTemplate.opsForSet().remove(key, followUserId.toString());
}
}
return Result.ok();
}

共同关注：

@Override
public Result followCommons(Long id) {
// 1.获取当前用户
Long userId = UserHolder.getUser().getId();
String key = "follows:" + userId;
// 2.求交集
String key2 = "follows:" + id;
Set<String> intersect = stringRedisTemplate.opsForSet().intersect(key, key2);
if (intersect == null || intersect.isEmpty()) {
return Result.ok(Collections.emptyList());
}
// 3.解析id集合
List<Long> ids = intersect.stream().map(Long::valueOf).collect(Collectors.toList());
// 4.查询用户
List<UserDTO> users = userService.listByIds(ids)
.stream()
.map(user -> BeanUtil.copyProperties(user, UserDTO.class))
.collect(Collectors.toList());
return Result.ok(users);
}

4. Feed流推送与滚动分页

步骤：

关键代码（发布博客时推送）：

@Override
public Result saveBlog(Blog blog) {
UserDTO user = UserHolder.getUser();
blog.setUserId(user.getId());
// 1.保存探店笔记到数据库
boolean isSuccess = save(blog);
if (!isSuccess) {
return Result.fail("新增笔记失败!");
}
// 2.查询笔记作者的所有粉丝
List<Follow> follows = followService.query().eq("follow_user_id", user.getId()).list();
// 3.推送笔记id给所有粉丝
for (Follow follow : follows) {
Long userId = follow.getUserId();
String key = FEED_KEY + userId;
stringRedisTemplate.opsForZSet().add(key, blog.getId().toString(), System.currentTimeMillis());
}
return Result.ok(blog.getId());
}

关键代码（滚动分页查询Feed流）：

@Override
public Result queryBlogOfFollow(Long max, Integer offset) {
// 1.获取当前用户
Long userId = UserHolder.getUser().getId();
// 2.查询收件箱 ZREVRANGEBYSCORE key Max Min LIMIT offset count
String key = FEED_KEY + userId;
Set<ZSetOperations.TypedTuple<String>> typedTuples = stringRedisTemplate.opsForZSet()
.reverseRangeByScoreWithScores(key, 0, max, offset, 2);
// 3.非空判断
if (typedTuples == null || typedTuples.isEmpty()) {
return Result.ok();
}
// 4.解析数据：blogId、minTime（时间戳）、offset
List<Long> ids = new ArrayList<>(typedTuples.size());
long minTime = 0;
int os = 1;
for (ZSetOperations.TypedTuple<String> tuple : typedTuples) {
ids.add(Long.valueOf(tuple.getValue()));
long time = tuple.getScore().longValue();
if (time == minTime) {
os++;
} else {
minTime = time;
os = 1;
}
}
// 5.根据id查询blog，并封装用户和点赞信息
String idStr = StrUtil.join(",", ids);
List<Blog> blogs = query().in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list();
for (Blog blog : blogs) {
queryBlogUser(blog);
isBlogLiked(blog);
}
// 6.封装并返回
ScrollResult r = new ScrollResult();
r.setList(blogs);
r.setOffset(os);
r.setMinTime(minTime);
return Result.ok(r);
}

滚动分页参数说明：

• max：第一次查询传入当前时间戳，后续查询传入上一次查询的最小时间戳。

• offset：第一次查询传入0，后续查询传入上一次查询中，与最小时间戳相同的元素个数。

• count：每页大小。

小知识点总结

总结

通过达人探店模块的实战，我们深入掌握了社交功能中常见的点赞、关注、Feed流等场景的实现。核心在于合理利用Redis的数据结构：

• 使用Set实现简单的集合运算（如共同关注）。

• 使用SortedSet实现有序集合（如点赞排行榜、Feed流收件箱），并利用其排序特性实现滚动分页，解决了传统分页在动态数据下的问题。

在Feed流的设计中，我们选择了推模式，将发布者的动态实时推送到粉丝的收件箱中，保证了读取性能。同时，通过滚动分页优化了查询体验，避免了数据重复和遗漏。

整个模块的实现，体现了Redis在提升系统性能和用户体验方面的巨大价值，也展示了在高并发场景下，如何通过异步、解耦和数据结构优化来构建可靠的社交功能。