当前位置：首页 > news >正文

【Redis实战篇】Feed流（关注推送）与滚动分页查询

news 2026/5/31 17:58:26

关注推送
- 关注推送也叫做Feed流，直译为投喂。为用户持续的提供“沉浸式”的体验，通过无限下拉刷新获取新的信息。
- Feed流的模式
  - Feed流产品有两种常见模式：
    - Timeline：不做内容筛选，简单的按照内容发布时间排序，常用于好友或关注。例如朋友圈。
      - 优点：信息全面，不会有缺失。并且实现也相对简单。
      - 缺点：信息噪音较多，用户不一定感兴趣，内容获取效率低。
    - 智能排序：利用智能算法屏蔽掉违规的、用户不感兴趣的内容。推送用户感兴趣信息来吸引用户。
      - 优点：投喂用户感兴趣信息，用户粘度很高，容易沉迷。
      - 缺点：如果算法不精准，可能起到反作用。
- 本例中的个人页面，是基于关注的好友来做Feed流，因此采用Timeline的模式。该模式的实现方案有三种：
  - 1、拉模式
  - 2、推模式
  - 3、推拉结合
- Feed流的实现方案1
  - 拉模式：也叫做读扩散。
    - 优点：比较节省内存空间。一般收件人的收件箱是空的，消息只在发件人的发件箱里保存一份，只有在收件人读取时才拉取发件人发件箱的信息（拷贝一份到收件人的收件箱，并按照时间做排序），读完之后不用了就会清理掉。
    - 缺点：读取延迟较高。收件人每次来读消息时，都得重新拉取发件箱的消息，然后再做排序，这些操作一般耗时较久，所以延迟较高。
- Feed流的实现方案2
  - 推模式：也叫做写扩散。
    - 优点：读取延迟较低。发件人自身没有发件箱，当发件人有新消息时，直接将信息推送至收件人的收件箱进行存储并做好排序，收件人在读取信息时，不需要再做拉取信息的动作，直接读取收件箱即可。
    - 缺点：内存空间占用较多。由于发件人没有发件箱，所以当发件人有新消息时，需要将消息在每个收件人的收件箱中都保存一份，因此内存占用较高。
- Feed流的实现方案3
  - 推拉结合模式：也叫做读写混合，兼具推和拉两种模式的优点。
    - 模式说明：将发件人分为大V（粉丝较多）和普通人（粉丝较少），将收件人分为活跃粉丝（读取消息频繁）和普通粉丝（读取消息频率不高）。对于大V，由于粉丝众多，若直接给所有粉丝的收件箱推送消息，内存消耗过大，且由于大多粉丝读取消息的频率不高，只有少部分活跃粉丝，所以可以采取“高活跃度粉丝直接推送，低活跃度粉丝在读取时主动拉取”的策略，在发送消息时将消息在发件箱里保存一份，同时推送给活跃粉丝；对于普通人，由于粉丝较少，直接将消息推送至所有粉丝的收件箱即可。
- Feed流的三种实现方案对比
- 基于推模式实现关注推送功能
  - 需求
    - 1、修改新增探店笔记的业务，在保存blog到数据库的同时，推送到粉丝的收件箱。
    - 2、收件箱满足可以根据时间戳排序，必须用Redis的数据结构实现。
      - 思考：在Redis中，List和Set都可以实现排序和分页，那么当前场景应该选择谁呢？（先自己思考，后面会有分析）
    - 3、查询收件箱数据时，可以实现分页查询。
  - Feed流的分页问题
    - Feed流中的数据会不断更新，所以数据的角标也在变化，因此不能采用传统的分页模式。
  - Feed流的滚动分页
  - 总结：根据以上分析，因为不断会有新的数据插入，角标是不断变化的，传统的分页模式会导致数据重复查询问题。但由于SortedSet可以通过ZRANGEBYSCORE命令来获取指定score范围内的元素，所以SortedSet胜出，最终选择使用SortedSet。
  - 实现关注推送页面的分页查询（滚动分页查询）
    - 需求：在个人主页的“关注”卡片中，查询并展示推送的Blog信息：
    - 滚动分页查询功能分析
      - 在Redis命令行窗口可以通过以下命令实现滚动分页查询：
        ZREVRANGEBYSCORE key Max Min WITHSCORES LIMIT offset count
      - 滚动分页查询参数：
        max（最大分数）：当前时间戳（第一次查询）或上一次查询的最小时间戳（除了第一次以外的查询）。
        min（最小分数）：0（固定不变）。
        offset（偏移量）：0（第一次查询）或在上一次的结果中，与最小值一样的元素的个数（除了第一次以外的查询）。
        count（分页数据个数）：3 。
    - 关键代码片段：
      - // 查询收件箱 ZREVRANGEBYSCORE key Max Min WITHSCORES LIMIT offset countStringkey=FEED_KEY+userId;Set<ZSetOperations.TypedTuple<String>>typedTuples=stringRedisTemplate.opsForZSet().reverseRangeByScoreWithScores(key,0,max,offset,2);// 解析数据: blogId、minTime(时间戳)、offsetList<Long>ids=newArrayList<>(typedTuples.size());longminTime=0;// 2intos=1;// 2for(ZSetOperations.TypedTuple<String>tuple:typedTuples){// 5 4 4 2 2// 4.1.获取idids.add(Long.valueOf(tuple.getValue()));// 4.2.获取分数(时间戳)longtime=tuple.getScore().longValue();if(time==minTime){os++;}else{minTime=time;os=1;}}// 根据id查询blogStringidStr=StrUtil.join(conjunction:",",ids);List<Blog>blogs=query().in(column:"id",ids).last(lastSql:"ORDER BY FIELD(id,"+idStr+")").list();// 这部分容易遗漏for(Blogblog:blogs){// 5.1.查询blog有关的用户queryBlogUser(blog);// 5.2.查询blog是否被点赞isBlogLiked(blog);}