附近商鋪

GEOSEARCH 實現

GEOSEARCH 是 Redis 6.2 及以上版本引入的一個命令，用于在有序集合（ZSet）中根據地理位置信息進行搜索。它可以基于給定的經緯度坐標和半徑范圍，查找符合條件的元素，同時還能按距離排序并返回距離信息。

語法

GEOSEARCH key 
[FROMLONLAT longitude latitude | FROMMEMBER member] 
[BYRADIUS radius m|km|ft|mi | BYBOX width height m|km|ft|mi] 
[ASC|DESC] 
[COUNT count [ANY]] 
[WITHDIST] 
[WITHCOORD] 
[WITHHASH]

參數解釋

• key：包含地理位置信息的有序集合的鍵名。

• FROMLONLAT longitude latitude：指定搜索的中心點經緯度。

• FROMMEMBER member：指定搜索的中心點為有序集合中的某個成員。

• BYRADIUS radius m|km|ft|mi：以中心點為圓心，指定半徑范圍進行搜索，單位可以是米（m）、千米（km）、英尺（ft）或英里（mi）。

• BYBOX width height m|km|ft|mi：以中心點為中心，指定矩形區域進行搜索。

• ASC|DESC：指定結果按距離升序或降序排列。

• COUNT count [ANY]：限制返回結果的數量，ANY 表示在找到 count 個結果后立即返回，不繼續遍歷。

• WITHDIST：返回結果中包含元素與中心點的距離。

• WITHCOORD：返回結果中包含元素的經緯度坐標。

• WITHHASH：返回結果中包含元素的 Geohash 值。

GEORADIUS 實現

GEORADIUS 是 Redis 中用于基于地理位置信息進行范圍查詢的命令，它可以找出以給定經緯度為圓心、指定半徑范圍內的所有地理位置元素。下面詳細分析其參數。

基本語法

GEORADIUS key longitude latitude radius m|km|ft|mi [WITHCOORD] [WITHDIST] [WITHHASH] [ASC|DESC] [COUNT count] [STORE key] [STOREDIST key]

參數詳解

必選參數

1. key
   • 描述：存儲地理位置信息的有序集合的鍵名。在 Redis 里，地理位置信息是以有序集合（ZSet）的形式存儲的，每個元素代表一個地理位置，其成員是地理位置的名稱，分數是對應的 Geohash 值。
   • 示例：shops:geo 表示存儲店鋪地理位置信息的有序集合。
2. longitude 和 latitude
   • 描述：查詢的中心點的經緯度。經度范圍是 -180 到 180，緯度范圍是 -85.05112878 到 85.05112878。
   • 示例：116.404 和 39.915 表示北京的大致經緯度。
3. radius
   • 描述：查詢的半徑大小。
   • 示例：2 表示半徑為 2 個單位。
4. m|km|ft|mi
   • 描述：半徑的單位，可選項有米（m）、千米（km）、英尺（ft）、英里（mi）。
   • 示例：km 表示半徑單位為千米。

可選參數

1. WITHCOORD
   • 描述：返回結果中包含元素的經緯度信息。
   • 示例：GEORADIUS shops:geo 116.404 39.915 2 km WITHCOORD，返回結果會包含每個店鋪的經緯度。
2. WITHDIST
   • 描述：返回結果中包含元素與中心點的距離，距離單位和查詢半徑的單位一致。
   • 示例：GEORADIUS shops:geo 116.404 39.915 2 km WITHDIST，返回結果會包含每個店鋪與中心點的距離。
3. WITHHASH
   • 描述：返回結果中包含元素的 Geohash 值。Geohash 是一種將經緯度編碼為字符串的方法。
   • 示例：GEORADIUS shops:geo 116.404 39.915 2 km WITHHASH，返回結果會包含每個店鋪的 Geohash 值。
4. ASC|DESC
   • 描述：指定返回結果按距離升序（ASC）或降序（DESC）排列。
   • 示例：GEORADIUS shops:geo 116.404 39.915 2 km WITHDIST ASC，返回結果按距離中心點由近到遠排列。
5. COUNT count
   • 描述：限制返回結果的數量，count 是一個正整數。
   • 示例：GEORADIUS shops:geo 116.404 39.915 2 km WITHDIST ASC COUNT 5，只返回距離最近的 5 個店鋪。
6. STORE key
   • 描述：將查詢結果的元素名稱存儲到指定的有序集合中，存儲的分數是元素與中心點的距離。原查詢結果不會返回，而是返回存儲的元素數量。
   • 示例：GEORADIUS shops:geo 116.404 39.915 2 km STORE nearby_shops，將符合條件的店鋪名稱存儲到 nearby_shops 有序集合中。
7. STOREDIST key
   • 描述：將查詢結果的元素名稱和距離存儲到指定的有序集合中，存儲的分數是元素與中心點的距離。原查詢結果不會返回，而是返回存儲的元素數量。
   • 示例：GEORADIUS shops:geo 116.404 39.915 2 km STOREDIST nearby_shops_with_dist，將符合條件的店鋪名稱和距離存儲到 nearby_shops_with_dist 有序集合中。

在 Spring Data Redis 里，GEORADIUS 命令通過 stringRedisTemplate.opsForGeo().radius() 方法實現，下面詳細分析相關參數。

radius() 方法重載形式
主要有兩種重載形式：

GeoResults<RedisGeoCommands.GeoLocation<String>> radius(String key, Circle within);
GeoResults<RedisGeoCommands.GeoLocation<String>> radius(String key, Circle within, RedisGeoCommands.GeoRadiusCommandArgs args);

參數詳解

必選參數

key
含義：存儲地理位置信息的有序集合的鍵名，對應 Redis GEORADIUS 命令中的 key。
示例：
String key = “shops:geo”;
Circle within
含義：定義查詢范圍，包含中心點和半徑。Circle 由 Point 和 Distance 組成，Point 表示中心點經緯度，Distance 表示半徑及單位。對應 Redis GEORADIUS 命令中的 longitude、latitude、radius 和 m|km|ft|mi。

代碼實現

@Override
public Result queryShopByType(Integer typeId, Integer current, Double x, Double y) {// 1.判斷是否需要根據坐標查詢if (x == null || y == null) {// 不需要坐標查詢，按數據庫查詢// 根據類型分頁查詢Page<Shop> page = query().eq("type_id", typeId).page(new Page<>(current, SystemConstants.DEFAULT_PAGE_SIZE));// 返回數據return Result.ok(page.getRecords());}// 2.計算分頁參數int begin = (current - 1) * SystemConstants.MAX_PAGE_SIZE;int end = begin + SystemConstants.MAX_PAGE_SIZE;// 3.查詢redis、按照距離排序、分頁。結果：shopId、distanceString key = SHOP_GEO_KEY + typeId;// GEOSEARCH key BYLONLAT x y BYRADIUS 10 WITHDISTANCE// 構建GEO查詢參數RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs().includeDistance().sortAscending().limit(end);// 查詢店鋪信息GeoResults<RedisGeoCommands.GeoLocation<String>> results = stringRedisTemplate.opsForGeo().radius(key, new Circle(new Point(x, y), new Distance(5000)), args);// 結果為空返回空集合if (results == null) {return Result.ok(Collections.emptyList());}// 解析出distance,跳過begin以前Map<Long,Distance> distanceMap = results.getContent().stream().skip(begin).collect(Collectors.toMap(result ->Long.valueOf(result.getContent().getName()),GeoResult::getDistance,(existing, replacement) -> existing,LinkedHashMap::new));if (distanceMap.size() == 0) {return Result.ok(Collections.emptyList());}// 解析出id// keySet<Long> ids = distanceMap.keySet();String idsStr = StrUtil.join(",", ids);// 根據id查詢店鋪// sql: select * from tb_shop where id in (?, ?, ?) order by field(id, ?, ?, ?)List<Shop> shops = query().in("id", ids).last("ORDER BY FIELD(id," + idsStr + ")").list();// 遍歷店鋪，設置距離for (Shop shop : shops) {shop.setDistance(distanceMap.get(shop.getId()).getValue());}return Result.ok(shops);
}

用戶簽到

Bitmap

Bitmap 即位圖，在 Redis 里是一種特殊的數據類型，它借助字符串類型來實現位操作，本質上是二進制數組。每個位只能存儲 0 或 1，非常適合處理大量的布爾值，如用戶簽到、在線狀態等場景。下面介紹 Redis 中 Bitmap 的基本用法，同時給出 Spring Data Redis 里操作 Bitmap 的示例。

Redis 中 Bitmap 基本操作

1. 設置位值

使用 SETBIT 命令可以設置指定偏移量上的位值。

SETBIT key offset value

• key：位圖的鍵名。
• offset：位的偏移量，從 0 開始。
• value：位的值，只能是 0 或 1。

示例：

SETBIT user:sign:1 0 1

上述命令將 user:sign:1 這個位圖在偏移量 0 處的值設置為 1。

2. 獲取位值

使用 GETBIT 命令可以獲取指定偏移量上的位值。

GETBIT key offset

• key：位圖的鍵名。
• offset：位的偏移量，從 0 開始。

示例：

GETBIT user:sign:1 0

該命令會返回 user:sign:1 位圖在偏移量 0 處的值。

3. 統計位值為 1 的數量

使用 BITCOUNT 命令可以統計位圖中值為 1 的位的數量。

BITCOUNT key [start end]

• key：位圖的鍵名。
• start 和 end（可選）：指定字節范圍，用于統計該范圍內值為 1 的位的數量。

示例：

BITCOUNT user:sign:1

此命令會統計 user:sign:1 位圖中值為 1 的位的總數。

4. 位圖運算

使用 BITOP 命令可以對多個位圖進行邏輯運算，支持 AND、OR、XOR 和 NOT 操作。

BITOP operation destkey key [key ...]

• operation：邏輯運算類型，如 AND、OR、XOR、NOT。
• destkey：存儲運算結果的位圖鍵名。
• key [key ...]：參與運算的位圖鍵名。

示例：

BITOP AND result:and user:sign:1 user:sign:2

該命令對 user:sign:1 和 user:sign:2 兩個位圖進行邏輯與運算，并將結果存儲在 result:and 位圖中。

Spring Data Redis 中操作 Bitmap

1. 操作示例

(1) 設置某一位的值

@Autowired
private RedisTemplate<String, Object> redisTemplate;// 設置指定偏移量（offset）的位為 1 或 0
public void setBit(String key, long offset, boolean value) {redisTemplate.opsForValue().setBit(key, offset, value);
}// 示例：用戶ID=1001在2023-10-01簽到（標記為1）
setBit("sign:2023-10:1001", 0, true); // 第0位表示某一天

(2) 獲取某一位的值

public Boolean getBit(String key, long offset) {return redisTemplate.opsForValue().getBit(key, offset);
}// 示例：檢查用戶ID=1001在2023-10-01是否簽到
Boolean isSigned = getBit("sign:2023-10:1001", 0);

(3) 統計位圖中值為1的位數

public Long bitCount(String key) {return redisTemplate.execute((RedisCallback<Long>) conn -> conn.bitCount(key.getBytes()));
}// 示例：統計用戶ID=1001在2023-10月的簽到總天數
Long signCount = bitCount("sign:2023-10:1001");

(4) 位運算（AND/OR/XOR/NOT）

public void bitOp(RedisStringCommands.BitOperation op, String destKey, String... srcKeys) {redisTemplate.execute((RedisCallback<Long>) conn -> conn.bitOp(op, destKey.getBytes(), Arrays.stream(srcKeys).map(k -> k.getBytes()).toArray(byte[][]::new)));
}// 示例：計算兩個用戶簽到記錄的交集（AND）
bitOp(RedisStringCommands.BitOperation.AND, "sign:result", "sign:user1", "sign:user2");

通過以上操作，你可以在 Redis 和 Spring Data Redis 中使用 Bitmap 處理布爾值相關的業務場景。

實現簽到

@Override
public Result sign() {// 獲取當前登錄用戶Long userId = UserHolder.getUser().getId();// 當前日期LocalDateTime now = LocalDateTime.now();// keyString key = USER_SIGN_KEY + userId + ":" + now.getYear() + ":" + now.getMonth();// 獲取今天是本月的第幾天int dayOfMonth = now.getDayOfMonth();// 簽到，寫入redisstringRedisTemplate.opsForValue().setBit(key, dayOfMonth - 1, true);return Result.ok();
}

實現簽到統計

@Override
public Result signCount() {// 獲取當前登錄用戶Long userId = UserHolder.getUser().getId();// 當前日期LocalDateTime now = LocalDateTime.now();// keyString key = USER_SIGN_KEY + userId + ":" + now.getYear() + ":" + now.getMonth();// 獲取今天是本月的第幾天int dayOfMonth = now.getDayOfMonth();// 簽到，寫入redis// BITFIELD key u4 0List<Long> result = stringRedisTemplate.opsForValue().bitField(key,BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)).valueAt(0));if (result == null || result.isEmpty()){return Result.ok(0);}Long num = result.get(0);if (num == null || num == 0) {return Result.ok(0);}int count = 0;while(num!=0){if((num&1)==1){count++;}num>>=1;}return Result.ok(count);
}

另一種實現方法

@Override
public Result signCount() {// 獲取當前登錄用戶Long userId = UserHolder.getUser().getId();// 當前日期LocalDateTime now = LocalDateTime.now();// keyString key = USER_SIGN_KEY + userId + ":" + now.getYear() + ":" + now.getMonth();// 獲取今天是本月的第幾天int dayOfMonth = now.getDayOfMonth();// 簽到，寫入redis// BITFIELD key u4 0Long cnt = stringRedisTemplate.execute((RedisCallback<Long>) conn -> conn.bitCount(key.getBytes()));return cnt;
}

UV統計

UV 是 Unique Visitor 的縮寫，即獨立訪客，UV 統計是互聯網領域中用于衡量網站、應用程序或特定頁面訪問量的重要指標，用于統計在一定時間內訪問某個站點或應用的不同用戶數量。下面從多個方面詳細介紹 UV 統計的相關概念。

基本定義

獨立訪客指的是在特定時間段內，訪問某一網站或應用的不同自然人。同一用戶在該時間段內多次訪問，僅計算為一個獨立訪客。比如，在一天內，用戶 A 訪問了某網站 5 次，用戶 B 訪問了 3 次，此時該網站當天的 UV 為 2。

HyperLoglog

在 Spring Data Redis 中使用 HyperLogLog (HLL) 進行 UV 統計，可以通過以下步驟實現。HyperLogLog 提供了一種高效且內存友好的方式來處理大規模獨立訪客統計，盡管存在約 0.81% 的誤差，但適用于大多數場景。

HyperLogLog 是一種概率型數據結構，由 Philippe Flajolet 及其同事在 2007 年提出，2011 年被集成到 Redis 中。它主要用于在犧牲一定精度的前提下，以極小的空間復雜度來統計海量數據的基數（集合中不同元素的個數）。下面從多個方面詳細介紹 HyperLogLog。

應用場景

在互聯網場景中，很多時候需要統計獨立訪客數（UV）、獨立 IP 數、搜索關鍵詞數量等，這些數據量可能非常龐大。若使用傳統數據結構（如 Set）來統計，隨著數據量增長，內存占用會急劇上升。而 HyperLogLog 能在保證一定精度的情況下，用極少的內存完成基數統計。

基本原理

HyperLogLog 基于伯努利試驗和概率統計原理。簡單來說，它把元素通過哈希函數映射為二進制串，記錄每個二進制串中從第一個位開始連續 0 的最大個數。根據這些最大 0 個數的統計信息，運用概率公式估算出集合的基數。

Redis 中 HyperLogLog 命令

1. PFADD

用于向 HyperLogLog 中添加元素。

PFADD key element [element ...]

• key：HyperLogLog 的鍵名。
• element [element ...]：要添加的元素。

示例：

PFADD myhyperloglog user1 user2 user3

2. PFCOUNT

用于獲取 HyperLogLog 中元素的基數估計值。

PFCOUNT key [key ...]

• key [key ...]：要統計的 HyperLogLog 鍵名，可以指定多個鍵，此時會返回這些鍵對應 HyperLogLog 合并后的基數估計值。

示例：

PFCOUNT myhyperloglog

3. PFMERGE

用于將多個 HyperLogLog 合并為一個。

PFMERGE destkey sourcekey [sourcekey ...]

• destkey：合并后的 HyperLogLog 鍵名。
• sourcekey [sourcekey ...]：要合并的 HyperLogLog 鍵名。

示例：

PFMERGE mergedhyperloglog myhyperloglog1 myhyperloglog2

Spring Data Redis 操作 HyperLogLog

add

/*** 向 HyperLogLog 中添加元素* @param key HyperLogLog 鍵名* @param elements 要添加的元素*/
public void addElements(String key, String... elements) {stringRedisTemplate.opsForHyperLogLog().add(key, elements);
}

size

/*** 獲取 HyperLogLog 中元素的基數估計值* @param keys 要統計的 HyperLogLog 鍵名* @return 基數估計值*/
public Long getCount(String... keys) {return stringRedisTemplate.opsForHyperLogLog().size(keys);
}

union

/*** 合并多個 HyperLogLog* @param destKey 合并后的 HyperLogLog 鍵名* @param sourceKeys 要合并的 HyperLogLog 鍵名*/
public void mergeHyperLogLogs(String destKey, String... sourceKeys) {stringRedisTemplate.opsForHyperLogLog().union(destKey, sourceKeys);
}

測試結果顯示997593條數據，HyperLoglog統計存在誤差，但是可以極大減少儲存空間的消耗同時增加查詢的性能。

HyperLogLog的優勢

內存占用極少

• 固定內存開銷：無論要統計的數據量有多大，HyperLogLog 在 Redis 中最多只需要 12KB 的內存空間。相比傳統的數據結構，如 Set 或 List，隨著數據量的增加，它們的內存占用會線性增長。而 HyperLogLog 能夠以恒定的內存來處理海量數據，例如統計每天訪問網站的獨立用戶數，即使訪問量達到百萬甚至千萬級別，內存占用也不會大幅上升。
• 空間效率高：在需要統計大量基數的場景下，使用 HyperLogLog 能顯著減少內存使用。例如，統計一個大型電商平臺的日活用戶數，若使用 Set 存儲每個用戶的唯一標識，當用戶量達到億級時，內存占用會非常巨大；而使用 HyperLogLog 僅需 12KB，大大節省了內存資源。

計算速度快

• 操作復雜度低：HyperLogLog 的插入和查詢操作的時間復雜度都是 O(1)。插入元素時，只需對元素進行哈希計算并更新相應的統計信息；查詢基數時，直接根據統計信息進行估算，無需遍歷整個數據集。這使得在處理大量數據時，操作速度極快，能滿足高并發場景下的實時統計需求。
• 高效處理大數據：在高并發的互聯網應用中，需要實時統計大量的獨立元素，如實時統計在線用戶數、實時計算搜索關鍵詞的數量等。HyperLogLog 能夠快速完成插入和查詢操作，不會成為系統的性能瓶頸。

近似精度可控

• 合理的誤差范圍：HyperLogLog 雖然是概率型數據結構，返回的是基數的近似值，但誤差是可控的。在 Redis 中，HyperLogLog 的標準誤差約為 0.81%，在大多數實際應用場景下，這個誤差是可以接受的。例如，在統計網站的 UV 時，少量的誤差不會影響對網站流量整體趨勢的判斷。
• 滿足業務需求：對于一些對精度要求不是特別高的場景，如宏觀的流量統計、大致的用戶行為分析等，HyperLogLog 能在保證一定精度的前提下，提供高效的基數統計方案，滿足業務對數據快速獲取和分析的需求。