# 点评网

**Repository Path**: luckydog-tjs/dianping

## Basic Information

- **Project Name**: 点评网
- **Description**: 点评网是一个前后端分离项目，类似于大众点评。实现了发布查看商家，达人探店，点赞，关注等功能，平台可以为商家增加曝光度来提升流量，为用户提供查看附件消费场所，场所评价以及抢购优惠券等功能。
- **Primary Language**: Java
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2023-02-12
- **Last Updated**: 2025-01-31

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 登录Session共享

问题：

每个tomcat中都有一份属于自己的session，假设用户第一次访问第一台tomcat，并且把自己的信息存放到第一台服务器的session中，但是第二次这个用户访问到了第二台tomcat，那么在第二台服务器上，肯定没有第一台服务器存放的session，所以此时 整个登录拦截功能就会出现问题，我们能如何解决这个问题呢？早期的方案是session拷贝，就是说虽然每个tomcat上都有不同的session，但是每当任意一台服务器的session修改时，都会同步给其他的Tomcat服务器的session，这样的话，就可以实现session的共享了

但是这种方案具有两个大问题

1、**每台服务器中都有完整的一份session数据，服务器压力过大。**

2、session拷贝数据时，可能会出现延迟

所以咱们后来采用的方案都是基于redis来完成，我们把session换成redis，redis数据本身就是共享的，就可以避免session共享的问题了

发送验证码：验证码以**phone：验证码**  key-value方式保存到Redis。

登录：

1. 根据phone从Redis中获取验证码，然后对比验证码。
2. 验证码正确，根据phone查询用户。不存在就创建
3. 使用Hash方式存储用户。Key：token，value：以Map形式存用户属性。

1. 1. token设置有效期
   2. token通过UUID随机生成

1. 将token返回给前端。

登录刷新问题：

![img](img/1679413023145-d267b03d-741b-48fa-9e19-c8e805a3a926.png)

# 商户缓存

商户店铺店铺信息，变化不大。

![img](img/1679413169073-7d4a4702-6712-4974-b537-407ea26dee0e.png)

缓存更新

- 根据id查询店铺时，如果缓存未命中，则查询数据库，将数据库结果写入缓存，并设置超时时间
- 根据id修改店铺时，先修改数据库，再删除缓存。【延迟双删】

缓存穿透：用户请求的数据在缓存中和数据库中都不存在，不断发起这样的请求，给数据库带来巨大压力

- 缓存空对象
- 布隆过滤器
- 增强id的复杂度，避免被猜测id规律
- 做好热点参数的限流

缓存雪崩：大量Key过期/Redis宕机

- Key设置随机值
- 分布式锁构建缓存。**保证同一时间内只有一个请求来构建缓存**
- 高可用集群

缓存击穿：热点Key失效

- 互斥锁：使用互斥锁构建缓存，构建结束释放锁。期间请求被阻塞。
- 逻辑过期：检查过期时间，如果过期，使用互斥锁开个线程构建缓存。子线程结束才释放锁，期间的请求返回过期数据。

# 优惠券秒杀

秒杀接口：**/voucher-order/seckill/{id}**

保存秒杀券的时候，同时存一份到Redis中。或者在项目启动时，进行缓存预热。

优惠券秒杀：

1. 生成订单Id
2. 获取用户Id
3. 执行Lua脚本【保证操作的原子性】

1. 1. 传入 **用户券Id、用户Id、订单Id。**
   2. 判断库存是否充足。不足返回1
   3. 用户是否下过单。已经下过单返回2
   4. 扣库存，**redis.call('incrby', stockKey, -1)**
   5. 下单，**redis.call('sadd', orderKey, userId)**   **set集合，Key是订单Id，Value是用户Id。**
   6. 发送消息到消息队列中去。

1. 不具有资格就返回fail
2. 具有资格就返回**订单Id**

消息队列线程：

1. 获取消息队列中的消息【订单Id、用户Id、秒杀券Id】
2. 解析消息
3. 下单【**数据库事务**】

1. 1. 扣减库存
   2. 保存订单

# 达人探店

**点赞维护Redis中的SortSet，笔记Id(blogId)作为key。用户Id作为次Key。score为点赞的时间戳。**

发布探店笔记：

- 获取登录用户
- 图片上传，文字存数据库。
- 获取该用户所有粉丝
- 将博文推送到粉丝的收件箱。【SortSet Key：粉丝Id，Value：bolgId，socre：当前时间戳】

查看某个店铺探店笔记：

- 查数据库，并根据blogId和userId查询该用户是否点赞过。

点赞：

- **Key：blogId，Value：userId，score：时间戳**
- 根据key,value查score

- - score == null：没点赞过，则进行点赞。

- - - 更新数据库库，blog点赞数+1
    - SortSet：添加

- - score != null：点赞过，则进行取消点赞。

- - - 更新数据库库，blog点赞数-1
    - SortSet：删除

点赞排行榜：

- 根据blogId获取SortSet。根据时间戳range查询前五的用户Id
- 根据用户Id查数据库，返回用户集合。

# 好友关注

数据库表：

![img](img/1679467584782-5f0f05be-5d93-48c9-8abc-f6f950fdc58e.png)

Redis：

**Set集合：Key：用户Id。Value：关注的博主Id。**

关注/取关：

- 传入被**关注者Id** 以及 **是否要关注**。
- 关注：

- - 插入数据库
  - 存Redis

- 取关

- - 删除数据库记录
  - 删除Redis记录

共同关注：

- 传入博主Id，再获取用户Id
- 分别查Redis 得到两个Set
- 取交集：**redisTemplate.opsForSet().intersect(follow1, follow2);**
- 根据用户Id集合 查数据库得到用户集合 返回前端。

## Feed流

关注了用户后，这个用户发了动态，那么我们应该把这些数据推送给用户，这个需求，其实我们又把他叫做Feed流。

Feed流的实现有两种模式：

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

由于是基于关注的好友来做Feed流，因此采用Timeline的模式。实现方案有三种：

- 拉模式：粉丝”主动“拉取 博主的博文。

- - 优点：节约空间。
  - 缺点：比较延迟，如果用户量很大，此时拉取海量的内容，对服务压力巨大。

- 推模式：博主的博文主动推送给粉丝的”邮箱“，直接读即可。

- - 优点：时效快，不用临时拉取
  - 缺点：内存压力大，假设一个大V写信息，很多人关注他， 就会写很多分数据到粉丝那边去

- 推拉结合：

- - 推拉模式是一个折中的方案，站在发件人这一段，如果是个普通的人，那么我们采用写扩散的方式，直接把数据写入到他的粉丝中去，因为普通的人他的粉丝关注量比较小，所以这样做没有压力，如果是大V，那么他是直接将数据先写入到一份到发件箱里边去，然后再直接写一份到活跃粉丝收件箱里边去，现在站在收件人这端来看，如果是活跃粉丝，那么大V和普通的人发的都会直接写入到自己收件箱里边来，而如果是普通的粉丝，由于他们上线不是很频繁，所以等他们上线时，再从发件箱里边去拉信息。

数据结构：使用zset结构

**Key：用户Id****、****Value：关注博主的博文Id****、****Socred：时间戳**

博主发送探店笔记时，将探店笔记存起来，然后将该 探店笔记Id 存到其粉丝是zset中。

**滚动分页查询邮箱**

我们需要记录每次操作的最后一条，然后从这个位置开始去读取数据

举个例子：我们从t1时刻开始，拿第一页数据，拿到了10~6，然后记录下当前最后一次拿取的记录，就是6，t2时刻发布了新的记录，此时这个11放到最顶上，但是不会影响我们之前记录的6，此时t3时刻来拿第二页，第二页这个时候拿数据，还是从6后一点的5去拿，就拿到了5-1的记录。我们这个地方可以采用sortedSet来做，可以进行范围查询，并且还可以记录当前获取数据时间戳最小值，就可以实现滚动分页了

![img](img/1680960396795-44148da6-2cd4-4285-866c-cf566f5cc1f7.png)

```java
@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; // 2
    int os = 1; // 2
    for (ZSetOperations.TypedTuple<String> tuple : typedTuples) { // 5 4 4 2 2
        // 4.1.获取id
        ids.add(Long.valueOf(tuple.getValue()));
        // 4.2.获取分数(时间戳）
        long time = tuple.getScore().longValue();
        if(time == minTime){
            os++;
        }else{
            minTime = time;
            os = 1;
        }
    }
	os = minTime == max ? os : os + offset;
    // 5.根据id查询blog
    String idStr = StrUtil.join(",", ids);
    List<Blog> blogs = query().in("id", ids).last("ORDER BY FIELD(id," + idStr + ")").list();

    for (Blog blog : 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);
    }

    // 6.封装并返回
    ScrollResult r = new ScrollResult();
    r.setList(blogs);
    r.setOffset(os);
    r.setMinTime(minTime);

    return Result.ok(r);
}
```

# 用户签到

使用**bitMap Key：xxxx年xx月** 

**【写在登录逻辑中】签到：**

获取当前的第该月第几天

```java
stringRedisTemplate.opsForValue().setBit(key, dayOfMonth - 1, true);
```

**签到统计：**

连续签到天数，从前向后遍历每个bit位。【数字和1做与运算】