Redis滚动分页的使用

Feed流

关注推送也叫Feed流。通过无限下拉刷新获取新的信息。

Feed流产品常见有两种模式：

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。

Timeline模式的实现方案有三种：拉模式、推模式、推拉结合

拉模式

拉模式也叫读扩散。这是因为，进行阅读的用户本身不接受任何数据，当开始阅读时，才会将关注的内容拉取。模型图如下

优点：

节省内存空间，因为收件箱阅读结束后就会清空，相当于消息只在个人的发件箱中保存了一份。

缺点：

耗时较久，因为除了需要拉取消息外，还需要对消息进行排序，这个过程比较耗时，当一个用户关注的人较多，一次性拉取的消息过多这个耗时会更久。

推模式

推模式也叫写扩散。这是因为当一个人发表动态时，会将该信息推送到每个关注他的收件箱。

优点：

延时低，当粉丝读取消息时，已经是一个排序好的数据。

缺点：

占用内存空间，同一份消息需要存储n份。当一个人粉丝很多时，存储过多重复数据。

推拉结合

也叫读写混合，兼具推拉两种模式的优点。

粉丝数量多的账号拥有一个发件箱，发件箱会推送给活跃用户的收件箱，而对于普通用户不经常使用的，采取拉模式，当开始阅读时，主动从发件箱中拉去。对于粉丝数量不多的一般用户，直接采取推模式即可。

三种模式对比

	拉模式	推模式	推拉结合
写比例	低	高	中
读比例	高	低	中
用户读取延迟	高	低	低
实现难度	复杂	简单	很复杂
使用场景	很少使用	用户量少，没有大V	过千万用户量，存在大V

Feed流的分页问题

我们通常对一个页面能够展示的数据有一定限制，因此当收件箱存在很多数据时，我们需要实现分页功能。如何实现Feed流的分页功能是一个复杂的问题，如果采用MyBatis中的分页插件是不能满足分页功能的，因为Feed流是一个动态的，数据会不断更新，因此数据的角标会不停更新，当我们需要查询第5-10条的数据时，可能又保存了一个新的数据到数据库，从而导致我们分页查找的数据存在与上一次查询的数据重复的问题，具体问题流程图如下。

因此我们需要采用滚动分页，所谓滚动分页就是每次查询过数据库后，我们需要记录这一次查询结果的最后一条数据，下一次查询时，从上一次的最后一条开始往后查。流程图如下

而满足滚动分页的Redis数据结构只有ScoreSet，记录每次执行结束后最后一个数据的分数，下一次查询时，从该分数的下一个开始查询。因为我们要根据时间进行排序，因此，这里的分数应该是时间戳。那么实现滚动分页的语句应该为

ZRANGEBYSCORE key -inf +inf WITHSCORES LIMT offset count

命令解释：

• -inf：表示最小值
• +inf：表示最大值，这样可以在不知道分数的情况下，对全部的值进行操作
• offset：偏移量，表示当前数据之后第几个偏移量后开始获取元素
• count：需要获取元素的数量

在我们实际开发中，还需要注意一个问题就是score重复的问题。对于score重复我们应该记录本次查询结果中，最小score的数量，来充当下一次的偏移量，比如说我在Redis中存在如下几个数据

如果我们一次查询3条数据，在记录到当前查询的最小分数后，下次查询时指定偏移量为1时，那么可能会存在如下问题

zrevrangebyscore feed:test +inf -inf withscores limit 0 3

此时我们查找到m5与n5，接下来我们应该从i5开始查找，那么如果将偏移量设置为 1 进行测试观察结果

zrevrangebyscore feed:test 5 -inf withscores limit 1 3

可以看到，他是从第一个分数等于5的开始计算，获取之后的三个元素，因此，我们需要在开发中，对偏移量进行计算，方便我们下次进行查询时设置偏移量，大概的Java代码如下

//lastId指的是本次查询的最小分数值
//offset指的是偏移量
public Result queryPage(Long lastId, Integer offset) {
    //2、查询属于自己的收件箱
    Set<ZSetOperations.TypedTuple<String>> typedTuples =
            stringRedisTemplate.opsForZSet()
                    .reverseRangeByScoreWithScores(FEED_KEY, 0, lastId, offset, 3);
    //如果set等于null
    if (typedTuples==null || typedTuples.isEmpty()){
        return Result.ok();
    }
    //3、解析数据minTime
    //记录最小分数
    long score=0;
    //记录偏移量
    int os=1;
    List<String> pageValue=new ArrayList<>(typedTuples.size());//设置列表长度为typedTuples的大小
    for (ZSetOperations.TypedTuple<String> typedTuple : typedTuples) {
        String value = typedTuple.getValue();
        //将查询的数据存储在集合中
        pageValue.add(value);
        //记录当前分数
        long time = typedTuple.getScore().longValue();
        if (time==score){
        	//如果当前分数相同，则偏移量加1 
            os++;
        }else {
            //如果不同，说明当前的分数更低，刷新偏移量
            score=time;
            os=1;
        }
    }
    //返回最小的分数以及偏移量供下次调用时使用。
    Pages pages = new Pages();
    pages.setPageValue(pageValue);
    pages.setLastId(score);
    pages.setOffset(os);
    return Result.ok(pageValue);
}