【无标题】

点赞

​ 在我个人理解中,点赞业务比较频繁,很多人业务可能都会有这个,比如:博客,视频,文章,动态,评论等,但是不应该是核心业务,不应该大量地请求MySQL数据库,给数据库造成大量的资源消耗,MySQL的数据库是非常宝贵的.

以某音为例,当我去搜索的时候,全抖音比较高的点赞数目应该是在1200w - 2000w,我们自己的业务肯定答不到这么高的,但是假设有10个100w的点赞的博客,user_id为用户ID,publication_id为博客的id

第一种方式是直接操作数据库.每次有点赞或者取消点赞操作时,就更新MySQL数据库的点赞数.同时,插入或者更新一个user_id和publication_id的数据行,如果点赞操作非常频繁，会对数据库产生很大的压力.如果有大量的点赞记录,会对数据库产生很大的数据量,一篇文章,100w+的点赞的记录,对于MySQL来说,是非常恐怖的.

第二种方式是通过MySQL + Redis的Set来实现,具体代码如下,以下的代码为B站Redis黑马点评项目:

@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;
    Boolean isMember = stringRedisTemplate.opsForSet().isMember(key, userId.toString());

    if(BooleanUtil.isFalse(isMember)){
        // 3. 如果未点赞，可以点赞
        // 3.1 数据库点赞数+1
        boolean isSuccess = update().setSql("liked = liked + 1").eq("id", id).update();

        // 3.2 保存用户到Redis的set集合
        if(isSuccess){
            stringRedisTemplate.opsForSet().add(key, userId.toString());
        }
    } else {
        // 4. 如果已点赞，取消点赞
        // 4.1 数据库点赞数-1
        boolean isSuccess = update().setSql("liked = liked - 1").eq("id", id).update();

        // 4.2 把用户从Redis的set集合移除
        if(isSuccess){
            stringRedisTemplate.opsForSet().remove(key, userId.toString());
        }
    }
}

这样造成的问题是,Redis是内存数据库，点赞信息存储在内存中。当点赞数量非常大时，会占用大量内存。

下面测试一下,一个key为"userId:114514:publication_id:738836",value为100000-1100000的数据

数据量

判断一个value是否存在这个set中-----(对应的业务为"判断当前登录用户是否已经点赞")

    @Test
    public void selectBigKey() {
        String key = "userId:114514:publication_id:738836";
        String value1 = "100000";
        String value2 = "5000000";
        // 记录开始时间
        long startTime = System.nanoTime();

        boolean cacheSet1 = RedisUtils.containsInCacheSet(key, value1);
        if (cacheSet1) {
            System.out.println("代码2:" + "存在这个value");
        } else {
            System.out.println("代码2:" + "不存在这个value");
        }
        // 记录结束时间
        long endTime = System.nanoTime();

        // 计算执行时间（以毫秒为单位）
        long executionTime = (endTime - startTime) / 1_000_000; // 将纳秒转换为毫秒

        System.out.println("代码执行时间1: " + executionTime + " 毫秒");

        // 记录开始时间
        long startTime2 = System.nanoTime();

        boolean cacheSet2 = RedisUtils.containsInCacheSet(key, value2);
        if (cacheSet2) {
            System.out.println("代码2:" + "存在这个value");
        } else {
            System.out.println("代码2:" + "不存在这个value");
        }

        // 记录结束时间
        long endTime2 = System.nanoTime();

        // 计算执行时间（以毫秒为单位）
        long executionTime2 = (endTime2 - startTime2) / 1_000_000; // 将纳秒转换为毫秒

        System.out.println("代码执行时间2: " + executionTime2 + " 毫秒");

    }

可以看到,其实对于时间来说,61毫秒和66毫秒可以说时间非常短了,不愧是redis,即使数据量很大,但是查询一个value是否在比较大的set的效率是非常短的.

往一个key中添加一个value,或者删除一个value--->(对应一个点赞,和取消点赞)
    public void addAndRemoveElementFromBigKey() {
        String key = "userId:114514:publication_id:738836";
        String value1 = "10000000";
        String value2 = "200000";

        // 记录开始时间
        long startTime = System.nanoTime();

        boolean cacheSet1 = RedisUtils.addToCacheSet(key, value1);

        // 记录结束时间
        long endTime = System.nanoTime();

        // 计算执行时间（以毫秒为单位）
        long executionTime = (endTime - startTime) / 1_000_000; // 将纳秒转换为毫秒

        System.out.println("添加一个元素的执行时间: " + executionTime + " 毫秒");

        // 记录开始时间
        long startTime2 = System.nanoTime();

        boolean cacheSet2 = RedisUtils.removeFromCacheSet(key, value2);

        // 记录结束时间
        long endTime2 = System.nanoTime();

        // 计算执行时间（以毫秒为单位）
        long executionTime2 = (endTime2 - startTime2) / 1_000_000; // 将纳秒转换为毫秒

        System.out.println("删除一个元素的代码执行时间: " + executionTime2 + " 毫秒");

    }

详细代码如下:

这个命令将在collectionName集合上创建一个名为unique_index_name的唯一索引，涵盖了userId、type和likedItemId字段。 1表示升序，如果需要降序索引，可以使用-1。 unique: true选项确保索引是唯一的。

执行这个命令后，如果有重复的组合出现在这三个字段上，MongoDB将会阻止插入并抛出错误。

即如果里面有记录为已经点过赞,点赞就是往里面加记录,取消点赞就是删除记录

• 但从时间来讲,只有一个字:快

• 查询占用的内存的空间

• 

• ​ 其实可以看到,大概是占用66mb,如果用户的id为雪花算法的id,那可能占用的内存100mb

  以上来说,主要还是一个bigkey的问题,如果点赞的数量过大,占用的内存过大,宝贵的内存不应该给这种业务.

• 自然而然,我们想到用非关系型数据库,但是不要是基于内存的,我想到的是用MongoDB的方案

  我们可以往MongoDB中插入一条这样的数据:

• db.collectionName.insertOne({
    "id": "yourIdValue",
    "userId": yourUserIdValue,
    "type": yourTypeValue,
    "likedItemId": yourLikedItemIdValue,
    "createTime": new Date

• ("yourCreateTimeValue")
  });

• id 主键id,userId为用户的ID,type为文章或者动态或者其他的类型,likedItemId为文章或者动态或者其他的类型的主键ID,createTime为点赞时间

  在MongoDB中，可以使用createIndex方法来创建唯一索引。为userId,type和likedItemId字段创建一个唯一索引。

• db.collectionName.createIndex(
    { "userId": 1, "type": 1, "likedItemId": 1 },
    { unique: true, name: "unique_index_name" }
  );

  详细解释:

• collectionName：集合名称。
• unique_index_name：你想要给索引起的名字，可以根据你的需求替换为其他名称。

@Service
public class LikeServiceImpl implements LikeService {
    @Autowired
    private MongoTemplate mongoTemplate;

    @Autowired
    private PublicationService publicationService;

    /**
     * 为动态或者文章点赞
     *
     * @param publicationId 动态或者文章的ID
     * @param userId        用户的ID
     * @param type          类型,区分是文章还是动态
     * @return 点赞总数
     */
    @Override
    public Integer likePublication(Long publicationId, Long userId, Integer type) {
        // 构建查询条件
        Criteria criteria = Criteria.where("userId").is(userId)
                .and("type").is(type)
                .and("likedItemId").is(publicationId);
        // 创建查询对象并应用查询条件
        Query query = new Query(criteria);
        boolean isExists = mongoTemplate.exists(query, PublicationLike.class);

        if (isExists) {
            Asserts.fail("重复点赞");
        }
        //将点赞记录保存到mongodb
        PublicationLike publicationLike = new PublicationLike();
        publicationLike.setType(type);
        publicationLike.setCreateTime(DateUtil.date());
        publicationLike.setLikedItemId(publicationId);
        publicationLike.setUserId(userId);
        PublicationLike savedLike = mongoTemplate.save(publicationLike);
        //点赞数统计

        String redisLikeCountKey = String.format(RedisConstant.PUBLICATION_LIKE_COUNT, publicationId, userId, type);
        Long likeCount = RedisUtils.getAtomicValueWithDefault(redisLikeCountKey);
        //如果没有缓存过点赞数,则查询数据库
        if (likeCount.equals(-1L)) {
            Publication publication = publicationService.getById(publicationId);
            RedisUtils.setAtomicValue(redisLikeCountKey, publication.getLikeCount());
            return publication.getLikeCount();
        } else {
            //返回点赞数+1
            return Math.toIntExact(RedisUtils.incrAtomicValue(redisLikeCountKey));
        }

    }

    @Override
    public Integer unlikePublication(Long publicationId, Long userId, Integer type) {
        // 构建查询条件
        Criteria criteria = Criteria.where("userId").is(userId)
                .and("type").is(type)
                .and("likedItemId").is(publicationId);
        // 创建查询对象并应用查询条件
        Query query = new Query(criteria);
        boolean isExists = mongoTemplate.exists(query, PublicationLike.class);

        if (!isExists) {
            Asserts.fail("未点赞过该内容，无法取消点赞");
        }

        // 从MongoDB中删除点赞记录
        mongoTemplate.remove(query, PublicationLike.class);

        // 更新点赞数统计
        String redisLikeCountKey = String.format(RedisConstant.PUBLICATION_LIKE_COUNT, publicationId, userId, type);
        Long likeCount = RedisUtils.getAtomicValueWithDefault(redisLikeCountKey);

        // 如果点赞数存在于缓存中，减少点赞数并返回
        if (!likeCount.equals(-1L)) {
            long newLikeCount = RedisUtils.decrAtomicValue(redisLikeCountKey);
            return Math.toIntExact(newLikeCount);
        } else {
            // 如果点赞数没有缓存，查询数据库并更新缓存
            Publication publication = publicationService.getById(publicationId);
            if (publication != null) {
                RedisUtils.setAtomicValue(redisLikeCountKey, publication.getLikeCount());
                return publication.getLikeCount();
            } else {
                Asserts.fail("无法获取点赞数");
                return 0;
            }
        }
    }

}