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);
}
