分布式存储极致性能Redis(2)

接上一部分

一、SRM(SpringBoot+Redis+Mybatis)(重写Redis的序列化)的缓存实战

1.1 新增Redis和Swagger2的配置类

RedisConfig.java

@Configuration
@Slf4j
public class RedisConfig {
     

    @Bean
    public RedisTemplate<String, Serializable> redisTemplate(LettuceConnectionFactory lettuceConnectionFactory) {
     
        RedisTemplate<String, Serializable> redisTemplate = new RedisTemplate<>();

        redisTemplate.setConnectionFactory(lettuceConnectionFactory);
        //设置key序列化方式string
        redisTemplate.setKeySerializer(new StringRedisSerializer());
        //设置value的序列化方式为json
        redisTemplate.setValueSerializer(new GenericJackson2JsonRedisSerializer());

        redisTemplate.setHashKeySerializer(new StringRedisSerializer());
        redisTemplate.setHashValueSerializer(new GenericJackson2JsonRedisSerializer());

        redisTemplate.afterPropertiesSet();
        return redisTemplate;
    }

}

SwaggerConfig.java

@Configuration
@EnableWebMvc
public class SwaggerConfig {
     

    @Value("true")
    private Boolean enabled;

    @Bean
    public Docket createRestApi() {
     
        return new Docket(DocumentationType.SWAGGER_2)
                .apiInfo(apiInfo())
                .enable(enabled)
                .select()
                .apis(RequestHandlerSelectors.basePackage("com.hmx.redis"))//你自己的package
                .paths(PathSelectors.any())
                .build();
    }

    public ApiInfo apiInfo() {
     
        return new ApiInfoBuilder()
                .title("redis6" + "\t" + new SimpleDateFormat("yyyy-MM-dd").format(new Date()))
                .description("大厂redis")
                .version("1.0")
                .termsOfServiceUrl("https://www.hmx123.xyz/")
                .build();
    }
}

1.2 编写service层和controller层并编写dto层

UserService.java

@Service
@Slf4j
public class UserService {
     

    public static final String CACHE_KEY_USER = "user";

    @Resource
    private UserMapper userMapper;

    @Resource
    private RedisTemplate redisTemplate;

    public void addUser(User user) {
     
        //1. 先插入mysql并成功
        int i = userMapper.insertSelective(user);

        if (i > 0) {
     
            //2. 需要确保mysql数据插入成功再查询一次mysql中的数据
            User user1 = userMapper.selectByPrimaryKey(user.getId());
            //3. 将捞出的User存进redis，完成新增功能的数据一致性。
            String key = CACHE_KEY_USER + user.getId();
            redisTemplate.opsForValue().set(key, user);
        }
    }

    public void deleteUser(Integer id) {
     
        int i = userMapper.deleteByPrimaryKey(id);

        if (i > 0) {
     
            String key = CACHE_KEY_USER + id;
            redisTemplate.delete(key);
        }

    }

    public void updateUser(User user) {
     
        int i = userMapper.updateByPrimaryKeySelective(user);
        if (i > 0) {
     
            //2. 需要确保mysql数据插入成功再查询一次mysql中的数据
            User user1 = userMapper.selectByPrimaryKey(user.getId());
            //3. 将捞出的User存进redis，完成新增功能的数据一致性。
            String key = CACHE_KEY_USER + user.getId();
            redisTemplate.opsForValue().set(key, user);
        }
    }

    public User findUserById(Integer id) {
     
        User user = null;
        String key = CACHE_KEY_USER + id;

        //1. 先从redis中查询数据，如果有直接返回结果，如果没有再去查询mysql
        user = (User)redisTemplate.opsForValue().get(key);

        if (user == null) {
     
            //2. redis中无，继续查询mysql
            user = userMapper.selectByPrimaryKey(id);
            if (user == null) {
     
                //3.1 redis+mysql 都无数据
                return user;
            } else {
     
                //3.2 mysql有，需要将数据写回redis,保证下一次的缓存命中率
                redisTemplate.opsForValue().set(key, user);
            }
        }
        return user;
    }
}

UserController.java

@Api(value = "用户User接口")
@RestController
@Slf4j
@RequestMapping("/user")
public class UserController {
     

    @Resource
    private UserService userService;

    @ApiOperation("数据库新增5条记录")
    @RequestMapping(value = "/add", method = RequestMethod.POST)
    public void addUser() {
     
        for (int i = 0; i < 5; i++) {
     
            User user = new User();
            user.setUsername("zzyy" + i);
            user.setPassword(IdUtil.simpleUUID().substring(0, 6));
            //[0,2)
            user.setSex((byte) new Random().nextInt(2));
            userService.addUser(user);
        }
    }

    @ApiOperation("删除一条记录")
    @RequestMapping(value = "/delete/{id}", method = RequestMethod.POST)
    public void deleteUser(@PathVariable Integer id) {
     
        userService.deleteUser(id);
    }

    @ApiOperation("修改一条记录")
    @RequestMapping(value = "/update", method = RequestMethod.POST)
    public void updateUser(@RequestBody UserDTO userDTO) {
     
        User user = new User();
        BeanUtils.copyProperties(userDTO, user);
        userService.updateUser(user);
    }

    @ApiOperation("查询一条记录")
    @RequestMapping(value = "/find/{id}", method = RequestMethod.GET)
    public User findUserById(@PathVariable Integer id) {
     
        return userService.findUserById(id);
    }
}

UsrtDTO.java

@NoArgsConstructor
@AllArgsConstructor
@Data
@ApiModel(value = "用户信息")
public class UserDTO {
     

    @ApiModelProperty(value = "用户ID")
    private Integer id;

    @ApiModelProperty(value = "用户名")
    private String username;

    @ApiModelProperty(value = "密码")
    private String password;

    @ApiModelProperty(value = "性别 0=女 1=男")
    private Byte sex;

    @ApiModelProperty(value = "删除标志，默认0不删除，1删除")
    private Byte deleted;

    @ApiModelProperty(value = "更新时间")
    private Date updateTime;

    @ApiModelProperty(value = "创建时间")
    private Date createTime;

}

1.3 启动项目使用swagger进行测试

swagger访问地址: http://localhost:5555/swagger-ui/index.html

1.3.1 测试新增

1.3.2 测试删除

1.3.3 测试修改

如果查看redis信息时显示的value是被压缩过而不是原始的key,value,可以在连接客户端时，加上–raw参数

redis-cli --raw

1.3.4 测试查询

最后可以测试一下把redis中数据删掉，然后再通过请求查询数据，数据是否会被回写到redis中。

1.4 优化(防止缓存击穿)

UserService.java

public User findUserById(Integer id) {
     
        User user = null;
        String key = CACHE_KEY_USER + id;

        //1. 先从redis中查询数据，如果有直接返回结果，如果没有再去查询mysql
        user = (User)redisTemplate.opsForValue().get(key);

        if (user == null) {
     
            //2. 对于高QPS的优化，进来就先加锁，保证一个请求操作，让外面的redis
            //等待一下，避免击穿mysql,这里采用了类似DCL单例的思想
            synchronized (UserService.class) {
     
                user = (User) redisTemplate.opsForValue().get(key);
                //3. 二次查redis还是null
                if (user == null) {
     
                    //4. 查询mysql拿数据
                    user = userMapper.selectByPrimaryKey(id);
                    if (user == null) {
     
                        return null;
                    } else {
     
                        //5. mysql里面有数据的，需要回写redis,完成数据一致性的同步工作
                        redisTemplate.opsForValue().setIfAbsent(key, user, 7L, TimeUnit.DAYS);
                    }
                    return null;
                }
            }
        }
        return user;
    }

二、redis经典五种数据类型介绍及落地运用

2.1 redis中的所有数据类型

1. String(字符类型)
2. Hash(散列类型)
3. List(列表类型)
4. Set(集合类型)
5. SortedSet(有序集合类型，简称zset)
6. Bitmap(位图)
7. HyperLogLog(统计)
8. GEO(地理)
9. Stream(简单了解即可)(使用Redis作为MQ时用到的东西，但是基本上不会用redis作为MQ使用的)

2.2 redis注意事项及使用说明

1. 命令不区分大小写，key区分大小写
2. help @类型名词可以查看该类型所有的命令信息

2.3 redis中各个数据类型的应用场景

2.3.1 String

1. 抖音无线点赞某个视频或者商品，点一下加一次
2. 秒杀系统预减库存

2.3.2 Hash

JD购物车早期

2.3.3 list

1. 微信公众号订阅的消息(一个人关注多个公众号)
2. 商品评论列表(key是商品的id, value是商品评论信息商品编号为1001的商品品论)
   

2.3.4 set

1. 微信抽奖小程序
   

2. 微信朋友圈点赞


3. 微博好友关注社交关系（共同关注的人）
4. QQ内推荐可能认识的人

zset(向有序集合中加入一个元素和该元素的分数）

1. 根据商品销售对商品进行排序显示
   
2. 抖音热搜

2.4 微信文章阅读量统计案例

1. ArticleController.java

@RestController
@Slf4j
@Api(value = "喜欢的文章接口")
public class ArticleController
{
     
    @Resource
    private ArticleService articleService;

    @ApiOperation("喜欢的文章，点一次加一个喜欢")
    @RequestMapping(value ="/view/{articleId}", method = RequestMethod.POST)
    public void likeArticle(@PathVariable(name="articleId") String articleId)
    {
     
        articleService.likeArticle(articleId);
    }
}

2. ArticleService.java

@Service
@Slf4j
public class ArticleService
{
     
    public static final String ARTICLE = "article:";
    @Resource
    private StringRedisTemplate stringRedisTemplate;

    public void likeArticle(String articleId)
    {
     
        String key = ARTICLE+articleId;
        Long likeNumber = stringRedisTemplate.opsForValue().increment(key);
        log.info("文章编号:{},喜欢数:{}",key,likeNumber);
    }
}

测试

结论

中小厂可以用，QPS特别高的大厂不可以用

三、redis新类型bitmap/hyperloglog/GEO

3.1 面试题

1. 手机App中的每天的用户登录信息： 1天对应1系列用户ID或移动设备ID;
2. 电商网站上商品的用户评论列表: 1个商品对应了1系列的评论
3. 用户在手机App上的签到打卡信息: 1天对应1系列用户的签到记录；
4. 应用网站上的网页访问信息: 1个网页对应1系列的访问点击。
5. 在移动应用中，需要统计每天的新增用户数和第二天的留存用户数
6. 在电商网站的商品评论中，需要统计一个月内连续打卡的用户数
7. 在签到打卡中，需要统计独立访客(UniqueVistor,UV)量
   痛点
   类似今日头条、抖音、淘宝这样的用户访问级别都是亿级的，请问如何处理?

3.2 亿级系统中常见的四种统计

1. 聚合统计

• 统计多个集合元素的聚合结果，就是前面讲过的==交集并集等集合统计
• 交并差集和聚合函数的应用

2. 排序统计
   问题: 抖音视频最新评论留言的场景，请你设计一个展现列表?
   list, zset
   在面对需要展示最新列表、排行榜等场景时，如果数据更新频繁或者需要分页显示，建议使用ZSet
   list: 每个商品评价对应一个List集合，这个List包含了对这个商品的所有评论，而且会按照评论时间保存这些评论，**每来一个新评论就用LPUSH命令把它插入到List的队头。但是如果再演示第二页前，又产生了一个新评论，第2页的评论不一样了。原因: **
   List是通过元素在List中的位置排序的，当有一个新元素插入时，原先的元素在List中的位置都后移了一位，原来在第一位的元素现在排在了第2位，当LRANGE读取时，就会读到旧元素。
   zset:
   
3. 二值统计
   集合元素的取值就只有0和1两种。
   在钉钉上班签到打卡的场景中，我们只用记录有签到(1)或没签到(0)
   见 bitmap
4. 基数排序
   统计一个集合中不重复元素的个数

3.3 bitmap(位图)

3.3.1 是什么?

Bit-map的基本思想就是用一个bit位来标记某个元素对应的Value，而Key即是该元素。由于采用了Bit为单位来存储数据，因此在存储空间方面，可以大大节省。（PS：划重点 节省存储空间）

说明: 用String类型作为底层数据结构实现的一种统计二值状态的数据类型
位图本质是数组，他是基于String数据类型的按位的操作。该数组由多个二进制为组成，每个二进制位都对应一个偏移量(我们可以称之为一个索引或者位格)。Bitmap支持的最大位数是2^32位，他可以极大的基于存储空间，使用512M内存就可以存储42.9亿的字节信息(2^32=4294967296)

一句话: 由0和1状态表现的二进制位的bit数组
位图详细介绍

3.3.2 能干嘛?

1. 用于状态统计: Y、N，类似AtomicBoolean
2. 看需求
   • 用户是否登录过
   • 电影、广告是否被点击播放过
   • 钉钉打卡上下班，签到统计
3. 大厂真实案例
   • 日活统计
   • 连续签到打卡
   • 最近一周的活跃用户
   • 统计指定用户一年之中的登录天数
   • 某用户按照一年365天，那几天登录过?哪几天没有登录?全年中登录的天数共计多少?

3.3.3 案例(京东签到领京豆)

3.3.3.1 需求说明

3.3.3.2 小厂方法，传统mysql方式

1. 建表

drop table user_sign;
CREATE TABLE user_sign ( 
	keyid BIGINT NOT NULL PRIMARY KEY AUTO_INCREMENT, 
	user_key VARCHAR (200), #京东用户ID 
	sign_date DATETIME, #签到日期(20210618) 
	sign_count INT# 连续签到天数
)

INSERT INTO user_sign ( user_key, sign_date, sign_count ) VALUES ( '20210618-xxxx-xxxx-xxxx-xxxxxxxxxxxx', '2020-06-18 15:11:12', 1 );
SELECT
	sign_count 
FROM
	user_sign 
WHERE
	user_key = '20210618-xxxx-xxxx-xxxx-xxxxxxxxxxxx' 
	AND sign_date BETWEEN '2020-06-17 00:00:00' 
	AND '2020-06-18 23:59:59' 
ORDER BY
	sign_date DESC

困难和解决思路：

方法正确但是难以落地实现，签到用户量较小时这么设计能行，但京东这个体量的用户（估算3000W签到用户，一天一条数据，一个月就是9亿数据）对于京东这样的体量，如果一条签到记录对应着当日用记录，那会很恐怖…

如何解决这个痛点？

1 一条签到记录对应一条记录，会占据越来越大的空间。
2 一个月最多31天，刚好我们的int类型是32位，那这样一个int类型就可以搞定一个月，32位大于31天，当天来了位是1没来就是0。
3 一条数据直接存储一个月的签到记录，不再是存储一天的签到记录。

3.3.3.3 大厂方法，基于Redis的Bitmaps实现签到日历

在签到统计时，每个用户一天的签到用1个bit位就能表示，一个月（假设是31天）的签到情况用31个bit位就可以，一年的签到也只需要用365个bit位，根本不用太复杂的集合类型

3.3.4 基本命令

setbit: Bitmap的偏移量是从0开始算的

setbit和getbit案例(按照年)

按年去存储一个用户的签到情况，365 天只需要 365 / 8 ≈ 46 Byte，1000W 用户量一年也只需要 44 MB 就足够了。

假如是亿级的系统，
每天使用1个1亿位的Bitmap约占12MB的内存（10^8/8/1024/1024），10天的Bitmap的内存开销约为120MB，内存压力不算太高。在实际使用时，最好对Bitmap设置过期时间，让Redis自动删除不再需要的签到记录以节省内存开销。

bitmap的底层编码说明,get命令如何操作

1. 实际上是二进制的ascill码对应
2. redis里用type命令查看bitmap实质是String类型
3. man ascii在linux操作系统中查看ascii表
4. 设置命令
   两个setbit命令对k1进行设置后，对应的二进制串就是0100 0001二进制串就是0100 0001对应的10进制就是65，所以见下图：
   

strlen: 统计字节数占用多少

bitcount:

1. 全部键里面含有1的有多少个

3. 一年365天，全年天天登陆占用多少字节

bitop

连续2天都签到的用户

加入某个网站或者系统，它的用户有1000W，做个用户id和位置的映射
比如0号位对应用户id：uid-092iok-lkj
比如1号位对应用户id：uid-7388c-xxx

3.4 hyperloglog

3.4.1 名词

UV(Unique Vistor)

独立访客，可以理解为客户端IP
需要去重统计

PV(Page View)

页面浏览量
不用去重

DAU(Daily Active User)

日活跃用户量:
登录了或者使用了某个产品的用户数(去重复登录的用户数)
常用于反应网站、互联网应用或者网络游戏的运营情况

MAU(Monthly Active User)

月活跃用户量:

3.4.2 看需求

1. 统计某个网站的UV，统计某个文章的UV
2. 用户搜索网站关键词的数量
3. 统计用户每天搜索不同词条个数

3.4.3 是什么

去重复统计功能的基数估计算法-就是HyperLogLog

基数
是一种数据集，去重复后的真实个数

基数统计:
用于统计一个集合中不重复的元素个数，就是对集合去重复后剩余元素的计算
一句话:
去重脱水后的真实数据

3.4.5 HyPerLogLog如何做的？如何演化出来的？

基数统计就是HyperLogLog

3.4.5.1 去重统计的方式

HashSet:
bitmap:
如果数据显较大亿级统计,使用bitmaps同样会有这个问题。

bitmap是通过用位bit数组来表示各元素是否出现，每个元素对应一位，所需的总内存为N个bit。
基数计数则将每一个元素对应到bit数组中的其中一位，比如bit数组010010101(按照从零开始下标，有的就是1、4、6、8)。
新进入的元素只需要将已经有的bit数组和新加入的元素进行按位或计算就行。这个方式能大大减少内存占用且位操作迅速。

But，假设一个样本案例就是一亿个基数位值数据，一个样本就是一亿
如果要统计1亿个数据的基数位值,统计字节数占用多少,内存减少占用的效果显著。
这样得到统计一个对象样本的基数值需要12M。

如果统计10000个对象样本(1w个亿级),就需要117.1875G将近120G，可见使用bitmaps还是不适用大数据量下(亿级)的基数计数场景，

但是bitmaps方法是精确计算的。

结论

样本元素越多内存消耗急剧增大，难以管控+各种慢，
对于亿级统计不太合适，大数据害死人，

办法

概率算法

通过牺牲准确率来换取空间，对于不要求绝对准确率的场景下可以使用，因为概率算法不直接存储数据本身，
通过一定的概率统计方法预估基数值，同时保证误差在一定范围内，由于又不储存数据故此可以大大节约内存。

HyperLogLog就是一种概率算法的实现。

3.4.5.2 原理说明

• 只是进行不重复的基数统计，不是集合也不保存数据，只记录数量而不是具体内容。
• 有误差
  • 非精确统计
  • 牺牲准确率来换取空间，误差仅仅只是0.81%左右

经典面试题

1.为什么redis集群的最大槽数是16384个？

Redis集群并没有使用一致性hash而是引入了哈希槽的概念。Redis 集群有16384个哈希槽，每个key通过CRC16校验后对16384取模来决定放置哪个槽，集群的每个节点负责一部分hash槽。但为什么哈希槽的数量是16384（2^14）个呢？
CRC16算法产生的hash值有16bit，该算法可以产生2^16=65536个值。
换句话说值是分布在0~65535之间。那作者在做mod运算的时候，为什么不mod65536，而选择mod16384？

https://github.com/redis/redis/issues/2576

正常的心跳数据包带有节点的完整配置，可以用幂等方式用旧的节点替换旧节点，以便更新旧的配置。
这意味着它们包含原始节点的插槽配置，该节点使用2k的空间和16k的插槽，但是会使用8k的空间（使用65k的插槽）。
同时，由于其他设计折衷，Redis集群不太可能扩展到1000个以上的主节点。
因此16k处于正确的范围内，以确保每个主机具有足够的插槽，最多可容纳1000个矩阵，但数量足够少，可以轻松地将插槽配置作为原始位图传播。请注意，在小型群集中，位图将难以压缩，因为当N较小时，位图将设置的slot / N位占设置位的很大百分比。

(1)如果槽位为65536，发送心跳信息的消息头达8k，发送的心跳包过于庞大。
在消息头中最占空间的是myslots[CLUSTER_SLOTS/8]。 当槽位为65536时，这块的大小是: 65536÷8÷1024=8kb
因为每秒钟，redis节点需要发送一定数量的ping消息作为心跳包，如果槽位为65536，这个ping消息的消息头太大了，浪费带宽。

(2)redis的集群主节点数量基本不可能超过1000个。
集群节点越多，心跳包的消息体内携带的数据越多。如果节点过1000个，也会导致网络拥堵。因此redis作者不建议redis cluster节点数量超过1000个。 那么，对于节点数在1000以内的redis cluster集群，16384个槽位够用了。没有必要拓展到65536个。

(3)槽位越小，节点少的情况下，压缩比高，容易传输
Redis主节点的配置信息中它所负责的哈希槽是通过一张bitmap的形式来保存的，在传输过程中会对bitmap进行压缩，但是如果bitmap的填充率slots / N很高的话(N表示节点数)，bitmap的压缩率就很低。 如果节点数很少，而哈希槽数量很多的话，bitmap的压缩率就很低。

3.4.6 基本命令

3.4.7 案例(天猫网站首页以及UV的Redis统计方案)

需求

1. UV的统计需要去重，一个用户一天内的多次访问只能算作一次
2. 淘宝、天猫首页的UV，平均每天是1~1.5个亿左右
3. 每天存1.5个亿的IP，访问者来了后先去查是否存在，不存在加

方案

用mysql:
傻xxx
用redis的hash结构存储:

redis的hash结构，技术上没错，但是无法落地，按照天猫、淘宝的体量，一个月60G
用hyperloglog的方案:

为什么是12Kb？

每个桶取6位，16384*6÷8 = 12kb，每个桶有6位，最大全部都是1，值就是63

代码

HyperLogLogController.java

@Api(value = "案例实战总03:天猫网站首页亿级UV的Redis统计方案")
@RestController
@Slf4j
public class HyperLogLogController {
     

    @Resource
    private RedisTemplate redisTemplate;

    @ApiOperation("获得ip去重复后的首页访问量，总数统计")
    @RequestMapping(value = "/uv",method = RequestMethod.GET)
    public long uv() {
     
        //pfcount
        return redisTemplate.opsForHyperLogLog().size("hll");
    }

}

HyperLogLogService.java

@Service
@Slf4j
public class HyperLogLogService
{
     
    @Resource
    private RedisTemplate redisTemplate;

    /**
     * 模拟有用户来点击首页，每个用户就是不同的ip，不重复记录，重复不记录
     */
    @PostConstruct
    public void init() {
     
        log.info("------模拟后台有用户点击，每个用户ip不同");
        //自己启动线程模拟，实际上产不是线程
        new Thread(() -> {
     
            String ip = null;
            for (int i = 1; i <=200; i++) {
     
                Random random = new Random();
                ip = random.nextInt(256)+"."+random.nextInt(256)+"."+random.nextInt(256)+"."+random.nextInt(256);

                Long hll = redisTemplate.opsForHyperLogLog().add("hll", ip);
                log.info("ip={},该ip访问过的次数={}",ip,hll);
                //暂停3秒钟线程
                try {
      TimeUnit.SECONDS.sleep(3); } catch (InterruptedException e) {
      e.printStackTrace(); }
            }
        },"t1").start();
    }

}

测试

3.5 GEO

3.5.1 简介

移动互联网时代LBS应用越来越多，交友软件中附近的小姐姐、外卖软件中附近的美食店铺、打车软件附近的车辆等等，那这种附近各种形形色色的XXX地址位置选择是如何实现的？

地球上的地理位置是使用二维的经纬度表示，经度范围 (-180, 180]，纬度范围 (-90, 90]，只要我们确定一个点的经纬度就可以名曲他在地球的位置。
例如滴滴打车，最直观的操作就是实时记录更新各个车的位置，
然后当我们要找车时，在数据库中查找距离我们(坐标x0,y0)附近r公里范围内部的车辆

使用如下SQL即可：

select taxi from position where x0-r < x < x0 + r and y0-r < y < y0+r

但是这样会有什么问题呢？
1.查询性能问题，如果并发高，数据量大这种查询是要搞垮数据库的
2.这个查询的是一个矩形访问，而不是以我为中心r公里为半径的圆形访问。
3.精准度的问题，我们知道地球不是平面坐标系，而是一个圆球，这种矩形计算在长距离计算时会有很大误差

3.5.2 Redis在3.2版本以后增加了地理位置的处理

3.5.3 原理

核心思想就是将球体转换为平面，区块转换为一点

主要分为三步
将三维的地球变为二维的坐标
在将二维的坐标转换为一维的点块
最后将一维的点块转换为二进制再通过base32编码

3.5.3.1 GeoHash核心原理解析

https://www.cnblogs.com/LBSer/p/3310455.html

3.5.3.2 地理知识说明

经纬度
经度与纬度的合称组成一个坐标系统。又称为地理坐标系统，它是一种利用三度空间的球面来定义地球上的空间的球面坐标系统，能够标示地球上的任何一个位置。

经线和纬线
是人们为了在地球上确定位置和方向的，在地球仪和地图上画出来的，地面上并线。
和经线相垂直的线叫做纬线(纬线指示东西方向)。纬线是一条条长度不等的圆圈。最长的纬线就是赤道。
因为经线指示南北方向，所以经线又叫子午线。 国际上规定，把通过英国格林尼治天文台原址的经线叫做0°所以经线也叫本初子午线。在地球上经线指示南北方向，纬线指示东西方向。
东西半球分界线：东经160° 西经20°。
经度和维度
经度(longitude)：东经为正数，西经为负数。东西经
纬度(latitude)：北纬为正数，南纬为负数。南北纬

3.5.3.3 经纬度查询

https://jingweidu.bmcx.com/
http://api.map.baidu.com/lbsapi/getpoint/

3.5.4 基本命令

GEOADD添加经纬度坐标

命令如下：
GEOADD city 116.403963 39.915119 “天安门” 116.403414 39.924091 “故宫” 116.024067 40.362639 “长城”
中文乱码如何处理

GEOPOS返回经纬度

GEOHASH返回坐标的geohash表示

• geohash算法生成的base32编码值
• 3维变2维变1维

GEODIST 两个位置之间距离

后面参数是距离单位：
m 米
km 千米
ft 英尺
mi 英里

GEORADIUS(以半径为中心，查找附近的XXX)

georadius 以给定的经纬度为中心， 返回键包含的位置元素当中， 与中心的距离不超过给定最大距离的所有位置元素。

GEORADIUS city 116.418017 39.914402 10 km withdist withcoord count 10 withhash desc

WITHDIST: 在返回位置元素的同时， 将位置元素与中心之间的距离也一并返回。 距离的单位和用户给定的范围单位保持一致。
WITHCOORD: 将位置元素的经度和维度也一并返回。
WITHHASH: 以 52 位有符号整数的形式， 返回位置元素经过原始 geohash 编码的有序集合分值。 这个选项主要用于底层应用或者调试， 实际中的作用并不大
COUNT 限定返回的记录数。
当前位置(116.418017 39.914402),阳哥在王府井

GEORADIUSBYMEMBER

3.5.5 案例(美团地图位置附近的酒店推送)

3.5.5.1 需求分析

• 微信附近的人或者一公里以内的各种营业厅、加油站、理发店、超市…
• 找个单车
• 附近的酒店

3.5.5.2 架构设计

• Redis的新类型GEO
  

3.5.5.3 代码

关键点:

@RestController
public class GeoController
{
     
    public  static final String CITY ="city";

    @Autowired
    private RedisTemplate redisTemplate;

    @ApiOperation("新增天安门故宫长城经纬度")
    @RequestMapping(value = "/geoadd",method = RequestMethod.POST)
    public String geoAdd()
    {
     
        Map<String, Point> map= new HashMap<>();
        map.put("天安门",new Point(116.403963,39.915119));
        map.put("故宫",new Point(116.403414 ,39.924091));
        map.put("长城" ,new Point(116.024067,40.362639));

        redisTemplate.opsForGeo().add(CITY,map);

        return map.toString();
    }

    @ApiOperation("获取地理位置的坐标")
    @RequestMapping(value = "/geopos",method = RequestMethod.GET)
    public Point position(String member) {
     
        //获取经纬度坐标
        List<Point> list= this.redisTemplate.opsForGeo().position(CITY,member);
        return list.get(0);
    }

    @ApiOperation("geohash算法生成的base32编码值")
    @RequestMapping(value = "/geohash",method = RequestMethod.GET)
    public String hash(String member) {
     
        //geohash算法生成的base32编码值
        List<String> list= this.redisTemplate.opsForGeo().hash(CITY,member);
        return list.get(0);
    }

    @ApiOperation("计算两个位置之间的距离")
    @RequestMapping(value = "/geodist",method = RequestMethod.GET)
    public Distance distance(String member1, String member2) {
     
        Distance distance= this.redisTemplate.opsForGeo().distance(CITY,member1,member2, RedisGeoCommands.DistanceUnit.KILOMETERS);
        return distance;
    }

    /**
     * 通过经度，纬度查找附近的
     * 北京王府井位置116.418017,39.914402,这里为了方便讲课，故意写死
     */
    @ApiOperation("通过经度，纬度查找附近的")
    @RequestMapping(value = "/georadius",method = RequestMethod.GET)
    public GeoResults radiusByxy() {
     
        //这个坐标是北京王府井位置
        Circle circle = new Circle(116.418017, 39.914402, Metrics.MILES.getMultiplier());
        //返回50条
        RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs().includeDistance().includeCoordinates().sortAscending().limit(10);
        GeoResults<RedisGeoCommands.GeoLocation<String>> geoResults= this.redisTemplate.opsForGeo().radius(CITY,circle, args);
        return geoResults;
    }

    /**
     * 通过地方查找附近
     */
    @ApiOperation("通过地方查找附近")
    @RequestMapping(value = "/georadiusByMember",method = RequestMethod.GET)
    public GeoResults radiusByMember() {
     
        String member="天安门";
        //返回50条
        RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs().includeDistance().includeCoordinates().sortAscending().limit(10);
        //半径10公里内
        Distance distance=new Distance(10, Metrics.KILOMETERS);
        GeoResults<RedisGeoCommands.GeoLocation<String>> geoResults= this.redisTemplate.opsForGeo().radius(CITY,member, distance,args);
        return geoResults;
    }
}

测试