Redis - 附近商铺、用户签到、UV统计

这篇具有很好参考价值的文章主要介绍了Redis - 附近商铺、用户签到、UV统计。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

附近商铺、用户签到、UV统计

一、附近商铺

底层都是基于地理坐标进行搜索,支持地理坐标的技术有很多,Redis就是其中之一

1.1 GEO数据结构

GEO就是Geolocation的简写形式,代表地理坐标

Redis在3.2版本中加入了对GEO的支持,允许存储地理坐标信息,帮助我们根据经纬度来检索数据。常见的命令有:

  • GEOADD:添加一个地理空间信息,包含: 经度 (longitude)、纬度latitude)、值(member)

    这个值可以使任何一个东西,比如店名、数据库中的某个字段的

    Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • GEODIST:计算指定的两个点之间的距离并返回

    可以选择返回的单位,m,km等

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • GEOHASH:将指定member的坐标转为hash字符串形式并返回

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • GEOPOS:返回指定member的坐标

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • GEORADIUS:指定圆心(radius)、半径,找到该圆内包含的所有member,并按照与圆心之间的距离排序后返回。6.2以后已废弃

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • GEOSEARCH:在指定范用内搜索member,并按照与指定点之间的距离排席后返回。范用可以是圆形或矩形。6.2.新功能

可以指定我们这个key中的某个成员作为圆心,也可以直接指定经纬度作为圆心

BYRADIUS就是按照圆半径来搜索

BYBOX按照矩形来搜(指定长宽之类的)

COUNT表示查询多少条

WITHDIST表示携带距离

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • GEOSEARCHSTORE:与GEOSEARCH功能一致,不过可以把结果存储到一个指定的key。6.2.新功能

需求

1.添加下面几条数据

—北京南站(116.378248 39.865275)

—北京站 (116.42803 39.903738 )

—北京西站(116.322287 39.893729)

GEOADD g1 116.378248 39.865275 bjn 116.42803 39.903738 bjz 116.322287 39.893729 bjx

添加进去后发现底层的数据结构是ZSET,也就是SortedSet

下图中的value就是我们填进去的member,我们存进去的地理左边转换成了下面的一串数字,作为score传进去了

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

2.计算北京南站到北京西的距离

GEODIST g1 bjn bjx

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

若指定单位

GEODIST g1 bjn bjx km

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

3.搜索天安门(116.397904 39.909005 )附近10km内的所有火车站,并按照距离升序排序

GEOSEARCH g1 FROMLONLAT 116.397904 39.909005 BYRADIUS 10 km WITHDIST

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

1.2 导入店铺数据到GEO

看一下店铺表tb_shop

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

导入数据到GEO的时候并不是将所有的信息都导入,我们只需要导入经纬度坐标以及店铺id即可,店铺id充当GEO命令中的member

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

我们搜索的时候有一个限制条件,根据商户的类型做过滤,但是我们并没有把商铺的类型放入到GEO里面,所以过滤不了

为了解决这个问题,我们可以采取下面的措施:

按照商户类型做分组,类型相同的商户作为同一组,以typeId为Key存入同一个GEO集合中即可

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  @Resource
    private StringRedisTemplate stringRedisTemplate;

    @Test
    void loadShopData() {
//      TODO 1. 查询所有店铺信息
        List<Shop> list = shopService.list();
//      TODO 2. 把店铺分组,按照typeId分组,id一致的放到一个集合
        Map<Long, List<Shop>> map = list.stream().collect(Collectors.groupingBy(shop -> shop.getTypeId()));
//      TODO 3. 分批完成存储写入Redis
        for (Map.Entry<Long, List<Shop>> entry : map.entrySet()) {
//          TODO 3.1 获取类型id
            Long typeId = entry.getKey();
            String key = "shop:geo:" + typeId;
//          TODO 3.2 获取同类型的店铺集合
            List<Shop> value = entry.getValue();
//          TODO 3.3 写入Redis GEOADD key 经度 纬度 member
//          方法1:效率比较低,不采用
//            for (Shop shop : value) {
//              坐标我们可以一个个指定,也可以直接new一个Point对象
//              stringRedisTemplate.opsForGeo().add(key,new Point(shop.getX(),shop.getY()),shop.getId().toString());
//              方法2:
//            }
//          方法2
            List<RedisGeoCommands.GeoLocation<String>> locations = new ArrayList<>();

            for (Shop shop : value) {
//          下面泛型的类型是member的类型
                locations.add(new RedisGeoCommands.GeoLocation<>(
                        shop.getId().toString(),
                        new Point(shop.getX(), shop.getY())
                ));
            }
//          批量操作
            stringRedisTemplate.opsForGeo().add(key,locations);

        }

    }

结果图

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

1.3 实现附近商户功能

我们使用的Springboot版本不是最新的,那对应的SpringDataRedis的版本也不是最新的

SpringDataRedis的2.3.9版本并不支持Redis 6.2提供的GEOSEARCH命令,因此我们需要提示其版本,修改Pom文件

可以下载一个插件:Dependency Analyzer

        <!--修改其中的版本-->
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-data-redis</artifactId>
            <exclusions>
                <exclusion>
                    <groupId>org.springframework.data</groupId>
                    <artifactId>spring-data-redis</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>io.lettuce</groupId>
                    <artifactId>lettuce-core</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <dependency>
            <groupId>org.springframework.data</groupId>
            <artifactId>spring-data-redis</artifactId>
             <!--使用2.6.2也可以-->
            <version>2.7.11</version>
        </dependency>
        <dependency>
            <groupId>io.lettuce</groupId>
            <artifactId>lettuce-core</artifactId>
            <version>6.1.10.RELEASE</version>
        </dependency>

接口分析图

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

Controller层

    /**
     * 根据商铺类型分页查询商铺信息
     * @param typeId 商铺类型
     * @param current 页码
     * @return 商铺列表
     */
    @GetMapping("/of/type")
    public Result queryShopByType(
            @RequestParam("typeId") Integer typeId,
            @RequestParam(value = "current", defaultValue = "1") Integer current,
            @RequestParam(value = "x",required = false) Double x,
            @RequestParam(value = "y",required = false) Double y) {
        
        return shopService.queryShopByType(typeId,current,x,y);
        
    }

Service层

 @Override
    public Result queryShopByType(Integer typeId, Integer current, Double x, Double y) {
//      TODO 1.判断是否需要根据坐标查询
        if (x == null || y == null) {
            //不需要坐标查询,按数据库查询
            Page<Shop> page = query()
                    .eq("type_id", typeId)
//                   SystemConstants.DEFAULT_PAGE_SIZE)==5
                    .page(new Page<>(current, SystemConstants.DEFAULT_PAGE_SIZE));
            // 返回数据
            return Result.ok(page.getRecords());
        }

//      TODO 2.计算分页参数
//      从哪开始
        int from = (current-1)*SystemConstants.DEFAULT_PAGE_SIZE;
//      从哪结束
        int end = current*SystemConstants.DEFAULT_PAGE_SIZE;

//      TODO 3.查询redis,按照距离排序、分页。结果:shopId和distance
        String key = "shop:geo:"+typeId;
        GeoResults<RedisGeoCommands.GeoLocation<String>> results = stringRedisTemplate.opsForGeo()
//              GEOSEARCH key FROMLONLAT x y BYRADIUS 10 km WITHDIST
//              第一个参数是key,第二个参数是圆心,第三个参数是半径,我们选择半径5000米以内的
                .search(key, GeoReference.fromCoordinate(x, y), new Distance(5000),
                        RedisGeoCommands.GeoSearchCommandArgs.newGeoSearchArgs()
//                              这个参数代表WITHDIST
                                .includeDistance()
//                               表示第一条数据到第end条数据
                                .limit(end));
//      TODO 4.解析出ShopID
        if(results==null){
            return Result.ok();
        }
        List<GeoResult<RedisGeoCommands.GeoLocation<String>>> list = results.getContent();
        if (list.size()<from){
//            因为我们下面要执行skip操作,如果list集合中元素小于from的话,会出现sql异常
            return Result.ok(Collections.emptyList());
        }
//      TODO 4.1 截取从from到end的数据
        List<Long> ids = new ArrayList<>(list.size());
        Map<String,Distance> distanceMap = new HashMap<>(list.size());
        list.stream().skip(from).forEach(result->{
//          TODO 4.2 获取店铺id
            String shopIdStr = result.getContent().getName();
            ids.add(Long.valueOf(shopIdStr));
//          TODO 4.3 获取距离
            Distance distance = result.getDistance();
            distanceMap.put(shopIdStr,distance);
        });
//      TODO 5.根据id查询Shop
//      依然要保证有序
        String idStr = StrUtil.join(",", ids);
        List<Shop> shops = query().in("id", ids)
                .last("order by FIELD(id," + idStr + ")")
                .list();
        for (Shop shop : shops) {
            shop.setDistance(distanceMap.get(shop.getId().toString()).getValue());
        }
//      TODO 6.返回
        return Result.ok(shops);
    }

根据距离排名的效果图

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

二、用户签到

2.1 BitMap

假如我们用一张表来存储用户签到信息,其结构如下所示

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

假如1000万用户,平均每人没你那签到次数为10次,则这张表一年的数据量为1亿条,记录量非常大。


我们可以按月来统计用户签到信息,签到记录为1,未签到则记录为0。然后从第一天开始,依次的把0或1记录下来,一个月的签到状况就用一个二进制的数字串给表现出来了

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

把每一个bit位对应当月的每一天,形成了映射关系

用0和1表示业务状态,这种思路称为位图(BitMap)

Redis中是利用String类型数据结构实现BitMap,因此最大上限是512M,转换为bit则是2^32个bit位

BitMap的操作命令有:

SETBIT:向指定位置 (offset,角标从0开始)存入一个0或1

如果我们不设置值的话,默认就是零,所以签到的时候存入1,不签到的时候不存也行

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

GETBIT:获取指定位置 (offset)的bit值

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

BITCOUNT: 统计BitMap中值为1的bit位的数量

BITFIELD:操作(查询、修改、自增)BitMap中bit数组中的指定位置 (offset)的值

GET type offset 中的type表示读取多少位,几个bit位,其还需要指定返回的结果是有符号的还是无符号的,因为最终的返回结果是以十进制返回

带符号的话,第一个“1”或者“0”就代表着符号位

带符号: GET i

不带符号: GET u

假如说不带符号获取两个bit,并且从0开始获取:GET u2 0

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

BITFIELD_RO:获取BitMap中bit数组,并以十进制形式返回

BITOP: 将多个BitMap的结果做位运算(与、或、异或)

BITPOS:查找bit数组中指定范围内第一个0或1出现的位置

2.2 签到功能

需求:实现签到接口,将当前用户当天签到信息保存到Redis中

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

提示:因为BitMap底层是基于String数据结构,因此其操作也都封装在字符串相关操作中了

Controller层

@PostMapping("/sign")
public Result sign(){
   return userService.sign();
}

Service层

//  用户签到功能
    @Override
    public Result sign() {
//      TODO 1.获取当前登录用户
        Long userId = UserHolder.getUser().getId();

//      TODO 2.获取日期
        LocalDateTime now = LocalDateTime.now();

//      TODO 3.拼接key
        String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
        String key = "sign:"+userId+keySuffix;
//      TODO 4.今天是本月第几天,就向那个bit位存值
        int dayOfMonth = now.getDayOfMonth();
//      TODO 5.写入Redis SETBIT key offset 0/1
        stringRedisTemplate.opsForValue().setBit(key,dayOfMonth-1,true);
        return Result.ok();
    }

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

从左往右数,今天是9号

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

2.3 统计连续签到

2.3.1 分析

统计总的签到次数不复杂,但是统计截止到今天为止的连续签到次数较为复杂

连续签到天数:从最后一次签到开始向前统计,直到遇到第一次未签到为止,计算总的签到次数,就是连续签到天数。

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

怎么获取到本月到今天为止的所有签到数据?


BITFIELD key GET u[dataOfMonth] 0

命令可以帮助我们获取到指定范围内的所有数据

如何逐个bit位从后向前遍历?

与1做与运算,就能得到最后一个bit位

与1做与运算,只有两个都是1,最终结果才是1

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

随后右移动一位,下一个bit位就成为了最后一个bit位,继续运算

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

2.3.2 代码实现

需求:实现下面接口,统计当前用户截止当前时间在本月的连续签到天数

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

Controller层

@GetMapping("/sign/count")
public Result signCount(){
    return userService.signCount();
}

Service层

    //  获取连续签到天数
    @Override
    public Result signCount() {

//      1.获取当前登录用户
        Long userId = UserHolder.getUser().getId();
//      2.获取日期
        LocalDateTime now = LocalDateTime.now();
//      3.拼接key
        String keySuffix = now.format(DateTimeFormatter.ofPattern(":yyyyMM"));
        String key = "sign:" + userId + keySuffix;
//      4.今天是本月第几天,就向那个bit位存值
        int dayOfMonth = now.getDayOfMonth();
//      TODO 5.获取本月截止今天为止的所有签到记录(返回的是一个十进制的数字)
//      因为可以同时执行查询、修改、自增功能,那这样的话返回值也会有多个,所以最终是一个list集合
        List<Long> result = stringRedisTemplate.opsForValue().bitField(key,
//              BitFieldSubCommands.create() 创建子命令
                BitFieldSubCommands.create()
//                      unsigned无符号, dayOfMonth表示截取多少bit位
                        .get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth))
//                       表示从0开始查
                        .valueAt(0)
        );
        if (result == null || result.isEmpty()) {
            return Result.ok(0);
        }
//      我们这只执行了查询,所以集合中只有一个元素
        Long num = result.get(0);
        if (num == null || num == 0) {
            return Result.ok(0);
        }
//      TODO 6.循环遍历
        int count =0;
        while (true) {
//          TODO 6.1 数字与1做与运算,得到数字的最后一个bit位
//          TODO 6.2 判断这个bit位是否为0
            if ((num & 1) == 0) {
//              TODO 6.3如果为0,说明未签到,结束
                break;
            } else {
//             TODO 6.4如果不为0,说明已签到,计数器+1
               count++;
            }

//          TODO 6.5把数字右移动一位,抛弃最后一个bit位,继续下一个bit位
//          先右移一位,在赋值给num
            num >>>=1;
        }

        return Result.ok(count);
    }

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

三、UV统计

首先我们搞懂两个概念:

UV:全称Unique Visitor,也叫独立访客量,是指通过互联网访问、浏览这个网页的自然人。1天内同一个用户多次访问该网站,只记录1次。

PV:全称Page View,也叫页面访问量或点击量,用户每访问网站的一个页面,记录1次PV,用户多次打开页面,则记录多次PV。往往用来衡量网站的流量

PV往往比UV大很多

PV/UV可以看出网站的用户粘度如何

UV统计在服务端做会比较麻烦,因为要判断该用户是否已经统计过了,需要将统计过的用户信息保存。但是如果每个访问的用户都保存到Redis中,数据量会非常恐怖

理想的方案就是使用HyperLogLog

3.1 HyperLogLog用法

Hyperloglog(HLL)是从Loglog算法派生的概率算法,用于确定非常大的集合的基数,而不需要存储其所有值。

相关算法原理大家可以参考: https://juejin.cn/post/6844903785744056333#heading-0

Redis中的HLL是基于string结构实现的,单个HLL的内存永远小于16kb,内存占用低的令人发指!

作为代价,其测量结果是概率性的,有小于0.81%的误差。不过对于UV统计来说,这完全可以忽略。

三个命令

  • **PFADD key element [element …]**插入元素

    插入五个元素.

    不管加入多少重复元素,他只记录一次。天生适合做UV统计

PFADD hl1 e1 e2 e3 e4 e5

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • **PFCOUNT key [key …]**统计总量
FCOUNT hl1

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

  • PFMERGE destkey sourcekey [sourcekey …]

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法

3.2 测试百万数据的统计

直接利用单元测试,向HyperLogLog中天际100万条数据,看看内存占用和统计效果如何:

@Test
void testHyperLogLog() {
    String[] values = new String[1000];
    int j = 0;
    for (int i = 0; i < 1000000; i++) {
        j = i % 1000;
        values[j] = "user_" + i;
        if(j == 999){
            // 发送到Redis
            stringRedisTemplate.opsForHyperLogLog().add("hl2", values);
        }
    }
    // 统计数量
    Long count = stringRedisTemplate.opsForHyperLogLog().size("hl2");
    System.out.println("count = " + count);
}

但是最终返回结果是997593,误差还是可以的

Redis - 附近商铺、用户签到、UV统计,Redis,redis,uv,哈希算法文章来源地址https://www.toymoban.com/news/detail-539186.html

到了这里,关于Redis - 附近商铺、用户签到、UV统计的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Redis--HyperLogLog的指令语法与使用场景举例(UV统计)

    前言 Redis除了常见的五种数据类型之外,其实还有一些少见的数据结构,如Geo,HyperLogLog等。虽然它们少见,但是作用却不容小觑。本文将介绍HyperLogLog指令的语法和使用场景。 HyperLogLog介绍 HyperLogLog是Redis提供的一种不准确(标准误差为0.81%)的去重计数方案。 提到去重计数

    2024年01月21日
    浏览(49)
  • Redis:原理速成+项目实战——Redis企业级项目实战终结篇(HyperLogLog实现UV统计)

    👨‍🎓作者简介:一位大四、研0学生,正在努力准备大四暑假的实习 🌌上期文章:Redis:原理速成+项目实战——Redis实战14(BitMap实现用户签到功能) 📚订阅专栏:Redis:原理速成+项目实战 希望文章对你们有所帮助 这篇是实战部分的终结篇,其实Redis的核心操作,主要是

    2024年01月17日
    浏览(48)
  • 2023-06-13:统计高并发网站每个网页每天的 UV 数据,结合Redis你会如何实现?

    2023-06-13:统计高并发网站每个网页每天的 UV 数据,结合Redis你会如何实现? 答案2023-06-13: 如果统计 PV (页面浏览量)那非常好办,可以考虑为每个网页创建一个独立的 Redis 计数器,并将日期添加为键(key)的后缀。当网页收到请求时,对应的计数器将被递增。对于每天的

    2024年02月08日
    浏览(87)
  • Redis【实战篇】---- 用户签到

    我们针对签到功能完全可以通过mysql来完成,比如说以下这张表 用户一次签到,就是一条记录,假如有1000万用户,平均每人每年签到次数为10次,则这张表一年的数据量为 1亿条 每签到一次需要使用(8 + 8 + 1 + 1 + 3 + 1)共22 字节的内存,一个月则最多需要600多字节 我们如何能

    2024年02月12日
    浏览(37)
  • 大数据-玩转数据-Flink 网站UV统计

    在实际应用中,我们往往会关注,到底有多少不同的用户访问了网站,所以另外一个统计流量的重要指标是网站的独立访客数(Unique Visitor,UV)。 对于UserBehavior数据源来说,我们直接可以根据userId来区分不同的用户。 将userid放到SET集合里面,统计集合长度,便可以统计到网

    2024年02月11日
    浏览(46)
  • 基于埋点日志数据的网络流量统计 - PV、UV

    水善利万物而不争,处众人之所恶,故几于道💦 一、 网站总流量数统计 - PV   1. 需求分析   2. 代码实现    方式一    方式二    方式三:使用process算子实现    方式四:使用process算子实现 二、网站独立访客数统计 - UV   1. 需求分析   2. 代码实现   PV全称

    2024年02月14日
    浏览(35)
  • 小程序UV:衡量用户规模与活跃度的重要指标

    什么是UV UV是Unique Visitor(独立访客)的缩写,指的是在特定时间段内访问某个网站、应用或平台的独立用户数量。UV是根据设备、IP地址、Cookie等来识别不同的用户,对于相同的用户多次访问,只计算为一个UV。UV是衡量网站或应用受众规模和用户活跃度的重要指标之一。 在当

    2024年02月15日
    浏览(37)
  • Blender基础:UV编辑器、UV坐标、UV映射、UV展开

    目录 1 纹理 2 UV编辑器 3 UV坐标 4 UV映射 5 UV展开 6 纹理绘制 7 自动UV展开 8 手动UV展开 9 UV布局调整 10 练习,弯曲文字 1 纹理 纹理Texture,又叫贴图。 一般来说,物体的表面不是纯色的。由贴图来定义表面颜色。 2 UV编辑器 切换工作区UV Editing ,认识一下界面 1右侧3D视图: -编

    2024年02月09日
    浏览(42)
  • 如何使用Redis实现附近商家查询

    🔥🔥宏夏Coding网站,致力于为编程学习者、互联网求职者提供最需要的内容!网站内容包括求职秘籍,葵花宝典(学习笔记),资源推荐等内容。在线阅读:https://hongxiac.com🔥🔥 在日常生活中,我们经常能看见查询附近商家的功能。 常见的场景有,比如你在点外卖的时候

    2024年02月12日
    浏览(55)
  • java实战:Redis实现查找附近的人

    本文将介绍如何使用Redis实现查找附近的人的功能。我们将探讨如何使用Redis的地理空间(Geospatial)索引功能,并展示一个简单的Java代码示例,该示例使用Jedis库和Redis的GEOADD命令来添加位置信息,以及使用GEORADIUS命令来查找附近的人。通过本文,可以了解到如何在Java应用程

    2024年02月21日
    浏览(39)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包