抱团学习社区系统
是一套前后端不分离的社区系统,基于目前主流 Java Web
技术栈(SpringBoot + MyBatis + MySQL + Redis + Kafka + Elasticsearch + Spring Security + …)。包含帖子、评论、私信、系统通知、点赞、关注、搜索、用户设置、数据统计等功能模块。
后端:
前端:
单向绿色箭头:
- 前端模板 -> Controller:表示这个前端模板中有一个超链接是由这个 Controller 处理的
- Controller -> 前端模板:表示这个 Controller 会像该前端模板传递数据或者跳转
双向绿色箭头:表示 Controller 和前端模板之间进行参数的相互传递或使用
单向蓝色箭头: A -> B,表示 A 方法调用了 B 方法
单向红色箭头:数据库或缓存操作
登录认证模块跳过了 Spring Secuity 自带的认证机制。主要逻辑如下:
下图是登录模块的功能逻辑图,并没有使用 Spring Security 提供的认证逻辑(我觉得这个模块是最复杂的,这张图其实很多细节还没有画全)
修改头像(异步请求)
将用户选择的头像图片文件上传至七牛云服务器
修改密码
此处只画出修改头像:
发布帖子(过滤敏感词),将其存入 MySQL
评论部分前端的名称显示有些缺陷,有兴趣的小伙伴欢迎提 PR 解决 ~
关于评论模块需要注意的就是评论表的设计,把握其中字段的含义,才能透彻了解这个功能的逻辑。
评论 Comment 的目标类型(帖子,评论) entityType 和 entityId 以及对哪个用户进行评论/回复 targetId 是由前端传递给 DiscussPostController 的
一个帖子的详情页需要封装的信息大概如下:
发布对帖子的评论(过滤敏感词),将其存入 MySQL
将点赞相关信息存入 Redis 的数据结构 set 中。其中,key 命名为 like:entity:entityType:entityId
,value 即点赞用户的 id。比如 key = like:entity:2:246
value = 11
表示用户 11 对实体类型 2 即评论进行了点赞,该评论的 id 是 246
某个用户的获赞数量对应的存储在 Redis 中的 key 是 like:user:userId
,value 就是这个用户的获赞数量
将某个用户关注的实体相关信息存储在 Redis 的数据结构 zset 中:key 是 followee:userId:entityType
,对应的 value 是 zset(entityId, now)
,以关注的时间进行排序。比如说 followee:111:3
对应的value (20, 2020-02-03-xxxx)
,表明用户 111 关注了一个类型为 3 的实体即人(用户),关注的这个实体 id 是 20,关注该实体的时间是 2020-02-03-xxxx
同样的,将某个实体拥有的粉丝相关信息也存储在 Redis 的数据结构 zset 中:key 是 follower:entityType:entityId
,对应的 value 是 zset(userId, now)
,以关注的时间进行排序
发布事件
发布帖子时,通过消息队列将帖子异步地提交到 Elasticsearch 服务器
为帖子增加评论时,通过消息队列将帖子异步地提交到 Elasticsearch 服务器
搜索服务
从 Elasticsearch 服务器搜索帖子
从 Elasticsearch 服务器删除帖子(当帖子从数据库中被删除时)
显示搜索结果
类似的,置顶、加精也会触发发帖事件,就不再图里面画出来了。
独立访客 UV
存入 Redis 的 HyperLogLog
支持单日查询和区间日期查询
日活跃用户 DAU
存入 Redis 的 Bitmap
支持单日查询和区间日期查询
权限管理(Spring Security)
只有管理员可以查看网站数据统计
每次发生点赞(给帖子点赞)、评论(给帖子评论)、加精的时候,就将这些帖子信息存入缓存 Redis 中,然后通过分布式的定时任务 Spring Quartz,每隔一段时间就从缓存中取出这些帖子进行计算分数。
帖子分数/热度计算公式:分数(热度) = 权重 + 发帖距离天数
// 计算权重
double w = (wonderful ? 75 : 0) + commentCount * 10 + likeCount * 2;
// 分数 = 权重 + 发帖距离天数
double score = Math.log10(Math.max(w, 1))
+ (post.getCreateTime().getTime() - epoch.getTime()) / (1000 * 3600 * 24);
版权说明 : 本文为转载文章, 版权归原作者所有 版权申明
原文链接 : https://blog.csdn.net/weixin_56727438/article/details/123826512
内容来源于网络,如有侵权,请联系作者删除!