企业官网建设流程全解析

@Service
@Slf4j
public class OnlineStatusService {
private static final int SHARD_COUNT = 10;
private static final String BITMAP_PREFIX = “online:bitmap:”;
private static final String TOTAL_COUNT_KEY = “online:total”;
private static final Duration EXPIRE_TIME = Duration.ofMinutes(30);

// 技术亮点4：分片连接池数组，O(1)时间获取对应分片 @Autowired private List<RedisTemplate<String, Object>> redisShards; // 技术亮点5：本地缓存，减少Redis查询压力 private final AtomicLong localTotalCount = new AtomicLong(0); private final AtomicLong lastUpdateTime = new AtomicLong(0); private static final long LOCAL_CACHE_TTL = 1000; // 1秒 /** * 用户心跳上报 * 技术亮点6：位操作+分片，极致性能 */ public void userHeartbeat(Long userId) { if (userId == null || userId <= 0) { return; } try { // 计算分片和偏移量 int shardIndex = (int) (userId % SHARD_COUNT); long offset = userId / SHARD_COUNT; RedisTemplate<String, Object> shard = redisShards.get(shardIndex); String key = BITMAP_PREFIX + shardIndex; // 技术亮点7：异步执行，不阻塞主业务线程 CompletableFuture.runAsync(() -> { shard.opsForValue().setBit(key, offset, true); shard.expire(key, EXPIRE_TIME); }); } catch (Exception e) { log.error("用户心跳上报失败 userId:{}", userId, e); } } /** * 获取在线总人数 * 技术亮点8：多级缓存，毫秒级响应 */ public long getOnlineCount() { long now = System.currentTimeMillis(); // 先查本地缓存 if (now - lastUpdateTime.get() < LOCAL_CACHE_TTL) { return localTotalCount.get(); } // 本地缓存过期，查Redis try { String countStr = (String) redisShards.get(0).opsForValue().get(TOTAL_COUNT_KEY); long count = countStr != null ? Long.parseLong(countStr) : 0; // 更新本地缓存 localTotalCount.set(count); lastUpdateTime.set(now); return count; } catch (Exception e) { log.error("获取在线人数失败", e); // Redis异常时返回本地缓存值，保证可用性 return localTotalCount.get(); } } /** * 定时聚合统计任务 * 技术亮点9：并行计算分片，提升聚合速度 */ @Scheduled(fixedRate = 10000) // 每10秒执行一次 public void aggregateOnlineCount() { try { // 技术亮点10：并行流计算所有分片的bitCount long total = IntStream.range(0, SHARD_COUNT) .parallel() .mapToLong(i -> { try { String key = BITMAP_PREFIX + i; return redisShards.get(i).opsForValue().bitCount(key); } catch (Exception e) { log.error("分片{}统计失败", i, e); return 0; } }) .sum(); // 写入结果缓存 redisShards.get(0).opsForValue().set(TOTAL_COUNT_KEY, String.valueOf(total), Duration.ofSeconds(15)); // 更新本地缓存 localTotalCount.set(total); lastUpdateTime.set(System.currentTimeMillis()); log.info("在线人数统计完成: {}", total); } catch (Exception e) { log.error("在线人数聚合失败", e); } }

}
7.3 网关层心跳拦截器（技术亮点：统一入口处理）
@Component
public class HeartbeatInterceptor implements HandlerInterceptor {
@Autowired
private OnlineStatusService onlineStatusService;

@Override public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) { // 从请求头中获取用户ID String userIdStr = request.getHeader("X-User-Id"); if (userIdStr != null && !userIdStr.isEmpty()) { try { Long userId = Long.parseLong(userIdStr); onlineStatusService.userHeartbeat(userId); } catch (NumberFormatException e) { // 忽略无效用户ID } } return true; }

}
完整技术难点与解决方案 🎯
技术难点 问题描述 解决方案 技术亮点
单 Redis 实例性能瓶颈 亿级用户下，单实例 bitCount 操作耗时 > 100ms，无法支撑高并发 分片 Bitmap 架构：将用户 ID 按模 N 分片到多个 Redis 实例 每个分片 bitCount 耗时 < 1ms，整体性能线性提升
重复上线导致计数不准 用户多次登录会导致计数器重复增加，下线事件丢失会导致计数虚高 Bitmap 天然去重：同一用户无论上线多少次，对应位只会被设置为 1 无需额外处理重复事件，天生保证计数准确性
海量数据存储成本高 1 亿用户如果用 Hash 存储需要 GB 级内存 Bitmap 极致压缩：1 亿用户仅需 12.5MB 内存 内存占用降低 99% 以上，成本可控
实时统计性能问题 每次查询都实时计算所有分片的 bitCount，QPS 超过 1000 就会压垮 Redis 定时聚合 + 多级缓存：定时任务每 10 秒计算一次结果，写入缓存 查询延迟从几十毫秒降低到 < 1ms，QPS 提升 1000 倍
热点分片问题 简单取模分片可能导致某些分片负载过高 一致性哈希分片：将用户 ID 映射到哈希环上，动态调整分片 分片负载均衡度提升 90%，避免单点过热
Redis 宕机数据丢失 Redis 内存数据库，宕机后在线状态数据丢失 主从复制 + 哨兵机制 + 本地缓存兜底 故障自动切换，查询接口不受影响，恢复后数据自动同步
离线用户自动清理 用户异常下线不会触发下线事件，导致 Bitmap 中存在大量无效数据 Bitmap 整体过期：每个分片设置 30 分钟过期时间 自动清理超过 30 分钟没有心跳的用户，无需额外清理任务
高并发写入压力 百万级 QPS 的心跳请求会压垮业务服务 网关层异步上报 + 消息队列削峰 业务服务解耦，峰值流量平滑处理
历史数据回溯 无法查看过去某个时间点的在线人数 定时快照 + HBase 存储：每 5 分钟快照一次 Bitmap 到 HBase 支持任意时间点的在线人数回溯和趋势分析
分维度统计需求 需要按地区、业务线、设备类型等维度统计在线人数 维度前缀 + Bitmap 组合：如online:bitmap🇨🇳beijing:0 灵活支持多维度统计，性能与总人数统计一致
生产环境踩坑经验 ⚠️
不要使用 Redis Cluster 做分片：Redis Cluster 的跨节点操作性能很差，建议使用独立的 Redis 实例做分片
分片数量不要太多：建议 10-20 个分片，太多会增加聚合时间，太少无法解决性能瓶颈
过期时间要合理：建议设置为心跳间隔的 3 倍，如心跳 30 秒一次，过期时间 90 秒
不要在业务高峰期执行聚合任务：可以错开高峰期，或者降低聚合频率
监控每个分片的内存和 CPU 使用率：及时发现热点分片并调整
【别走，交个朋友】