Echo — 开源社区系统
各位可以参考配套教程自己拉下去部署
📚 项目简介
Echo 是一套前后端不分离的开源社区系统，基于目前主流 Java Web 技术栈（SpringBoot + MyBatis + MySQL + Redis + Kafka + Elasticsearch + Spring Security + …），并提供详细的开发文档和配套教程。包含帖子、评论、私信、系统通知、点赞、关注、搜索、用户设置、数据统计等模块。
源码链接：已托管在 Github 和 Gitee：
教程地址：文档通过 Docsify + Github/Gitee Pages 生成
💻 核心技术栈
后端：
- Spring
- Spring Boot 2.1.5 RELEASE
- Spring MVC
- ORM：MyBatis
- 数据库：MySQL 5.7
- 分布式缓存：Redis
- 本地缓存：Caffeine
- 消息队列：Kafka 2.13-2.7.0
- 搜索引擎：Elasticsearch 6.4.3
- 安全：Spring Security
- 邮件任务：Spring Mail
- 分布式定时任务：Spring Quartz
- 日志：SLF4J（日志接口） + Logback（日志实现）
前端：
- Thymeleaf
- Bootstrap 4.x
- Jquery
- Ajax
🔨 开发环境
- 操作系统：Windows 10
- 构建工具：Apache Maven
- 集成开发工具：Intellij IDEA
- 应用服务器：Apache Tomcat
- 接口测试工具：Postman
- 压力测试工具：Apache JMeter
- 版本控制工具：Git
- Java 版本：8
🎀 界面展示
首页：
登录页：
密码重置页：
帖子发布页（支持 MarkDown）：
帖子详情页（MarkDown 渲染）：
帖子详情页：
个人主页：
朋友私信页：
私信详情页：
系统通知页：
通知详情页：
账号设置页：
数据统计页：
搜索详情页：
🎨 功能列表
🌱 本地运行
各位如果需要将项目部署在本地进行测试，以下环境请提前备好：
- Java 8
- MySQL 5.7
- Redis
- Kafka 2.13-2.7.0
- Elasticsearch 6.4.3
然后修改配置文件中的信息为你自己的本地环境，直接运行是运行不了的，而且相关私密信息我全部用 xxxxxxx 代替了。
本地运行需要修改的配置文件信息如下：
1）application-develop.properties：
- MySQL
- Spring Mail（邮箱需要开启 SMTP 服务）
- Kafka：consumer.group-id（该字段见 Kafka 安装包中的 consumer.proerties，可自行修改, 修改完毕后需要重启 Kafka）
- Elasticsearch：cluster-name（该字段见 Elasticsearch 安装包中的 elasticsearch.yml，可自行修改）
- 七牛云（需要新建一个七牛云的对象存储空间，用来存放上传的头像图片）
2）logback-spring-develop.xml：
每次运行需要打开：
- MySQL
- Redis
- Elasticsearch
- Kafka
另外，还需要事件建好数据库 greatecommunity，然后依次运行项目 sql 文件夹下的这几个 sql 文件建立数据库表：
🌌 部署架构
我每个都只部署了一台，以下是理想的部署架构：
🎯 功能逻辑图
画了一些不是那么严谨的图帮助各位小伙伴理清思绪。
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
注册
- 用户注册成功，将用户信息存入 MySQL，但此时该用户状态为未激活
- 向用户发送激活邮件，用户点击链接则激活账号（Spring Mail）
登录 | 登出
登录认证模块跳过了 Spring Secuity 自带的认证机制。主要逻辑如下：
- 进入登录界面，随机生成一个字符串来标识这个将要登录的用户，将这个字符串短暂的存入 Cookie（60 秒）；
- 动态生成验证码，并将验证码及标识该用户的字符串短暂存入 Redis（60 秒）；
- 为登录成功（验证用户名、密码、验证码）的用户随机生成登录凭证且设置状态为有效，并将登录凭证及其状态等信息永久存入 Redis，再在 Cookie 中存一份登录凭证；
- 使用拦截器在所有的请求执行之前，从 Cookie 中获取登录凭证，只要 Redis 中该凭证有效并在有效期内，本次请求就会一直持有该用户信息（使用 ThreadLocal 持有用户信息，保证多台服务器上用户的登录状态同步）；
- 勾选记住我，则延长 Cookie 中登录凭证的有效时间；
- 用户登出，将凭证状态设为无效，并更新 Redis 中该登录凭证的相关信息。
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）
分页显示所有的帖子
- 支持按照 “发帖时间” 显示
- 支持按照 “热度排行” 显示（Spring Quartz）
- 将热帖列表和所有帖子的总数存入本地缓存 Caffeine（利用分布式定时任务 Spring Quartz 每隔一段时间就刷新计算帖子的热度/分数 — 见下文，而 Caffeine 里的数据更新不用我们操心，它天生就会自动的更新它拥有的数据，给它一个初始化方法就完事儿）
账号设置
此处只画出修改头像：
发布帖子（异步请求）
发布帖子（过滤敏感词），将其存入 MySQL
显示评论及相关信息
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：
添加评论（事务管理）
发布对帖子的评论（过滤敏感词），将其存入 MySQL
私信列表和详情页
发送私信（异步请求）
点赞（异步请求）
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
我的获赞数量
关注（异步请求）
- 若 A 关注了 B，则 A 是 B 的粉丝 Follower，B 是 A 的目标 Followee
- 关注的目标可以是用户、帖子、题目等，在实现时将这些目标抽象为实体（目前只做了关注用户）
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
关注列表
发送系统通知
显示系统通知
搜索
- 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。
置顶加精删除（异步请求）
网站数据统计
- 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）
帖子热度计算
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);
评论