Skip to main content

🚀 实战解析：如何在 Redis 中优雅实现「距离 + 活跃度」的多维混合排序？

· 20 min read
小小亮
小小亮
普通的Java开发

💡 业务背景与技术痛点​

在社交、O2O 等业务中，"查找附近的人" 是一个高频场景。大部分开发者第一反应是使用 Redis 从 3.2 版本引入的 GEO 数据结构。

使用 GEOADD 写入坐标，使用 GEOSEARCH（或旧版的 GEORADIUS）按距离搜索，看起来一切都很完美。但当产品经理提出新需求时——

"不仅要离得近，还要优先展示最近活跃过的用户（距离 + 活跃度混合排序）"

技术痛点就出现了。

为什么 Redis GEO 做不到？​

Redis GEO 底层的本质是 ZSET（有序集合）。它利用 GeoHash 算法将二维经纬度转化为一维的 52 位整数，并强行占用了 ZSET 唯一的 Score 字段来存储这个整数。

┌─────────────────────────────────────────────────┐
│              Redis GEO 底层结构                   │
│                                                   │
│   ZSET Key: "nearby_users"                        │
│   ┌──────────┬──────────────────────────┐         │
│   │  Member  │   Score (GeoHash 值)      │         │
│   ├──────────┼──────────────────────────┤         │
│   │  user:1  │  4054421060663041        │  ← 经纬度编码后的整数 │
│   │  user:2  │  4054421060812801        │  ← 被 GeoHash 占了！ │
│   │  user:3  │  4054421061038081        │  ← 没位置放活跃度了   │
│   └──────────┴──────────────────────────┘         │
│                                                   │
│   ❌ Score 已被占用，无法再存第二个排序字段         │
└─────────────────────────────────────────────────┘

所以，Redis 的原生 GEO 命令只能按距离排序，根本无法传入第二个业务字段（如活跃度）进行联合排序。

面对这个限制，业界通常有两套架构演进方案。

方案一：经典架构 ——「粗排召回 + 内存精排」（应用层计算）​

这是在不升级现有标准版 Redis 基础设施的情况下，最成熟、落地最广的架构方案。

核心思想是：把 Redis 当作「召回引擎」，把 Java 业务服务当作「精排引擎」。

1. 架构流程图​

┌──────────┐      ①请求20条        ┌──────────────────┐
│          │ ──────────────────────▶ │   Java 应用服务   │
│  客户端   │                        │                    │
│          │ ◀────────────────────── │  ⑤ 返回Top20       │
└──────────┘      精排后的20条       └─────┬──────┬───────┘
                                         │      │
                            ②GEOSEARCH   │      │ ③HMGET
                            召回200条     │      │ 批量查活跃度
                                         ▼      ▼
                                   ┌──────────────────┐
                                   │      Redis        │
                                   │                    │
                                   │  GEO: 坐标数据     │
                                   │  HASH: 活跃度数据  │
                                   └──────────────────┘
                                         │
                            ④ Java 内存中进行
                            归一化 + 加权计算 + 排序

整个流程分为 5 步：

  1. 扩大召回池 (Recall)：客户端请求 20 条数据，后端向 Redis 请求 200 条（适度放大 10 倍的召回量）。
  2. 批量获取活跃度 (Batch Fetch)：拿到 200 个用户 ID 后，通过 Pipeline 批量从 Hash 中查出活跃度得分。
  3. 归一化计算 (Normalize)：将距离和活跃度分别映射到 [0, 1] 区间，消除量纲差异。
  4. 加权打分 (Rerank)：配合业务权重（如距离 60%，活跃度 40%）计算综合分。
  5. 截断返回 (Truncate)：按综合分降序排列，截取 Top 20 返回前端。

2. Mock 数据准备​

假设当前用户"我"的坐标是 北京天安门 (116.404, 39.915)，我们先往 Redis 灌入一批模拟用户数据：

# ============ 第一步：写入用户坐标到 GEO ============
# GEOADD key longitude latitude member
GEOADD nearby:users 116.408 39.918 user:A
GEOADD nearby:users 116.398 39.910 user:B
GEOADD nearby:users 116.420 39.930 user:C
GEOADD nearby:users 116.450 39.950 user:D
GEOADD nearby:users 116.380 39.900 user:E
GEOADD nearby:users 116.410 39.916 user:F
GEOADD nearby:users 116.500 39.980 user:G
GEOADD nearby:users 116.390 39.905 user:H

# ============ 第二步：写入用户活跃度到 HASH ============
# 活跃度得分范围 [0, 100]，越高越活跃
HSET user:activity user:A 30
HSET user:activity user:B 95
HSET user:activity user:C 60
HSET user:activity user:D 85
HSET user:activity user:E 10
HSET user:activity user:F 50
HSET user:activity user:G 90
HSET user:activity user:H 75

用表格看一下这批数据：

用户经度纬度与我的真实距离(km)活跃度
user:A116.40839.918≈ 0.530
user:F116.41039.916≈ 0.550
user:B116.39839.910≈ 0.795
user:H116.39039.905≈ 1.575
user:C116.42039.930≈ 2.160
user:D116.45039.950≈ 5.385
user:E116.38039.900≈ 2.710
user:G116.50039.980≈ 11.090

注意观察：如果纯按距离排，user:A 排第一（最近但活跃度只有 30）；如果纯按活跃度排，user:B 排第一（活跃度 95 但距离 0.7km）。混合排序的目标就是在两者间找到平衡。

3. 完整 Java 代码实现​

3.1 核心数据模型​

/**
 * 附近用户信息（含距离和活跃度）
 */
public record NearbyUser(
    String userId,
    double distanceKm,    // 与"我"的距离（公里）
    int activityScore,    // 活跃度得分 [0, 100]
    double finalScore     // 综合打分（归一化加权后）
) {
    /**
     * 构造时不传 finalScore，后续计算后赋值
     */
    public NearbyUser(String userId, double distanceKm, int activityScore) {
        this(userId, distanceKm, activityScore, 0.0);
    }

    public NearbyUser withFinalScore(double score) {
        return new NearbyUser(userId, distanceKm, activityScore, score);
    }
}

3.2 召回 + 精排服务​

import lombok.RequiredArgsConstructor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.data.geo.*;
import org.springframework.data.redis.connection.RedisGeoCommands;
import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.stereotype.Service;

import java.util.*;
import java.util.stream.Collectors;

@Slf4j
@Service
@RequiredArgsConstructor
public class NearbyUserService {

    private final StringRedisTemplate redisTemplate;

    /** GEO Key */
    private static final String GEO_KEY = "nearby:users";
    /** 活跃度 Hash Key */
    private static final String ACTIVITY_KEY = "user:activity";
    /** 召回倍率：请求 N 条 → 召回 N * RECALL_RATIO 条 */
    private static final int RECALL_RATIO = 10;
    /** 排序权重 */
    private static final double WEIGHT_DISTANCE = 0.6;
    private static final double WEIGHT_ACTIVITY = 0.4;

    /**
     * 查询附近的人（距离 + 活跃度混合排序）
     *
     * @param myLon       我的经度
     * @param myLat       我的纬度
     * @param radiusKm    搜索半径（公里）
     * @param pageSize    需要返回的条数
     * @return 混合排序后的用户列表
     */
    public List<NearbyUser> findNearbyUsers(double myLon, double myLat,
                                            double radiusKm, int pageSize) {
        // ============ Step 1: 扩大召回 ============
        int recallCount = pageSize * RECALL_RATIO;

        // 构造搜索参数：按距离升序，限制召回数量
        RedisGeoCommands.GeoSearchCommandArgs args = RedisGeoCommands
                .GeoSearchCommandArgs.newGeoSearchArgs()
                .includeDistance()     // 返回距离
                .sortAscending()      // 距离近的优先
                .limit(recallCount);  // 限制召回数量

        GeoResults<RedisGeoCommands.GeoLocation<String>> geoResults =
                redisTemplate.opsForGeo().search(
                        GEO_KEY,
                        GeoReference.fromCoordinate(myLon, myLat),
                        new Distance(radiusKm, Metrics.KILOMETERS),
                        args
                );

        if (geoResults == null || geoResults.getContent().isEmpty()) {
            log.info("召回阶段：半径 {}km 内未找到用户", radiusKm);
            return Collections.emptyList();
        }

        List<GeoResult<RedisGeoCommands.GeoLocation<String>>> results =
                geoResults.getContent();
        log.info("召回阶段：半径 {}km 内召回 {} 个用户", radiusKm, results.size());

        // ============ Step 2: 批量获取活跃度 ============
        List<String> userIds = results.stream()
                .map(r -> r.getContent().getName())
                .toList();

        // 使用 HMGET 一次网络往返拿到所有活跃度
        List<Object> activityScores = redisTemplate.opsForHash()
                .multiGet(ACTIVITY_KEY, Collections.unmodifiableList(userIds));

        // 组装 Map<userId, activityScore>
        Map<String, Integer> activityMap = new HashMap<>();
        for (int i = 0; i < userIds.size(); i++) {
            Object raw = activityScores.get(i);
            int score = (raw != null) ? Integer.parseInt(raw.toString()) : 0;
            activityMap.put(userIds.get(i), score);
        }

        // ============ Step 3: 构建候选列表 ============
        List<NearbyUser> candidates = results.stream()
                .map(r -> new NearbyUser(
                        r.getContent().getName(),
                        r.getDistance().getValue(),
                        activityMap.getOrDefault(r.getContent().getName(), 0)
                ))
                .toList();

        // ============ Step 4: 归一化 + 加权打分 ============
        return rerank(candidates, pageSize);
    }

    /**
     * 精排：归一化 + 加权 + 截断
     */
    private List<NearbyUser> rerank(List<NearbyUser> candidates, int pageSize) {
        if (candidates.isEmpty()) {
            return Collections.emptyList();
        }

        // --- 4.1 找出距离和活跃度的最大最小值 ---
        double maxDist = candidates.stream()
                .mapToDouble(NearbyUser::distanceKm).max().orElse(1.0);
        double minDist = candidates.stream()
                .mapToDouble(NearbyUser::distanceKm).min().orElse(0.0);
        int maxActivity = candidates.stream()
                .mapToInt(NearbyUser::activityScore).max().orElse(1);
        int minActivity = candidates.stream()
                .mapToInt(NearbyUser::activityScore).min().orElse(0);

        double distRange = (maxDist - minDist) == 0 ? 1.0 : (maxDist - minDist);
        double actRange = (maxActivity - minActivity) == 0 ? 1.0 : (maxActivity - minActivity);

        // --- 4.2 归一化 + 加权计算 ---
        // 距离：越近得分越高 → distScore = 1 - (dist - minDist) / distRange
        // 活跃度：越高得分越高 → actScore = (act - minActivity) / actRange
        List<NearbyUser> scored = candidates.stream()
                .map(u -> {
                    double distScore = 1.0 - (u.distanceKm() - minDist) / distRange;
                    double actScore = (u.activityScore() - minActivity) / actRange;
                    double finalScore = WEIGHT_DISTANCE * distScore
                                      + WEIGHT_ACTIVITY * actScore;
                    return u.withFinalScore(finalScore);
                })
                .toList();

        // --- 4.3 按 finalScore 降序排列，截断返回 ---
        return scored.stream()
                .sorted(Comparator.comparingDouble(NearbyUser::finalScore).reversed())
                .limit(pageSize)
                .collect(Collectors.toList());
    }
}

3.3 Controller 层​

import lombok.RequiredArgsConstructor;
import org.springframework.web.bind.annotation.*;

import java.util.List;

@RestController
@RequestMapping("/api/nearby")
@RequiredArgsConstructor
public class NearbyUserController {

    private final NearbyUserService nearbyUserService;

    /**
     * 查询附近的人
     *
     * @param lon      我的经度
     * @param lat      我的纬度
     * @param radiusKm 搜索半径，默认 10km
     * @param size     返回条数，默认 5
     */
    @GetMapping("/users")
    public List<NearbyUser> nearby(
            @RequestParam double lon,
            @RequestParam double lat,
            @RequestParam(defaultValue = "10") double radiusKm,
            @RequestParam(defaultValue = "5") int size) {
        return nearbyUserService.findNearbyUsers(lon, lat, radiusKm, size);
    }
}

4. Mock 数据走一遍全流程​

假设客户端请求：GET /api/nearby/users?lon=116.404&lat=39.915&radiusKm=10&size=3

Step 1：召回阶段​

Redis GEOSEARCH 在 10km 半径内按距离升序返回（size=3，RECALL_RATIO=10，所以召回 30 条，但我们只有 7 条在范围内）：

排序用户距离(km)
1user:A0.50
2user:F0.52
3user:B0.72
4user:H1.52
5user:C2.10
6user:E2.71
7user:D5.30

user:G 距离 11km，超出 10km 半径，被过滤掉了。

Step 2：批量查活跃度​

一次 HMGET user:activity user:A user:F user:B user:H user:C user:E user:D，得到：

用户距离(km)活跃度
user:A0.5030
user:F0.5250
user:B0.7295
user:H1.5275
user:C2.1060
user:E2.7110
user:D5.3085

Step 3：归一化计算​

找出最值：

  • 距离：min=0.50，max=5.30，range=4.80
  • 活跃度：min=10，max=95，range=85

归一化公式：

  • 距离得分 = 1 - (dist - 0.50) / 4.80（越近越高）
  • 活跃度得分 = (activity - 10) / 85（越活跃越高）
用户距离(km)距离归一化活跃度活跃度归一化
user:A0.501.000300.235
user:F0.520.996500.471
user:B0.720.954951.000
user:H1.520.788750.765
user:C2.100.667600.588
user:E2.710.540100.000
user:D5.300.000850.882

Step 4：加权打分（距离 60% + 活跃度 40%）​

FinalScore = 0.6 × 距离归一化 + 0.4 × 活跃度归一化
用户距离归一化活跃度归一化FinalScore最终排名
user:B0.9541.0000.972🥇 1
user:F0.9960.4710.786🥈 2
user:H0.7880.7650.779🥉 3
user:A1.0000.2350.6944
user:C0.6670.5880.6365
user:D0.0000.8820.3536
user:E0.5400.0000.3247

Step 5：截断 Top 3 返回​

最终返回：user:B → user:F → user:H

🔍 分析结果：

  • user:A 虽然距离最近（0.50km），但活跃度太低（30），被挤到了第 4 名。
  • user:B 虽然距离稍远（0.72km），但活跃度拉满（95），综合分最高，排名第一。
  • user:D 虽然活跃度很高（85），但距离太远（5.3km），综合分被距离权重压低。

这就是混合排序的魅力——在"近"和"活跃"之间找到最佳平衡点。

5. 优缺点评估​

✅ 优点：

  • 兼容性极强：适用于所有 3.2+ 版本的标准 Redis，不需要任何模块或升级。
  • 业务极度灵活：排序逻辑在 Java 代码中，你可以随时接入更多维度（VIP 等级、同城加分、性别偏好），甚至对接推荐算法模型。权重调整只需改配置，无需改任何数据结构。

❌ 缺点：

  • 网络 I/O 放大：为了拿 3 条数据，实际传输了 7 条 GEO 数据 + 7 次 HASH 查询。在百万级用户场景下，这个放大效应会很明显。
  • JVM 内存压力：高并发场景下，每个请求都要在内存中创建候选列表、做排序，容易引发 GC 抖动。
  • 极小概率的「漏斗效应」：如果召回池的 200 人活跃度都很低，而第 201 个人虽然远一点但活跃度极高，他会被召回阶段直接淘汰，永远不会出现在结果中。

方案二：降维打击 ——「原生多维联合索引」（存储层计算）​

0. 在讲方案之前：什么是 RediSearch？​

很多开发者对 Redis 的认知还停留在"缓存 + 简单数据结构"的阶段。但 Redis 在近几年发生了重大进化：

Redis 版本进化路线（与搜索相关）：

Redis 3.2 (2016)  ── 引入 GEO 命令
       │
Redis Modules (2017) ── 支持加载第三方模块
       │
RediSearch 1.0 (2018) ── 独立模块，需手动安装
       │
Redis Stack (2022) ── 官方整合包，内置 RediSearch + RedisJSON 等
       │
Redis 8.0 (2025) ── RediSearch 不再是模块，成为 Redis 核心的一部分！

RediSearch 做了一件什么事？

简单来说，它让 Redis 从一个"只能按 Key 查、按 Score 排"的 KV 存储，进化成了一个支持全文搜索、多条件过滤、多字段排序的内存数据库。

你可以把它类比为：给 Redis 装上了一个 Elasticsearch 级别的查询引擎，但因为数据本身就在内存里，所以比 ES 快得多。

1. 核心概念：数据与索引分离​

在传统 Redis 中，数据结构本身就是"索引"。比如 ZSET 的 Score 就是排序依据，GEO 的 GeoHash 也是排序依据。这种设计简单高效，但一个数据结构只能支撑一种排序方式。

RediSearch 引入了数据与索引分离的思想：

传统 Redis:
┌─────────────────────────────┐
│  ZSET（数据 = 索引）          │
│  Score 只能存一个值           │
│  只能按一个维度排序            │
└─────────────────────────────┘

RediSearch:
┌─────────────────────────────┐      ┌───────────────────────────┐
│  HASH / JSON（纯数据存储）    │      │  自动维护的多种索引         │
│                               │ ───▶ │                             │
│  user:1 {                     │      │  ☑ location → Quadtree     │
│    location: "116.4,39.9"     │      │  ☑ activity  → SkipList    │
│    activity: 85               │      │  ☑ nickname  → Trie 前缀树  │
│    vip_level: 3               │      │  ☑ bio       → 倒排索引     │
│  }                            │      │                             │
└─────────────────────────────┘      └───────────────────────────┘
         数据层                               索引层
      （你来写入）                       （RediSearch 自动维护）

你只需要把数据写入普通的 HASH，然后通过 FT.CREATE 命令告诉 Redis："请帮我对这些字段自动建立索引"。之后的写入、更新、删除操作，索引会自动同步更新，无需你手动维护。

2. 底层索引结构详解​

RediSearch 为不同的字段类型选择了不同的最优索引结构：

字段类型对应的索引结构为什么选它
GEO（地理位置）Quadtree（四叉树）高效地将二维空间递归分割为4个象限，范围查询时间复杂度 O(log n)
NUMERIC（数值）SkipList（跳表） + 区间树支持范围查询和排序，与 Redis ZSET 底层一致，性能有保障
TEXT（全文本）Inverted Index（倒排索引）与 Elasticsearch 原理相同，分词后建立 term → docId 的映射
TAG（标签）Trie（前缀树） + 倒排精确匹配或前缀匹配，适合枚举类字段（性别、城市等）

当我们执行一条联合查询时，RediSearch 在底层的工作流程如下：

查询命令:
FT.SEARCH users_idx "@location:[116.404 39.915 10 km]" SORTBY activity_score DESC

底层执行过程:

Step 1: Quadtree 范围查询
┌─────────────────────────────┐
│      四叉树空间索引            │
│                               │
│   以(116.404, 39.915)为圆心   │
│   10km 为半径                 │
│   快速剪枝，筛出候选集         │
│                               │
│   输出: {A, B, C, F, H, E, D} │  ← 7 个用户在范围内
└───────────┬─────────────────┘
            │
            ▼
Step 2: SkipList 排序
┌─────────────────────────────┐
│      跳表排序索引              │
│                               │
│   对候选集 {A,B,C,F,H,E,D}   │
│   按 activity_score 降序排列   │
│                               │
│   输出: B(95) → D(85) → H(75) │  ← 直接输出 Top 3
│         → C(60) → F(50) → ...│
└───────────┬─────────────────┘
            │
            ▼
Step 3: 回表取数据
┌─────────────────────────────┐
│   从 HASH 中取 B, D, H 的     │
│   完整数据返回给客户端         │
└─────────────────────────────┘

🔑 关键理解：整个过程全部在 Redis 的 C 语言引擎内完成，没有网络往返、没有 Java 对象创建、没有 GC。这就是所谓的"降维打击"。

3. 手把手实战：从建索引到查询​

3.1 准备数据（用普通 HASH 写入）​

# 注意：这里使用普通的 HSET 写入数据
# location 字段格式为 "经度,纬度"（逗号分隔的字符串）
HSET user:A location "116.408,39.918" activity_score 30 nickname "张三" vip_level 0
HSET user:B location "116.398,39.910" activity_score 95 nickname "李四" vip_level 2
HSET user:C location "116.420,39.930" activity_score 60 nickname "王五" vip_level 1
HSET user:D location "116.450,39.950" activity_score 85 nickname "赵六" vip_level 3
HSET user:E location "116.380,39.900" activity_score 10 nickname "孙七" vip_level 0
HSET user:F location "116.410,39.916" activity_score 50 nickname "周八" vip_level 1
HSET user:G location "116.500,39.980" activity_score 90 nickname "吴九" vip_level 2
HSET user:H location "116.390,39.905" activity_score 75 nickname "郑十" vip_level 1

3.2 创建索引​

FT.CREATE users_idx                    # 索引名称
  ON HASH                              # 索引 HASH 类型的数据
  PREFIX 1 user:                       # 只索引 Key 前缀为 "user:" 的数据
  SCHEMA                               # 定义索引字段
    location GEO                       # 地理位置字段 → 自动建 Quadtree
    activity_score NUMERIC SORTABLE    # 数值字段 → 自动建 SkipList，支持排序
    nickname TEXT                      # 文本字段 → 自动建倒排索引
    vip_level NUMERIC SORTABLE         # 数值字段 → 自动建 SkipList

💡 注意：FT.CREATE 命令执行后，Redis 会异步扫描已有数据并自动建立索引。之后新写入的 user:* 数据也会被自动索引。

3.3 执行联合查询​

# 查询1：10km 内的用户，按活跃度降序，取前 3 条
FT.SEARCH users_idx
  "@location:[116.404 39.915 10 km]"
  SORTBY activity_score DESC
  LIMIT 0 3

# 返回结果：
# 1) (integer) 7                        ← 总共命中 7 条
# 2) "user:B"                           ← 第1条
# 3) 1) "activity_score" 2) "95" 3) "nickname" 4) "李四" ...
# 4) "user:D"                           ← 第2条
# 5) 1) "activity_score" 2) "85" 3) "nickname" 4) "赵六" ...
# 6) "user:H"                           ← 第3条
# 7) 1) "activity_score" 2) "75" 3) "nickname" 4) "郑十" ...
# 查询2：5km 内 + VIP 等级 ≥ 1 的用户，按活跃度降序
FT.SEARCH users_idx
  "@location:[116.404 39.915 5 km] @vip_level:[1 +inf]"
  SORTBY activity_score DESC
  LIMIT 0 3

# 返回：user:B(VIP2,活跃95) → user:H(VIP1,活跃75) → user:C(VIP1,活跃60)
# 查询3：10km 内 + 昵称包含"六"的用户
FT.SEARCH users_idx
  "@location:[116.404 39.915 10 km] @nickname:六"

# 返回：user:D（赵六）

🎯 一条命令搞定地理过滤 + 数值过滤 + 文本搜索 + 排序 + 分页，这就是 RediSearch 的威力。

4. Java 端优雅集成（Redis OM Spring）​

手动拼 FT.SEARCH 命令太原始了。官方提供了 redis-om-spring 库，让你像写 Spring Data JPA 一样操作 RediSearch。

4.1 引入依赖​

<dependency>
    <groupId>com.redis.om</groupId>
    <artifactId>redis-om-spring</artifactId>
    <version>0.9.8</version>
</dependency>

4.2 启用 Redis OM​

import com.redis.om.spring.annotations.EnableRedisDocumentRepositories;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication
@EnableRedisDocumentRepositories(basePackages = "com.example.nearby")
public class NearbyApplication {
    public static void main(String[] args) {
        SpringApplication.run(NearbyApplication.class, args);
    }
}

4.3 定义实体与索引​

import com.redis.om.spring.annotations.Document;
import com.redis.om.spring.annotations.Indexed;
import com.redis.om.spring.annotations.Searchable;
import lombok.Data;
import lombok.NoArgsConstructor;
import lombok.NonNull;
import lombok.RequiredArgsConstructor;
import org.springframework.data.annotation.Id;
import org.springframework.data.geo.Point;

/**
 * 用户画像实体
 *
 * <p>注解说明：
 * - @Document：标记为 Redis 文档，底层存储为 JSON 格式
 * - @Indexed：为字段创建精确匹配/数值/地理索引
 * - @Searchable：为字段创建全文搜索索引（倒排索引）
 */
@Data
@NoArgsConstructor
@RequiredArgsConstructor(staticName = "of")
@Document(value = "user")  // Key 前缀为 "user:"，索引名自动生成
public class UserProfile {

    @Id
    @NonNull
    private String userId;

    /** 地理位置 → 自动建 GEO 索引（Quadtree） */
    @NonNull
    @Indexed
    private Point location;

    /** 活跃度得分 → 自动建 NUMERIC 索引（SkipList） */
    @NonNull
    @Indexed(sortable = true)
    private Double activityScore;

    /** 昵称 → 自动建全文搜索索引（倒排索引） */
    @Searchable
    private String nickname;

    /** VIP 等级 → 自动建 NUMERIC 索引 */
    @Indexed(sortable = true)
    private Integer vipLevel;
}

4.4 定义 Repository 接口​

import com.redis.om.spring.repository.RedisDocumentRepository;
import org.springframework.data.domain.Page;
import org.springframework.data.domain.Pageable;
import org.springframework.data.geo.Distance;
import org.springframework.data.geo.Point;

/**
 * 用户画像 Repository
 *
 * <p>方法名约定会被 Redis OM 自动翻译为 FT.SEARCH 命令：
 * findByLocationNear → @location:[lon lat radius km]
 * OrderByActivityScoreDesc → SORTBY activity_score DESC
 */
public interface UserProfileRepository
        extends RedisDocumentRepository<UserProfile, String> {

    /**
     * 查询指定范围内的用户，按活跃度降序分页
     * 自动翻译为：FT.SEARCH @location:[...] SORTBY activity_score DESC LIMIT ...
     */
    Page<UserProfile> findByLocationNearOrderByActivityScoreDesc(
            Point point, Distance distance, Pageable pageable);

    /**
     * 查询指定范围内 + VIP 等级大于等于指定值的用户，按活跃度降序分页
     */
    Page<UserProfile> findByLocationNearAndVipLevelGreaterThanEqualOrderByActivityScoreDesc(
            Point point, Distance distance, Integer vipLevel, Pageable pageable);
}

4.5 Service & Controller​

import lombok.RequiredArgsConstructor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.data.domain.Page;
import org.springframework.data.domain.PageRequest;
import org.springframework.data.geo.Distance;
import org.springframework.data.geo.Metrics;
import org.springframework.data.geo.Point;
import org.springframework.stereotype.Service;

@Slf4j
@Service
@RequiredArgsConstructor
public class NearbyUserServiceV2 {

    private final UserProfileRepository userProfileRepository;

    /**
     * 使用 RediSearch 原生联合索引查询附近的人
     *
     * <p>对比方案一：
     * - 无需扩大召回
     * - 无需批量查活跃度
     * - 无需内存排序
     * - 一次调用直接拿到全局最优解
     */
    public Page<UserProfile> findNearbyUsers(double lon, double lat,
                                              double radiusKm, int page, int size) {
        Point myLocation = new Point(lon, lat);
        Distance searchRadius = new Distance(radiusKm, Metrics.KILOMETERS);

        return userProfileRepository
                .findByLocationNearOrderByActivityScoreDesc(
                        myLocation, searchRadius, PageRequest.of(page, size));
    }

    /**
     * 带 VIP 过滤的查询
     */
    public Page<UserProfile> findNearbyVipUsers(double lon, double lat,
                                                 double radiusKm, int minVipLevel,
                                                 int page, int size) {
        return userProfileRepository
                .findByLocationNearAndVipLevelGreaterThanEqualOrderByActivityScoreDesc(
                        new Point(lon, lat),
                        new Distance(radiusKm, Metrics.KILOMETERS),
                        minVipLevel,
                        PageRequest.of(page, size));
    }
}
import lombok.RequiredArgsConstructor;
import org.springframework.data.domain.Page;
import org.springframework.web.bind.annotation.*;

@RestController
@RequestMapping("/api/v2/nearby")
@RequiredArgsConstructor
public class NearbyUserControllerV2 {

    private final NearbyUserServiceV2 nearbyUserService;

    @GetMapping("/users")
    public Page<UserProfile> nearby(
            @RequestParam double lon,
            @RequestParam double lat,
            @RequestParam(defaultValue = "10") double radiusKm,
            @RequestParam(defaultValue = "0") int page,
            @RequestParam(defaultValue = "5") int size) {
        return nearbyUserService.findNearbyUsers(lon, lat, radiusKm, page, size);
    }

    @GetMapping("/vip-users")
    public Page<UserProfile> nearbyVip(
            @RequestParam double lon,
            @RequestParam double lat,
            @RequestParam(defaultValue = "10") double radiusKm,
            @RequestParam(defaultValue = "1") int minVipLevel,
            @RequestParam(defaultValue = "0") int page,
            @RequestParam(defaultValue = "5") int size) {
        return nearbyUserService.findNearbyVipUsers(
                lon, lat, radiusKm, minVipLevel, page, size);
    }
}

5. 同样的数据，方案二的查询结果​

使用方案二查询 10km 内按活跃度降序 Top 3：

排名用户距离(km)活跃度VIP
🥇 1user:B (李四)0.72952
🥈 2user:D (赵六)5.30853
🥉 3user:H (郑十)1.52751

🔍 对比方案一的结果：

方案一（距离60% + 活跃度40%）：user:B → user:F → user:H 方案二（纯活跃度排序）： user:B → user:D → user:H

区别在于：方案二这里是纯按活跃度排序（SORTBY activity_score DESC），user:D 虽然距离远(5.3km)但活跃度高(85)，所以排第二。而方案一的加权公式把距离因素考虑进去了，user:D 被压到了第 6 名。

如果你也想在方案二中实现加权混合排序，可以在 HSET 时预计算一个 weighted_score 字段（定时任务更新），或使用 FT.AGGREGATE 命令在查询时动态计算（语法稍复杂，但能实现等效的加权打分）。

6. 优缺点评估​

✅ 优点：

  • 性能天花板：全部计算在 Redis C 语言引擎内完成，无网络放大、无 Java GC 压力。
  • 代码极其简洁：从方案一的 100+ 行精排逻辑，缩减到 1 行方法名声明。
  • 全局最优解：不存在"漏斗效应"，所有在范围内的用户都会被考虑。
  • 天然支持分页：LIMIT offset count 直接分页，无需在内存中手动截断。

❌ 缺点：

  • 基础设施门槛：必须使用 Redis 8.0 或安装 RediSearch 模块的 Redis Stack。传统的云 Redis 实例通常不支持。
  • 内存开销更大：除了数据本身，还要额外存储 Quadtree、SkipList、倒排索引等索引结构，内存占用通常是纯数据的 2~4 倍。
  • 复杂加权排序受限：如果需要像方案一那样的多维加权公式，需要借助 FT.AGGREGATE + APPLY 函数，学习曲线陡峭。

📝 总结与选型建议​

方案全维度对比​

维度方案一：内存精排 (Redis GEO + Java)方案二：原生联合索引 (RediSearch)
适用场景历史遗留系统、中小并发、排序规则极其复杂多变新项目、高并发、对延迟有极致要求
基础设施标准 Redis ≥ 3.2 即可Redis 8.0 或 Redis Stack
排序灵活度⭐⭐⭐⭐⭐ 想怎么排就怎么排⭐⭐⭐ 简单排序很方便，复杂加权需 FT.AGGREGATE
网络开销❌ 有放大（召回 N×10 倍）✅ 精准返回，无放大
JVM 压力❌ 内存排序 + 对象创建✅ 几乎为零
全局最优❌ 存在漏斗效应✅ 全量候选
代码复杂度较高（~150 行核心逻辑）极低（~10 行接口声明）
内存占用✅ 只有 GEO + HASH❌ 多索引结构，2~4 倍

一句话总结​

如果你的系统还是传统的 Redis，用**「扩大召回 + 内存重排」**足以应付 90% 的场景；如果你准备拥抱未来或正在主导架构升级，毫不犹豫地推行 Redis 8.0 的原生联合索引，享受底层 C 语言级别的降维打击吧！

延伸阅读​