【工作日常】推荐策略V3 优化

由于原有逻辑中有个很大的问题，就是是在内存中使用洗牌算法对list进行排序，数据量少的情况可以这么处理，当数据量大的时候就会造成很大的消耗，一方面是 数据库io 读写会多，会查询大量的数据 ，一方面jvm堆内存也会占用很多。所以进行整体的优化。之前的逻辑如下：

【工作日常】推荐策略V3

整体优化如下：

1. 用户池数据存储 ： Mysql 数据表 -> Es 索引，字段区分日期数据 -> 索引名称区分日期数据 user_pool_20201112

2. 数据筛选：数据库条件筛选 ， 内存洗牌 -> Es 筛选，随机搜索

3. 数据过滤：sql 条件过滤 -> 内存查询数据 ，内存过滤数据

4. 数据补充：sql 连表查询 -> 内存list分组，多线程并发查询（futureTask），转为Map，循环getMap

            //切割list,分成10批
            ExecutorService executorService = Executors.newFixedThreadPool(10);
            List<Future<Map<String, Integer>>> futureTaskList = new ArrayList<>();
            Map<String, Integer> chatStatusType = new HashMap<>();
            try {
                List<List<UserPoolEsDTO>> partition = Lists.partition(list, 10);
                for (List<UserPoolEsDTO> userPoolEsDTOS : partition) {
                    Future<Map<String, Integer>> submit = executorService.submit(() -> {
                        Example example = new Example(DatingImSession.class);
                        List<String> toIds = userPoolEsDTOS.stream().map(item -> item.userId).collect(Collectors.toList());
                        example.createCriteria().andEqualTo("fromId", userId).andIn("toId", toIds);
                        List<DatingImSession> datingImSessions = datingImSessionMapper.selectByExample(example);
                        // 转成 key userId , value chatStatus 的 map
                        // LOGGER.info("查询数据");
                        return datingImSessions.stream()
                                .collect(Collectors.toMap(DatingImSession::getToId, item -> Integer.valueOf(item.getType())));
                    });
                    futureTaskList.add(submit);
                }
                for (Future<Map<String, Integer>> mapFuture : futureTaskList) {
                    Map<String, Integer> stringObjectMap = mapFuture.get();
                    chatStatusType.putAll(stringObjectMap);
                }
                return chatStatusType;