在Web应用开发中,页面访问量（PV）与独立访客数（UV）是衡量产品活跃度与用户行为的核心指标，Java作为企业级开发的主流语言，提供了多种技术方案实现PV/UV统计，本文将从技术原理、实现方式及优化策略三个维度展开分析。
PV统计：基于请求的计数逻辑
PV（Page View）指页面浏览量，每次用户刷新或访问页面均计为一次PV，统计PV的核心是捕获HTTP请求，并通过计数器累加，在Java Web应用中，可通过以下方式实现：
过滤器（Filter）拦截请求
利用Servlet Filter机制，对所有页面请求进行统一拦截，在Filter的doFilter方法中，获取请求的URI或路径，通过AtomicLong或Redis原子操作实现计数。
@WebFilter("/*")
public class PvFilter implements Filter {
private AtomicLong pvCounter = new AtomicLong(0);
@Override
public void doFilter(ServletRequest request, ServletResponse response, FilterChain chain) {
pvCounter.incrementAndGet();
chain.doFilter(request, response);
}
public long getPvCount() { return pvCounter.get(); }
}
此方案适用于单机应用,若需分布式环境，可将计数器替换为Redis的INCR命令，确保多节点数据一致性。
框架集成统计
Spring Boot项目中，可结合拦截器（Interceptor）或AOP（面向切面编程）实现PV统计，通过Interceptor统计Controller层的请求量，或使用@Around切面拦截特定注解方法的调用，实现业务维度的PV统计。
UV统计：基于用户标识的聚合逻辑
UV（Unique Visitor）指独立访客数，以用户设备或浏览器为唯一标识，通常通过IP地址、Cookie或用户ID去重，Java实现UV统计的关键在于用户标识的提取与存储。
基于Cookie的去重方案
当用户首次访问时,通过Filter生成唯一Cookie（如UUID），并存储标识与访问时间的映射关系，后续请求携带Cookie时，通过Redis的Set数据结构存储标识，利用其天然去重特性统计UV数量。
String userId = request.getHeader("Cookie");
if (userId == null) {
userId = UUID.randomUUID().toString();
response.addCookie(new Cookie("user_id", userId));
}
jedis.sadd("uv_set", userId);
long uvCount = jedis.scard("uv_set");
此方案需注意Cookie的有效期设置,避免用户清理Cookie后重复计数。
基于用户ID的精准统计
若系统已实现用户登录体系,可直接使用用户ID作为UV标识，通过Redis的HyperLogLog（基数统计）数据结构，可在海量数据下实现高效的UV统计，同时节省内存空间。
String userId = request.getAttribute("currentUserId");
jedis.pfadd("uv_hll", userId);
long uvCount = jedis.pfcount("uv_hll");
HyperLogLog在误差可控（约0.81%）的前提下，能处理亿级基数统计，适用于大型互联网应用。
数据持久化与实时统计
PV/UV数据需持久化存储，避免应用重启导致数据丢失，常见方案包括：
定时批量写入数据库
通过定时任务（如Spring Scheduler）每隔5分钟将Redis中的PV/UV数据批量写入MySQL，按日期维度存储统计结果。
@Scheduled(fixedRate = 300000)
public void persistStats() {
long pv = jedis.get("pv_count");
long uv = jedis.pfcount("uv_hll");
statsRepository.insert(new Stats(LocalDate.now(), pv, uv));
}
实时流处理架构
对于高并发场景,可采用Kafka+Flink/Spark Streaming实时处理访问日志，用户请求日志通过Kafka接入流处理引擎，实时计算PV/UV并写入Elasticsearch或ClickHouse，实现秒级监控与可视化。
优化策略与注意事项
- 性能优化：避免在高并发场景下使用同步计数器，推荐Redis原子操作或分布式缓存，减少数据库压力。
- 数据准确性：UV统计需结合业务场景选择标识方式，如匿名用户用Cookie/IP，登录用户用ID，避免重复统计。
- 资源成本：HyperLogLog虽高效，但需权衡精度与内存；大规模数据可采用分片存储，如按日期分片Redis的UV集合。
通过上述技术方案,Java应用可灵活实现PV/UV统计，为产品迭代与运营决策提供可靠的数据支撑，实际开发中需结合业务规模与性能需求，选择合适的架构与存储方案。
