Redis+Guava，性能炸裂！

2022-06-16 16:23:21

来源：juejin.cn/post/7000263632151904293

# 前言

我们开发中经常用到Redis作为缓存，将高频数据放在Redis中能够提高业务性能，降低MySQL等关系型数据库压力，甚至一些系统使用Redis进行数据持久化，Redis松散的文档结构非常适合业务系统开发，在查询，数据统计业务有着很大的优势。

但是高频数据流处理系统中，Redis的压力也会很大，同时I/0开销才是耗时的主要原因，这时候为了降低Redis读写压力我们可以用到本地缓存，Guava为我们提供了的本地缓存API，包含了过期策略等等，编码难度低，个人非常推荐。

# 设计示例

Redis懒加载缓存

数据在新增到MySQL不进行缓存，在查找进行缓存，做到查询即缓存，不查询不缓存

流程图

代码示例

// 伪代码示例 Xx代表你的的业务对象 如User Goods等等public class XxLazyCache {
    @Autowired    private RedisTemplate<String, Xx> redisTemplate;        @Autowired    private XxService xxService;// 你的业务service        /**     * 查询 通过查询缓存是否存在驱动缓存加载 建议在前置业务保证id对应数据是存在于数据库中的     */    public Xx getXx(int id) {        // 1.查询缓存里面有没有数据        Xx xxCache = getXxFromCache(id);        if(xxCache != null) {            return xxCache;// 卫语句使代码更有利于阅读        }        // 2.查询数据库获取数据 我们假定到业务这一步，传过来的id都在数据库中有对应数据        Xx xx = xxService.getXxById(id);        // 3.设置缓存、这一步相当于Redis缓存懒加载，下次再查询此id，则会走缓存        setXxFromCache(xx);        return xx;        }    }        /**     * 对xx数据进行修改或者删除操作 操作数据库成功后 删除缓存     * 删除请求 - 删除数据库数据 删除缓存     * 修改请求 - 更新数据库数据 删除缓存 下次在查询时候就会从数据库拉取新的数据到缓存中     */    public void deleteXxFromCache(long id) {        String key = "Xx:" + xx.getId();        redisTemplate.delete(key);    }        private void setXxFromCache(Xx xx) {        String key = "Xx:" + xx.getId();        redisTemplate.opsForValue().set(key, xx);    }        private Xx getXxFromCache(int id) {        // 通过缓存前缀拼装主键作为缓存Key 如Xxx信息 就是Xxx:id        String key = "Xx:" + id;        return redisTemplate.opsForValue().get(key);    }    }// 业务类public class XxServie {    @Autowired    private XxLazyCache xxLazyCache;    // 查询数据库    public Xx getXxById(long id) {        // 省略实现        return xx;    }        public void updateXx(Xx xx) {        // 更新MySQL数据 省略        // 删除缓存        xxLazyCache.deleteXxFromCache(xx.getId());    }        public void deleteXx(long id) {        // 删除MySQL数据 省略        // 删除缓存        xxLazyCache.deleteXxFromCache(xx.getId());    }}// 实体类@Datapublic class Xx {    // 业务主键    private Long id;    // ...省略}

优点

保证小的缓存量满足查询业务，避免冷数据占用宝贵的内存空间
对增删改查业务入侵小、删除即同步
可插拔，对于老系统升级，历史数据无需在启动时初始化缓存

缺点

数据量需可控，在无限增长业务场景不适用
在微服务场景不利于全局缓存应用

总结

空间小化
满足查询场景
总数据量可控推荐使用
微服务场景不适用

# Redis结合本地缓存

微服务场景下，多个微服务使用一个大缓存，流数据业务下，高频读取缓存对Redis压力很大，我们使用本地缓存结合Redis缓存使用，降低Redis压力，同时本地缓存没有连接开销，性能更优

流程图

业务场景

在流处数处理过程中，微服务对多个设备上传的数据进行处理，每个设备有一个code,流数据的频率高，在消息队列发送过程中使用分区发送，我们需要为设备code生成对应的自增号，用自增号对kafka中topic分区数进行取模。

这样如果有10000台设备，自增号就是0~9999，在取模后就进行分区发送就可以做到每个分区均匀分布。

这个自增号我们使用redis的自增数生成，生成后放到redis的hash结构进行缓存，每次来一个设备，我们就去这个hash缓存中取，没有取到就使用自增数生成一个，然后放到redis的hash缓存中。

这时候每个设备的自增数一经生成是不会再发生改变的，我们就想到使用本地缓存进行优化，避免高频的调用redis去获取，降低redis压力

代码示例

/** * 此缓存演示如何结合redis自增数 hash 本地缓存使用进行设备自增数的生成、缓存、本地缓存 * 本地缓存使用Guava Cache */public class DeviceIncCache {
    /**     * 本地缓存     */    private Cache<String, Integer> localCache = CacheBuilder.newBuilder()        .concurrencyLevel(16) // 并发级别        .initialCapacity(1000) // 初始容量        .maximumSize(10000) // 缓存大长度        .expireAfterAccess(1, TimeUnit.HOURS) // 缓存1小时没被使用就过期        .build();
    @Autowired    private RedisTemplate<String, Integer> redisTemplate;        /**     * redis自增数缓存的key     */    private static final String DEVICE_INC_COUNT = "device_inc_count";        /**     * redis设备编码对应自增数的hash缓存key     */    private static final String DEVICE_INC_VALUE = "device_inc_value";        /**     * 获取设备自增数     */    public int getInc(String deviceCode){        // 1.从本地缓存获取        Integer inc = localCache.get(deviceCode);        if(inc != null) {            return inc;        }        // 2.本地缓存未命中，从redis的hash缓存获取        inc = (Integer)redisTemplate.opsForHash().get(DEVICE_INC_VALUE, deviceCode);        // 3. redis的hash缓存中没有，说明是新设备，先为设备生成一个自增号        if(inc == null) {            inc = redisTemplate.opsForValue().increment(DEVICE_INC_COUNT).intValue;            // 添加到redis hash缓存            redisTemplate.opsForHash().put(DEVICE_INC_VALUE, deviceCode, inc);        }        // 4.添加到本地缓存        localCache.put(deviceCode, inc);        // 4.返回自增数        return inc;    }    }