????????????????????????????????
欢迎关注公众号（通过文章导读关注：【11来了】），及时收到
AI 前沿项目工具及新技术
的推送
发送
资料
可领取
深入理解 Redis 系列文章结合电商场景讲解 Redis 使用场景
、
中间件系列笔记
和
编程高频电子书
！
文章导读地址：
点击查看文章导读！
????????????????????????????????
因为我发现大多数朋友，在学习完 Redis 之后，发现还是对如何在项目中进行使用不太清楚，只了解简单的将数据按照 k-v 的方式放在缓存中，对于生产环境中许多场景的解决方案都不了解，下边将从各个场景来讲解 Redis 在生产环境中如何使用，这里主要讲解思路以及流程，具体的代码就不列出来了，只要知道思路，无论是通过已有代码还是网络资源都还是很好实现的！而且在面试中，面试官也更看重你解决问题的思路。因此，本文将详细介绍 Redis 在生产环境中的最佳实践，帮助大家更好地理解并应用它们！
首先，对于用户数据，到底需不需要缓存呢？
这里举个例子，就比如在某红书中，对于热门用户，他的信息肯定是会被很多人看到的，像用户的数据特点就是：
读多写少
，读操作很多的数据是非常适合放到缓存中去的，那么如何缓存呢？
member_user:[userId]
作为 key 即可，value 存储需要查询的用户信息的 json 串
这里是对
缓存 + 数据库
进行双写
但是在多线程并发的情况下，可能会造成
缓存数据库双写不一致
的情况，如下：
那么如何解决
缓存数据库双写不一致
呢？
加锁，将读操作和写操作执行之前，加上同一把锁，让读写操作串行化即可：
user_info_lock
整体的流程如下：
高并发场景下优化
在高并发场景中，我们如果使用上边的这种方案会出现
大量线程阻塞
的问题，具体如下：
user_update_lock
这个步骤中等待拿锁
那么此时多线程大量的并发操作就成为了
串行拿锁
了，大大影响系统的性能，怎么解决呢？
将
等待加锁的操作添加一个超时时间
即可，可以设置个 200ms，这样大量的线程如果在 200ms 都拿不到锁，就直接获取锁失败，不会再串行阻塞获取锁，
串行转并行
，如下图（粉色部分为优化）：
在现在系统中，大部分数据都是通过
分页
进行查询的，那么针对于分页的数据，肯定就需要构建分页缓存，这里就需要考虑两个点：
先假设一种业务场景，这样下边说的时候也比较清楚一些，还是以某红书为例，要访问一个用户主页的作品，要对用户主页的作品进行分页缓存的构建
先来说一下缓存构建的时机，有两个：
缓存的构建操作
缓存的重建操作
但是会出现
缓存数据库不一致
的情况，如下：
缓存数据库不一致
如何解决呢？当然是
加锁
，在两个构建缓存的地方加锁，保证串行化即可，如下图
查询用户列表时，分页缓存的构建流程：
用户新增或修改内容时，对分页缓存重建流程：
那么同样，在获取锁的时候需要加阻塞等待获取锁的
超时时间
，大量用户线程阻塞在获取锁的地方，有了获取锁的超时时间
接下来说一下分页缓存中 key 和 value 如何设计：
首先，分页数据是由 pageNo 和 pageSize 控制的，可以将 pageSize 大小给固定，这样直接根据 pageNo 就可以查询出某一页的分页数据了，key 设计为：
user_homedata:page:{userId}:{pageNo}
在数据库中查询出来分页数据之后，将分页数据转为 JSON 串之后，传入 Redis 缓存中即可
缓存穿透解决方案
如果大量恶意请求查询数据库中不存在的数据，那么缓存中肯定是没有的，就会导致大量请求打到数据库中，造成缓存穿透
解决方案就是在查询到数据库中不存在的数据之后，在 Redis 中也缓存起来，缓存为一个字符串：
"{}"
即可，这样重复查询不存在的数据就不会打到数据库中了
空缓存的
过期时间
可以设置的短一些，避免大量的空缓存占用缓存空间
什么时候出现
写多读少
或者
写多读多
的场景呢？
就比如说电商场景中的
购物车
功能，面临着
高并发读
和
高并发写
解决方案：在购物车中，就以
Redis 作为主存储，通过 MQ 异步将数据落库持久化
，来提升系统性能！
那么在购物车中，需要缓存哪些数据呢？
那么在缓存中查询购物车中的商品时，会先在 Redis 中查询购物车中商品的顺序，根据顺序查出一系列商品 id，再根据商品 id 查询到商品的详情信息
下边看一下这 3 个数据在 Redis 中的存储结构：
用户购物车已有商品的数量：
# 使用 hash 结构存储，有 3 个部分，key、field、value
key shopping_cart_hash:{userId}
field skuId # 商品id
value 商品详情 json 串
# 整体的存储结构为：
shopping_cart_extra_hash:{userId} {
{skuId}: "商品详情json串",
{skuId}: "商品详情json串"
}
购物车中商品的详情信息：
# 使用 hash 存储
key -> shopping_cart_extra_hash:{userId}
field -> skuId
value -> 商品详情
# 存储结构为：
shopping_cart_extra_hash:{userId} {
{skuId}: "商品详情json串",
{skuId}: "商品详情json串"
}
购物车中商品的顺序：
# 存储结构为 zset，通过 score 排序
key shopping_cart_zset:{userId}
value skuId
score System.currentTimeMillis() # 分数使用当前系统的时间戳即可，按照加入购物车的时间对商品进行排序
这几个缓存数据可视化存储结构我也给画了出来，见下图：
分布式锁控制
这里在添加购物车的时候，注意添加分布式锁控制并发安全，避免同一个用户点了多次，但是没有加锁，导致丢失了几次该商品的添加
这里分布式锁的 key 设计为：
UPDATE_CART_LOCK_KEY:{userId}:{skuId}
，通过 userId 和 skuId 来控制同一把锁，将
锁的粒度控制在商品级别
，尽可能加大并发度
添加购物车商品时，在 Redis 中更新完毕，就通过 MQ 发送异步消息，将数据进行
落库操作
，整体流程如下图：
先说一下业务场景，在库存模块中，需要进行
入库
和
出库
操作，并且在高峰期的时候，会有大量用户对库存进行高并发的读和写操作
性能优化解决方案：库存
分片存储
，并且
渐进性写入
下边来说一下，如何进行具体的分片存储：
比如说某一个商品有 100 件库存，Redis 集群有 5 个节点，先将 100 个商品拆分为 5个分片（每个分片存储 20 个商品），再将 5 个分片分散到 Redis 集群的各个节点中，每个节点 1 个分片，那么也就是每个 Redis 节点存储 20 个商品库存
分片存储后，对于这个商品的
高并发
操作，就会被分散地打到多个 Redis 节点中，在分片存储的时候，一般将分片数量和 Redis 节点数设置的一样
在分片写入库存的时候，采用
渐进性写入
，比如说新入库一个商品有 300 个，有 3 个 Redis 节点，那么我们分成 3 个分片的话，1 个 Redis 节点放 1 个分片，1 个分片存储 100 个商品，那么如果我们直接写入缓存，先写入第一个 Redis 节点 100 个库存，再写入第二个 Redis 节点 100 个库存，如果这时写入第三个 Redis 节点 100 个库存的时候失败了，那么就导致操作库存的请求压力全部在前两个 Redis 节点中，采用
渐进性写入
的话，流程为：我们已经直到每个 Redis 节点放 100 个库存了，那么我们定义一个轮次的变量，为 10，表示我们去将库存写入缓存中需要写入 10 轮，那么每轮就写入 10 个库存即可，这样写入 10 轮之后，每个 Redis 节点中也就有 100 个库存了，这样的好处在于，即使有部分库存写入失败的话，对于请求的压力也不会全部在其他节点上，因为写入失败的库存很小，很快时间就可以消耗完毕
基于
分片
的添加库存流程如下：
那么既然添加库存时使用
分片存储
了，在扣减库存的时候，也必须轮询 Redis 节点进行扣减库存，如果当前 Redis 节点上的库存不够扣除，那么就去遍历下一个 Redis 节点查看库存是否足够，如果遍历完所有 Redis 节点都不够，那么就统计所有 Redis 节点上的库存总和是否足够，如果足够，则一个一个进行扣除，这时候还存在
扣除异常回滚
的情况，如果某一个 Redis 节点上扣除失败了，需要进行回滚，再将之前扣除的 Redis 节点上的库存给加回来，扣除库存的流程如下：
热 key 问题就是某一瞬间可能某条内容特别火爆，大量的请求去访问这个数据，那么这样的 key 就是热 key，往往这样的 key 也是存储在了一个 redis 节点中，对该节点压力很大
那么对于热 key 的处理就是通过热 key 探测系统对热 key 进行计数，一旦发现了热 key，就将热 key 在 jvm 本地缓存中再存储一份，那么当再有大量请求来读取时，就直接在应用的 jvm 缓存中读取到直接返回了，不会再将压力给到同一个 redis 节点中了，如下图：
京东开源了
高性能热 key 探测中间件：JD-hotkey
，可以实时探测出系统的热数据，生产环境中可以基于
JD-hotkey
来解决热 key 的问题
大 key 问题是指在 Redis 中某一个 key 所存储的 value 值特别大，几个 mb 或者几十 mb，那么如果频繁读取大 key，就会导致大量占用网络带宽，影响其他网络请求
对于大 key 会进行特殊的切片处理，并且要对大 key 进行监控，如果说发现超过 1mb 的大 key，则进行报警，并且自动处理，将这个大 key 拆成多个 k-v 进行存储，比如将
big-key
拆分为 —>
big-key01，big-key02 ...
，
那么大 key 的解决方案如下：
redis_large_key_log
中
redis_large_key_log
表的 binlog 日志，将增量数据发送到 RocketMQ 中（这里该表的增量数据就是解析出来的大 key，将大 key 的数据发送到 MQ 中，由 MQ 消费者来决定如何对这些大 key 进行处理）
那么在读取大 key 的时候，需要判断该 key 是否是大 key，如果是的话，需要对多个 k-v 的结果进行拼接并返回
如果不采用更新数据时双写来保证数据库与缓存的一致性的话，可以通过
canal + RocketMQ
来实现数据库与缓存的最终一致性，对于数据直接更新 DB，通过 canal 监控 MySQL 的 binlog 日志，并且发送到 RocketMQ 中，MQ 的消费者对数据进行消费并解析 binlog，过滤掉非增删改的 binlog，那么解析 binlog 数据之后，就可以知道对 MySQL 中的哪张表进行
增删改
操作了，那么接下来我们只需要拿到这张表在 Redis 中存储的 key，再从 Redis 中删除旧的缓存即可，那么怎么取到这张表在 Redis 中存储的 key 呢？
可以我们自己来进行配置，比如说监控
sku_info
表的 binlog，那么在 MQ 的消费端解析 binlog 之后，就知道是对
sku_info
表进行了增删改的操作，那么假如 Redis 中存储了 sku 的详情信息，key 为
sku_info:{skuId}
，那么我们就可以在一个地方对这个信息进行配置：
// 配置下边这三个信息
tableName = "sku_info"; // 表示对哪个表进行最终一致性
cacheKey = "sku_info:"; // 表示缓存前缀
cacheField = "skuId"; // 缓存前缀后拼接的唯一标识
// data 是解析 binlog 日志后拿到的 key-value 值，data.get("skuId") 就是获取这一条数据的 skuId 属性值
// 如下就是最后拿到的 Redis 的 key
redisKey = cacheKey + data.get(cacheField)
那么整体的流程图如下：
在生产环境中，如果 Redis 集群崩溃了，那么会导致大量的请求打到数据库中，会导致整个系统都崩溃，所以系统需要可以识别缓存故障，限流保护数据库，并且启动接口的降级机制
降级方案设计
我们在系统中操作 Redis 一般都是通过工具类来进行操作的，假设工具类有两个
RedisCache
和
RedisLock
，那么通过 AOP 对这两个工具类的所有方法
做一个切面
，如果在这两个类中执行 Redis 操作时，Redis 挂掉了，就会抛出异常（Redis 连接失败），那么我们在切面的处理方法上捕捉异常，再记录下来，判断是 Redis 集群挂了还是展示网络波动
判断是集群挂掉还是网络波动的话，我们可以配置规则，比如 30 秒内出现了 3 次 Redis 连接失败，就认为 Redis 挂掉了（可以使用 Hotkey 配置规则），那么如何自动恢复呢？可以设置 hotkey 中的缓存过期时间，设置为 60 秒，那么缓存过期之后，会再次尝试去操作 Redis，如果 Redis 恢复了就可以正常使用了，如果还没有恢复，会继续向 hotkey 中 set 数据