解读缓存db redis local的取舍之道

目录

• 前言
• 一、影响因素
• 二、db or Redis or local
• 1.db
• 2.redis
• 3. local
• 三、redisson 和 CaffeineCache 封装
• 3.1 redisson
• 3.2 CaffeineCache
• 总结

前言

让我们来聊一下数据缓存，它是如何为我们带来快速的数据响应的。

你知道吗，为了提高数据的读取速度，我们通常会引入数据缓存。

但是，你知道吗，不是所有的数据都适合缓存，android有些数据更适合直接从数据库查询。

现在，我们就来一起讨论一下，什么样的数据适合直接从数据库查询，什么样的数据适合从缓存中读取。

这将有助于我们更好地利用缓存，提高系统的性能。让我们开始吧！

一、影响因素

当涉及到数据查询和缓存时，有几个因素可以考虑来确定什么样的数据适合直接从数据库查询，什么样的数据适合从缓存中读取。

• 访问频率：如果某个数据被频繁访问，且对实时性要求不高，那么将其缓存在内存中会显著提高响应速度。这样的数据可以是经常被查询的热点数据，比如网站的热门文章、商品信息等。
• 数据更新频率：如果某个数据经常发生更新，那么将其缓存可能导致缓存和数据库中的数据不一致。对于这种情况，最好直接从数据库中查询最新数据。比如用户个人信息、订单状态等经常变动的数据。
• 数据大小：较大的数据对象，如图片、视频等，由于其体积较大，将其缓存到内存中可能会占用大量资源。这种情况下，可以将这些数据存储在分布式文件系统或云存储中，并通过缓存存储其访问路径或标识符。
• 数据一致性：一些数据在不同地方的多个副本可能会导致一致性问题。对于需要保持强一致性的数据，建议直接从数据库查询。而对于可以容忍一定程度的数据不一致的场景，可以考虑将数据缓存。
• 查询复杂度：某些复杂的查询操作可能会消耗大量的计算资源和时间，如果这些查询结果需要频繁访问，可以将其缓存，避免重复计算，提高响应速度。

需要注意的是，数据缓存并非适用于所有情况。缓存的使用需要谨慎，需要权衡数据的实时性、一致性和存储成本等方面的需求。此外，对于缓存数据的更新和失效策略也需要考虑，以确保缓存数据的准确性和及时性。

综上所述，数据适合直接从数据库查询还是缓存读取，取决于数据的访问频率、更新频率、大小、一致性要求和查询复杂度等因素。在实际应用中，需要根据具体情况进行综合考虑和合理选择。

二、db or redis or local

1.db

• 查询复杂度低
• 字段少
• sql执行效率高
• 实时性高

通常数据库适合查询字典类型数据，如类似 key value 键值对，数据更新频繁，实时性高的数据。

对于sql效率高的查询，redis查询不一定比db查询快。

2.redis

• 查询复杂度高
• 字段相对不多
• 实时性低

Redis适合查询复杂度较高、实时性要求较低的数据。当SQL查询效率较低，或者需要进行字段code和value的转换存储时，Redis可以提供更高效的查询方式。

不过，需要注意的是，Redis的主要瓶颈在于数据的序列化和反序列化过程。如果数据量较大，包含大量字段或者数据量巨大，那么Redis的查询速度可能不一定比数据库快，当然此时数据库本身执行效率也低。

在这种情况下，我们需要综合考虑数据的复杂度、实时性要求以及数据量的大小，选择最适合的查询方式。

有时候，可能需要在数据库和Redis之间进行权衡和折中，以找到最佳的性能和效率平衡点。因此，为了提高查询速度，我们需要根据具体的业务需求和数据特性，选择合适的存储和查询方案。

3. local

• 查询复杂度高
• 字段多
• 实时性低

本地缓存通常是最快的。它可以在内存中直接读取数据，速度非常快。然而，由于受限于内存大小，本地缓存的数据量是有限的。

对于那些数据库和Redis难以处理的大型数据，我们可以考虑使用本地缓存。通过将一部分频繁访问的数据存储在本地缓存中，可以大大提高系统的响应速度。

这样，我们可以在不牺牲太多内存资源的情况下，快速获取到需要的数据。当然，需要注意的是，由于本地缓存的数据是存储在内存中的，所以在服务器重启或缓存过期时，需要重新从数据库或Redis中加载数据到本地缓存中。

因此，在使用本地缓存时，需要权衡数据的大小、更新频率以及内存资源的限制，以获得最佳的性能和可用性。

三、redisson 和 CaffeineCache 封装

提供缓存查询封装，查询不到时直接查数据库后存入缓存。

3.1 redisson

• 3.1.1 maven

        <dependency>
            <groupId>org.redisson</groupId>
            <artifactId>redisson-spring-boot-starter</artifactId>
        </dependency>

• 3.1.2 封装

import cn.hutool.core.util.ObjectUtil;
import cn.hutool.core.util.StrUtil;
import cn.hutool.json.JSONUtil;
import com.cuzue.common.core.exception.BusinessException;
import com.cuzue.dao.cache.redis.RedisClient;
import org.redisson.api.RBucket;
import org.redisson.api.RKeys;
import org.redisson.api.RedissonClient;

import Java.util.List;
import java.util.concurrent.TimeUnit;
import java.util.function.Supplier;

public class RedisCacheProvider {

    private static RedissonClient redissonClient;

    public RedisCacheProvider(RedissonClient redissonClient) {
        this.redissonClient = redissonClient;
    }

    /**
     * 从redissonClient缓存中取数据，如果没有，查数据后存入
     *
     * @param key         redis key
     * @param dataFetcher 获取数据
     * @param ttl         缓存时间
     * @param timeUnit    缓存时间单位
     * @param <T>
     * @return 数据
     */
    public <T> List<T> getCachedList(String key, Supplier<List<T>> dataFetcher, long ttl, TimeUnit timeUnit) {
        if (ObjectUtil.isNotNull(redissonClient)) {
            // 尝试从缓存中获取数据
            List<T> cachedData = redissonClient.getList(key);
            if (cachedData.size() > 0) {
                // 缓存中有数据，直接返回
                return cachedData;
            } else {
                // 缓存中没有数据，调用数据提供者接口从数据库中获取
                List<T> data = dataFetcher.get();
                cachedData.clear();
                cachedData.addAll(data);
                // 将数据存入缓存，并设置存活时间
                // 获取 bucket 对象，为了设置过期时间
                RBucket<List<T>> bucket = redissonClient.getBucket(key);
                // 为整个列表设置过期时间
                bucket.expire(ttl, timeUnit);
                // 返回新获取的数据
                return data;
            }
        } else {
            throw new BusinessException("redissonClient has not initialized");
        }
    }

    /**
     * 删除缓存
   js  *
     * @param key redis key
     */
    public void deleteCachedList(String systemName, String key) {
        if (ObjectUtil.isNotNull(redissonClient)) {
            RKeys keys = redissonClient.getKeys();
            keys.deleteByPattern(key);
        } else {
            throw new BusinessException("redis client has not initialized");
        }
    }
}

• 3.1.3 使用

启动类添加：@Import({RedissonConfig.class})

直接引用：

@Resource
private RedissonClient redissonClient;

//缓存数据获取
public List<MatMaterialsResp> listCache(ListQO qo) {
    RedisCacheProvider cache = new RedisCacheProvider(redissonClient);
    List<MatMaterialsResp> resps = cache.getCachedList("testList", () -> {
        // 缓存数据查询
    }, 20, TimeUnit.SECONDS);
    return resps;
}

3.2 CaffeineCache

也可以使用hashMap

• 3.1.1 maven

       <dependency>
            <groupId>com.github.ben-manes.caffeine</groupId>
            <artifactId>caffeine</artifactId>
            <version>3.0.5</version>
        </dependency>

• 3.1.2 封装

CaffeineCache<K, V>

import com.github.benmanes.caffeine.cache.Cache;
import com.github.benmanes.caffeine.cache.Caffeine;
import com.github.benmanes.caffeine.cache.Weigher;

import编程客栈 java.util.concurrent.TimeUnit;
import java.util.function.Function;

public class CaffeineCache<K, V> {
    private final Cache<K, V> cache;

    /**
     * 不过期缓存
     *
     * @param maxSize 缓存条目数量 注意对象大小不要超过jvm内存
     */
    public CaffeineCache(long maxSize) {
        this.cache = Caffeine.newBuilder()
                .maximumSize(maxSize)
                .build();
    }

    /**
     * 初始化Caffeine
     *
     * @param maxSize
     * @param expireAfterWriteDuration
     * @param unit
     */
    public CaffeineCache(long maxSize, long expireAfterWriteDuration, TimeUnit unit) {
        this.cache = Caffeine.newBuilder()
                .maximumSize(maxSize)
                .expireAfterWrite(expireAfterWriteDuration, unit)
                .build();
    }

    /**
     * 初始化Caffeine 带权重
     *
     * @param maxSize
     * @param weigher                  权重
     * @param expireAfterWriteDuration
     * @param unit
     */
    public CaffeineCache(long maxSize, Weigher weigher, long expireAfterWriteDuration, TimeUnit unit) {
        this.cache = Caffeine.newBuilder()
                .maximumSize(maxSize)
                .weigher(weigher)
                .expireAfterWrite(expireAfterWriteDuration, unit)
                .build();
    }

    public V get(K key) {
        return cache.getIfPresent(key);
    }

    public void put(K key, V value) {
        cache.put(key, value);
    }

    public void remove(K key) {
        cache.invalidate(key);
    }

    public void clear() {
        cache.invalidateAll();
    }

    // 如果你需要一个加载功能（当缓存miss时自动加载值），你可以使用这个方法
    public V get(K key, Function<? super K, ? extends V> mappingFunction) {
        return cache.get(key, mappingFunction);
    }

    // 添加获取缓存统计信息的方法
    public String stats() {
        return cache.stats().toString();
    }
}

LocalCacheProvider

import cn.hutool.core.util.ObjectUtil;
import com.cuzue.dao.cache.localcache.CaffeineCache;

import java.util.List;
import java.util.concurrent.TimeUnit;
import java.util.function.Function;
import java.util.function.Supplier;

/**
 * 本地缓存
 */
public class LocalCacheProvider {

    private static CaffeineCache cache;

    /**
     * 无过期时间
     * @param maxSize 缓存最大条数
     */
    public LocalCacheProvider(long maxSize) {
        cache = new CaffeineCache(maxSize);
    }

    /**
     * 带过期时间
     * @param maxSize 缓存最大条数
     * @param ttl 过期时间
     * @param timeUnit 时间单位
     */
    public LocalCacheProvider(long maxSize, long ttl, TimeUnit timeUnit) {
        cache = new CaffeineCache(maxSize, ttl, timeUnit);
    }

    public static <T> List<T> getCachedList(String key, Supplier<List<T>> dataFetcher) {
        if (ObjectUtil.isNotNull(cache.get(key))) {
            return (List<T>) cache.get(key);
        } else {
            List<T> data = dataFetcher.get();
            cache.put(key, data);
            return data;
        }
    }

    public static <T> List<T> getCachedList(String key, Function<String, List<T>> dataFetcher) {
        return (编程客栈List<T>) cache.get(key, dataFetcher);
    }

    /**
     * 删除缓存
     *
     * @param key redis key
     */
    public void deleteCachedList(String key) {
        cache.remove(key);
    }
}

• 3.1.3 使用

//初始化caffeine对象
LocalCacheProvider cache = new LocalCacheProvider(5000, 20, TimeUnit.SECONDS);

//缓存数据获取
public List<MatMaterialsResp> listLocalCache(ListQO qo) {
    List<MatMaterialsResp> resps = cache.getCachedList("testList", (s) -&pythongt; {
	  // 缓存数据查询
    });
    return resps;
}

注意：Caffeine 实现的缓存占用 JVM 内存，小心 OutOfMemoryError

解决场景：

• 1.本地缓存适用不限制缓存大小,导致OOM，适合缓存小对象
• 2.本地缓存长时间存在,未及时清除无效缓存,导致内存占用资源浪费
• 3.防止人员api滥用, 未统一管理随意使用,导致维护性差等等

总结

从前的无脑经验，db查询慢，redis缓存起来，redis真不一定快！

一个简单性能测试：（测试响应时间均为二次查询的大概时间）

1.前置条件： 一条数据转换需要200ms，共5条数据，5个字段项，数据量大小463 B

db > 1s
redis > 468ms
local > 131ms

2.去除转换时间，直接响应

db > 208ms
redis > 428ms
local > 96ms

以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程客栈(www.devze.com)。