Redis：从缓存王者到数据“瑞士军刀”，你玩明白了吗？-优快云博客

本文链接：https://blog.youkuaiyun.com/2303_77543831/article/details/144861355

什么是redis,他是用来做什么的

nosql(not only sql)不仅仅是sql，泛指非关系型数据库，一般把非关系型数据库称为nosql数据库

redis,mongodb

redis是一个nosql类型的数据库(非关系型数据库)数据在内存中以键值对形式存储。

读写速度快，也提供数据持久化方式

一般最常用的场景就是把redis用来做缓存

redis除了用做缓存，还可以做什么

1、缓存

2、计数器点赞

3、排行榜数据结构 zset按照分数排序

4、数据排重去除重复数据

5、消息队列 redis中有一个list结构

6、分布式锁

redis线程模型

为什么设计单线程模型速度也很快？

1、数据都存储在内存中，读写的速度都是内存级别的，所有快

2、基于哈希的结构存储，通过key可以快速在哈希表中找到对应的数据

3、避免了上下文切换，由于是单线程模式，可以不存在切换的开销

redis持久化

我们现在除了缓存数据外，还将一些例如点赞等数据也是存储到redis的，这样服务万一断电，那么内存中的数据就丢失了

所以redis提供了持久化功能

redis提供了两种持久化机制

RDB方式

是redis中默认的持久化机制(默认开启)

当满足条件时，会对我们内存中的数据进行拍照，以快照的方式把数据存储到.rdb文件中

快照把(key:value)数据直接存储在rdb文件中

触发持久化规则：在redis.conf文件中

save 900 1

save 300 10

save 60 1000

也可以执行save命令

AOF方式

也是redis持久化的一种方式，默认是没有启用的

需要在redis.conf文件中配置

appendonly no-->yes

aof方式是以执行日志的方式记录的，将所有写操作的命令按顺序追加记录到"appendonly.aof"文件中，还原数据时，逐行执行这些命令即可

配置规则

appendfsync always 每次执行都会记录，消耗大

appendfsync everysec 每秒执行一次 sync，可能会丢失这 1s 的数据(默认)

redis事务

redis中的事务相比mysql事务，简单很多

redis中的事务，保证同一个事务在执行时，事务或者的多条命令执行时，不会有其他事务插入到中间执行,因为redis是单线程

redis事务执行时，不保证多条指令执行的原子性，多条指令执行时，中间如果有错误的命令，不会影响其他命令的执行。

mutil 命令开启事务

set key value 加入事务

set key value 加入事务

exec 执行事务中的命令

key过期策略

redisTemplate.opsForValue().set("k","v",10,TimeUnit.SECONDS);

redis中可以为key维护一个状态，表示是否过期

当定时时间过期后，将状态改为已过期，并没有立即删除key

在redis中有两种策略删除过期的key

1、惰性删除：在key过期后，在下次使用此key时，发现key已经过期，然后再删除过期的key，不足之处，浪费内存空间，优点，不需要有额外的线程定时定点的跟踪删除

2、定期删除：每隔指定的周期，对redis中过期的key进行清理

redis和mysql如何保证数据一致

此问题讲的是如何尽可能的保证，redis中和mysql中的数据保持一致的(主要是发生修改时)

采用延时双删策略，在更新mysql之前先删除redis中的数据，在mysql没有完全更新数据完成时，其他线程可以先读取旧的数据，在mysql更新完之后，再次删除redis中的数据，后来的线程确保读到的就是最新的mysql中的数据

缓存穿透

问题

key对应的数据在数据库不存在，每次先查询缓存，缓存中没有，然后去查询数据库，数据库也不存在，返回null,为null，没有往缓存中放，每次都是直接查询的mysql

解决方案

id10：值

id-1：null/-1

1、当mysql中查询不到时，可以向redis中存储一个key-value,value可以为null/--1,表名mysql中不存在

2、对参数进行校验不满足，不查询

3、使用布隆过滤器

布隆过滤器

是一个二进制数组，用于判断元素是否存在

使用k个哈希函数对某个值进行哈希计算，计算出来的哈希存储到对应的数组位置，把数组原来位置的0变为1，查询是否存在时，同样用哈希函数计算哈希值，如果每个位置上都是1，表明数据是可能存在，只要有一个数据是0，那么数据是肯定不存在的

会有一定误判率

优点：

1. 时间复杂度低，增加和查询元素的时间复杂为 O(N)

2. 保密性强，布隆过滤器不存储元素本身

3. 存储空间小，布隆过滤器是非常节省空间的

缺点：

1. 误判

2. 无法删除

布隆过滤器案例

基于谷歌 guava

实现布隆过滤器添加依赖

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>30.1-jre</version>
</dependency>

配置布隆过滤器

Configuration
public class BloomFilterConfig {
    @Bean
    public BloomFilter<String> bloomFilter() {
        //100000:布隆过滤器容量 0.01 为 误判率
        return BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()),100000, 0.01);
    }
}

注入测试

@Autowired
BloomFilter bloomFilter;
@GetMapping(path = "/test")
public CommonResult test(){
    bloomFilter.put("aa");
    System.out.println(bloomFilter.mightContain("aa"));
    System.out.println(bloomFilter.mightContain("bb"));
    return new CommonResult(200, null,"查询成功");
}