【转】Guava cache使用总结

本文深入解析GuavaCache的特性与使用方法,包括其线程安全、数据源集成、缓存回收策略及监控功能。通过实例展示如何构建并配置缓存,以解决高并发场景下的数据缓存问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

缓存分为本地缓存和远端缓存。常见的远端缓存有Redis,MongoDB;本地缓存一般使用map的方式保存在本地内存中。一般我们在业务中操作缓存,都会操作缓存和数据源两部分。如:put数据时,先插入DB,再删除原来的缓存;ge数据时,先查缓存,命中则返回,没有命中时,需要查询DB,再把查询结果放入缓存中 。如果访问量大,我们还得兼顾本地缓存的线程安全问题。必要的时候也要考虑缓存的回收策略。

今天说的 Guava Cache 是google guava中的一个内存缓存模块,用于将数据缓存到JVM内存中。他很好的解决了上面提到的几个问题:

  • 很好的封装了get、put操作,能够集成数据源 ;
  • 线程安全的缓存,与ConcurrentMap相似,但前者增加了更多的元素失效策略,后者只能显示的移除元素;
  • Guava Cache提供了三种基本的缓存回收方式:基于容量回收、定时回收和基于引用回收。定时回收有两种:按照写入时间,最早写入的最先回收;按照访问时间,最早访问的最早回收;
  • 监控缓存加载/命中情况

Guava Cache的架构设计灵感ConcurrentHashMap,在简单场景中可以通过HashMap实现简单数据缓存,但如果要实现缓存随时间改变、存储的数据空间可控则缓存工具还是很有必要的。Cache存储的是键值对的集合,不同时是还需要处理缓存过期、动态加载等算法逻辑,需要额外信息实现这些操作,对此根据面向对象的思想,还需要做方法与数据的关联性封装,主要实现的缓存功能有:自动将节点加载至缓存结构中,当缓存的数据超过最大值时,使用LRU算法替换;它具备根据节点上一次被访问或写入时间计算缓存过期机制,缓存的key被封装在WeakReference引用中,缓存的value被封装在WeakReference或SoftReference引用中;还可以统计缓存使用过程中的命中率、异常率和命中率等统计数据。

构建缓存对象#

我们先看一个示例,再来讲解使用方式:

package com.rickiyang.learn.cache; import com.google.common.cache.CacheBuilder; import com.google.common.cache.CacheLoader; import com.google.common.cache.LoadingCache; import java.text.SimpleDateFormat; import java.util.Date; import java.util.Random; import java.util.concurrent.TimeUnit; /** * @author: rickiyang * @date: 2019/6/12 * @description: */ public class GuavaCacheService { public void setCache() { LoadingCache<Integer, String> cache = CacheBuilder.newBuilder() //设置并发级别为8,并发级别是指可以同时写缓存的线程数 .concurrencyLevel(8) //设置缓存容器的初始容量为10 .initialCapacity(10) //设置缓存最大容量为100,超过100之后就会按照LRU最近虽少使用算法来移除缓存项 .maximumSize(100) //是否需要统计缓存情况,该操作消耗一定的性能,生产环境应该去除 .recordStats() //设置写缓存后n秒钟过期 .expireAfterWrite(60, TimeUnit.SECONDS) //设置读写缓存后n秒钟过期,实际很少用到,类似于expireAfterWrite //.expireAfterAccess(17, TimeUnit.SECONDS) //只阻塞当前数据加载线程,其他线程返回旧值 //.refreshAfterWrite(13, TimeUnit.SECONDS) //设置缓存的移除通知 .removalListener(notification -> { System.out.println(notification.getKey() + " " + notification.getValue() + " 被移除,原因:" + notification.getCause()); }) //build方法中可以指定CacheLoader,在缓存不存在时通过CacheLoader的实现自动加载缓存 .build(new DemoCacheLoader()); //模拟线程并发 new Thread(() -> { //非线程安全的时间格式化工具 SimpleDateFormat simpleDateFormat = new SimpleDateFormat("HH:mm:ss"); try { for (int i = 0; i < 10; i++) { String value = cache.get(1); System.out.println(Thread.currentThread(

转载于:https://www.cnblogs.com/exmyth/p/11546449.html

### 功能对比 Caffeine 和 Guava Cache 均提供了丰富的功能来满足开发者的需求。然而,Caffeine 继承了 Guava Cache 的设计哲学,并在此基础上进行了改进和扩展[^3]。 #### 主要功能差异: - **缓存策略**:两者都支持常见的缓存淘汰策略,如 LRU(最近最少使用)和 LFU(最不经常使用)。不过,Caffeina 提供了更灵活的 Weighted Random Sampling (WRS) 策略,能够更好地适应复杂的高并发环境[^4]。 - **线程安全性**:两者的实现均具备良好的线程安全特性,但在高并发场景下,Caffeine 表现得更为出色[^1]。 - **API 兼容性**:由于 Caffeine 设计时考虑到了向后兼容性,因此它可以直接替代 Guava Cache 而无需大幅修改现有代码。 --- ### 性能测试 关于性能方面,在多个独立研究中表明,Caffeine 明显优于 Guava Cache,尤其是在处理大规模数据集以及面对极高频率请求的情况下[^2]。 以下是基于官方文档和其他资源总结的一个简单性能测试案例: ```java // 测试代码示例 import com.github.benmanes.caffeine.cache.Caffeine; import com.google.common.cache.CacheBuilder; public class CachePerformanceTest { public static void main(String[] args) throws InterruptedException { int iterations = 1_000_000; // 进行一百万次操作 testCache("Guava", CacheBuilder.newBuilder().maximumSize(100).build()); testCache("Caffeine", Caffeine.newBuilder().maximumSize(100).build()); } private static void testCache(String name, Object cacheInstance) throws InterruptedException { long start = System.nanoTime(); if (cacheInstance instanceof com.google.common.cache.LoadingCache<?, ?> guavaCache){ for(int i=0;i<iterations;i++) {guavaCache.getUnchecked(i);} }else{ var caffeineCache=(com.github.benmanes.caffeine.cache.Cache<Integer,Integer>)cacheInstance; for(int i=0;i<iterations;i++) {caffeineCache.put(i,i); caffeineCache.getIfPresent(i);} } long duration = (System.nanoTime() - start)/1_000_000L; System.out.println(name+" took "+duration+" ms"); } } ``` 上述程序展示了如何分别利用 Guava Cache 和 Caffeine 执行相同数量的操作,并记录所需时间。通常情况下,运行结果显示 Caffeine 完成同样任务所花费的时间显著少于 Guava Cache。 --- ### 使用建议 对于具体应用场景的选择可以根据以下几个因素决定: - 如果项目已经广泛采用了 Google Guava 库,则继续沿用 Guava Cache 可能会更加方便快捷; - 对于新开发或者需要更高效率尤其是涉及大量读写访问的应用来说,推荐选用 Caffeine 来获得更好的整体表现; - 单机部署且数据规模适中的情形下,无论是选择哪种方案都能很好地胜任工作需求。 此外需要注意的是,尽管二者均为优秀的本地缓存解决方案,但如果遇到跨服务共享状态等问题时,则可能还需要引入像 Redis 这样的分布式存储机制作为补充。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值