一个User表的增删改查,我写了近200行代码
Posted 默辨
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了一个User表的增删改查,我写了近200行代码相关的知识,希望对你有一定的参考价值。
Redis多级缓存架构的升级之路
一、基础版(包含基础操作)
这是我们工作中最常见的书写方式
- RedisUtil:封装的Redis相关API的操作
- RedisKeyPreConst:Redis缓存中涉及的key前缀
- UserMapper:操作数据库
代码实现细节如下:
public class UserServiceImpl implements UserService
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user)
User insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return insertRet;
@Override
public Integer deleteUser(Integer userId)
Integer num = userMapper.deleteUser(userId);
RedisUtil.delete(RedisKeyPreConst.USER_CACHE + userId);
return num;
@Override
public User updateUser(User user)
User updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return updateRet;
@Override
public User findUser(Integer userId)
User user = null;
// 1、redis缓存中查询
String userCacheKey = RedisKeyPreConst.USER_CACHE + userId;
String jsonUser = RedisUtil.get(userCacheKey);
if (!StringUtils.isEmpty(jsonUser))
user = JSON.parseObject(jsonUser, User.class);
return user;
// 2、数据库中查询
user = userMapper.findUser(userId);
if (user != null)
RedisUtil.add(userCacheKey, JSON.toJSONString(user));
return user;
二、升级版1.1(处理缓存数据一致性问题)
基础版本是一种常见的处理方式,但却会有如下的问题:
- 缓存中的数据太多:由于请求的数据都会加载到缓存中,会导致缓存中的数据过多,可以给数据设置相应的过期时间
- 请求的key刚好过期(缓存击穿):设置缓存时在基础的失效时间基础上,再延长一个随机失效的时间
- 大量请求一个不存在的key(缓存穿透):查询不存在需要缓存空对象,用来避免缓存击穿
- 大量请求多个不存在的key,即生成的空对象过多:给空对象也设置相应的过期时间,并且每访问一次空对象,就延长空对象的失效时间
- 分布式场景下缓存的数据一致性问题:可以使用一把分布式锁,并且结合类似DCL的模式,加锁后再增加一次缓存查
- 由于双写不一致改动的代码比较多,为了降低理解成本,所以在1.2中展示。
补充知识点(重要):
- 缓存击穿(失效):redis数据集中失效,请求直接穿过缓存到达数据库。设置不同失效时间。
- 缓存穿透:查询一个根本不存在的数据,就会出现不仅在redis缓存中没有找到,在数据库中也没有找到。缓存空对象,布隆过滤器。
- 缓存雪崩:缓存击穿会引发后续的一系列对整个系统造成的影响。限流,数据预热。
代码实现细节如下:
public class UserServiceImpl2 implements UserService
@Autowired
private Redisson redisson;
private String nullUser = JSON.toJSONString(new User());
private static final String HOT_USER_LOCK = "HOT_USER_LOCK_PRE";
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user)
User insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return insertRet;
@Override
public Integer deleteUser(Integer userId)
Integer num = userMapper.deleteUser(userId);
RedisUtil.delete(RedisKeyPreConst.USER_CACHE + userId);
return num;
@Override
public User updateUser(User user)
User updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return updateRet;
@Override
public User findUser(Integer userId)
User user = null;
String userCacheKey = RedisKeyPreConst.USER_CACHE + userId;
// 解决问题五:第一次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null)
return user;
// 解决问题五:添加分布式锁,解决热点数据并发数据安全问题
RLock lock = redisson.getLock(HOT_USER_LOCK + userId);
lock.lock();
try
// 解决问题五:第二次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null)
return user;
// 数据库中查询数据
user = userMapper.findUser(userId);
if (user != null)
RedisUtil.add(userCacheKey, JSON.toJSONString(user));
else
// 解决问题三:缓存一个空对象 给空对象设置过期时间,避免空间浪费
RedisUtil.add(userCacheKey, nullUser, getExpireTime(60), TimeUnit.SECONDS);
catch (Exception e)
throw new RuntimeException(e);
finally
lock.unlock();
return user;
private int getExpireTime(int time)
// 解决问题二:在基础过期时间上增加一个随机数,用来防止数据集中过期,出现缓存击穿。
return time + new Random().nextInt(30);
// redis缓存中查询数据
private User getUserAndSetExpire(String userCacheKey)
User user = null;
String jsonUser = RedisUtil.get(userCacheKey);
if (!StringUtils.isEmpty(jsonUser))
if (nullUser.equals(jsonUser))
// 解决问题四:如果是缓存过的空对象,则延长空对象的过期时间
RedisUtil.expire(userCacheKey, getExpireTime(60), TimeUnit.SECONDS);
return new User();
user = JSON.parseObject(jsonUser, User.class);
// 解决问题一:每访问一次数据,就重新设置过期时间。不活跃的数据就会失效
RedisUtil.expire(userCacheKey, getExpireTime(60 * 60 * 24), TimeUnit.SECONDS);
return user;
三、升级版1.2(处理缓存数据一致性问题)
具体什么是双写不一致这里就不再赘述。不了解的小伙伴可以参考我之前的博客:Redis核心知识点总结(一万五千字,请耐心读完)
- 双写不一致:在已有的DCL结构的基础上,在第二次缓存查和数据库查之间再增加一个分布式锁
代码实现细节如下:
public class UserServiceImpl3 implements UserService
@Autowired
private Redisson redisson;
private String nullUser = JSON.toJSONString(new User());
private static final String HOT_USER_LOCK = "HOT_USER_LOCK_PRE";
private static final String UPDATE_USER_LOCK = "UPDATE_USER_LOCK";
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user)
User insertRet = new User();
// 解决问题六:在新增数据的时候也添加锁,用来解决双写不一致问题
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + user.getUserId());
updateLock.lock();
try
insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
catch (Exception e)
throw new RuntimeException(e);
finally
updateLock.unlock();
return insertRet;
@Override
public Integer deleteUser(Integer userId)
Integer num;
// 解决问题六:在删除数据的时候也添加锁,用来解决双写不一致问题
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + userId);
updateLock.lock();
try
num = userMapper.deleteUser(userId);
catch (Exception e)
throw new RuntimeException(e);
finally
updateLock.unlock();
return num;
@Override
public User updateUser(User user)
// 解决问题六:在修改数据的时候也添加锁,用来解决双写不一致问题
User updateRet = new User();
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + user.getUserId());
updateLock.lock();
try
updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
catch (Exception e)
throw new RuntimeException(e);
finally
updateLock.unlock();
return updateRet;
@Override
public User findUser(Integer userId)
User user = null;
String userCacheKey = RedisKeyPreConst.USER_CACHE + userId;
// 解决问题五:第一次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null)
return user;
// 解决问题五:添加分布式锁,解决热点数据并发数据安全问题
RLock lock = redisson.getLock(HOT_USER_LOCK + userId);
lock.lock();
try
// 解决问题五:第二次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null)
return user;
// 解决问题六:添加第二把分布式锁,用来处理双写不一致问题
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + userId);
updateLock.lock();
try
// 数据库中查询数据
user = userMapper.findUser(userId);
if (user != null)
RedisUtil.add(userCacheKey, JSON.toJSONString(user));
else
// 解决问题三:缓存一个空对象 给空对象设置过期时间,避免空间浪费
RedisUtil.add(userCacheKey, nullUser, getExpireTime(60), TimeUnit.SECONDS);
catch (Exception e)
throw new RuntimeException(e);
finally
updateLock.unlock();
catch (Exception e)
throw new RuntimeException(e);
finally
lock.unlock();
return user;
private int getExpireTime(int time)
// 解决问题二:在基础过期时间上增加一个随机数,用来防止数据集中过期,出现缓存击穿。
return time + new Random().nextInt(30);
// redis缓存中查询数据
private User getUserAndSetExpire(String userCacheKey)
User user = null;
// 1、redis缓存中查询
String jsonUser = RedisUtil.get(userCacheKey);
if (!StringUtils.isEmpty(jsonUser))
if (nullUser.equals(jsonUser))
// 解决问题四:如果是缓存过的空对象,则延长空对象的过期时间,
RedisUtil.expire(userCacheKey, getExpireTime(60), TimeUnit.SECONDS);
return new User();
user = JSON.parseObject(jsonUser, User.class);
// 解决问题一:每访问一次数据,就重新设置过期时间。不活跃的数据就会失效
RedisUtil.expire(userCacheKey, getExpireTime(60 * 60 * 24), TimeUnit.SECONDS);
return user;
四、优化版(优化多级缓存架构)
上面的代码基本已经可以解决很多缓存数据一致性问题了,但如果你有更高的并发量(redis都扛不住的并发),或者更快的响应速度,可以提供下面的优化方案,仅供参考:
- 细化锁的粒度引入RReadWriteLock:这样读读的场景就可以提高并发量
- 预估业务执行时间,将串行转并发:在DCL缓存架构的基础上,我们的本意是在加锁的时候阻塞线程,让线程串行执行到第二个缓存。如果我们将加锁逻辑修改为tryLock,就可以达到线程并行的效果。此操作需要预估业务代码的执行时间,个人认为比较鸡肋,但是也不失为一种优化的办法
- redis也扛不住的并发:方法一,使用一些限流中间件,如sential、hystrix等;方法二,使用JVM级别的内存map存放高热点数据。毕竟map是基于JVM级别的,在分布式场景下是会存在数据的一致性问题,且不利于扩展和数据过期处理,解决思路:
- 可以引入EhCache、Guava等中间件,用来对过期的key进行回收处理
- 使用zookeeper或者mq,添加对应的事件,每当redis中数据发生变化的时候,就同步给所有程序的(分布式场景下,每台服务器的JVM内存中)内存map
- 借助第三方热点实时计算系统,当数据访问热度达到一定的频率,就触发对应的事件,同步给所有程序的内存map
代码实现细节如下:
public class UserServiceImpl4 implements UserService
@Autowired
private Redisson redisson;
private String nullUser = JSON.toJSONString(new User());
private static final String HOT_USER_LOCK = "HOT_USER_LOCK_PRE";
private static final String UPDATE_USER_LOCK = "UPDATE_USER_LOCK";
// 优化方案三:使用JVM自带的内存Map处理更大的并发请求
private static Map<String, User> userMap = new HashMap<>();
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user)
User insertRet = new User();
// 优化方案二:使用读写锁替代粒度更大的锁
RReadWriteLock readWriteLock = redisson.getReadWriteLock(UPDATE_USER_LOCK + user.getUserId());
RLock insertWriteLock = readWriteLock.readLock();
insertWriteLock.lock();
try
insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
// 优化方案三:使用JVM自带的内存Map处理更大的并发请求
userMap.put(RedisKeyPreConst.USER_CACHE + user.getUserId(), user);
catch (Exception e)
throw new RuntimeException(e);
finally
insertWriteLock.unlock();
return insertRet;
@Override
public Integer deleteUser(Integer userId)
Integer num;
// 优化方案二:使用读写锁替代粒度更大的锁
RReadWriteLock readWriteLock = redisson.getReadWriteLock(UPDATE_USER_LOCK + userId);
RLock deleteWriteLock = readWriteLock.readLock();
deleteWriteLock.lock();
try
num = userMapper.deleteUser(userId);
RedisUtil.delete(RedisKeyPreConst.USER_CACHE + userId);
// 优化方案三:使用JVM自带的内存Map处理更大的并发请求
userMap.remove(RedisKeyPreConst.USER_CACHE + userId);
catch (Exception e)
throw new RuntimeException(e);
finally
deleteWriteLock.unlock();
return num;
@Override
public User updateUser(User user)
// 优化方案二:使用读写锁替代粒度更大的锁
User updateRet = new User();
RReadWriteLock readWriteLock = redisson.getReadWriteLock(UPDATE_USER_LOCK + user.getUserId());
RLock updateWriteLock = readWriteLock.readLock();
updateWriteLock.lock();
try
updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
// 优化方案三:使用JVM自带的内存Map处以上是关于一个User表的增删改查,我写了近200行代码的主要内容,如果未能解决你的问题,请参考以下文章