一.背景概述

本周接到一个新的需求：从用户dau日志文件中读取用户uid，然后到Redis中获取对应的用户数据。用户的uid存储于login_day_20220913.txt文件，共1亿2千多万条数据，数量达1.4G。

要求：尽量在2小时内获得结果，在数据处理过程中，Redis服务器QPS尽量低，不超过某个阈值，不然会触发监控报警。数据从Redis从库读取，只提供一个端口。

二.分析与实现

由于之前做过相同数据量的统计需求，所以从一开始就确定单线程完成此次数据处理也是可以的。实际上，对多线程和并发的使用需要慎之又慎，特别是在业务繁忙的系统或环境下。

接触Redis的朋友都知道，Redis是支持批量读取的,其中常用的两个方法：mget()和hmget()。

本次处理的数据不是哈希结构，所以确定使用mget()。

此时，我自然而然地问了同事一个问题，那就是mget批量处理数据的最佳参数范围是多少？因为mget()接受一个字符串数组参数，也就是说字符串数组的长度最佳为多少？

同事并没有给我明确的答案，只是说他们日常每批次处理10000条，建议我自己可以尝试一下，于是我打算试试50000条数据。

主要代码如下：

package com.sina.weibo;import com.sina.weibo.util.FileUtils;import com.sina.weibo.util.ListUtil;import org.apache.commons.lang3.time.StopWatch;import redis.clients.jedis.Jedis;import java.util.ArrayList;import java.util.LinkedHashSet;import java.util.List;import java.util.concurrent.TimeUnit;public class Application {/** dau数据读取路径 */private static String dauDataPath = "/data1/sinawap/var/logs/wapcommon/place/user_position/dau/login_day_20220913.txt";/** 结果输出路径 */private static String outputPath = "/data1/bingqing5/importcampusdata/output/campus_data.txt";/** 已处理过的uid数据存储路径 */private static String processedUidDataPath = "/data1/bingqing5/importcampusdata/process/processed_uid.txt";public static void main(String[] args) {StopWatch stopWatch = new StopWatch();// 开始时间stopWatch.start();System.out.println("================程序开始===============");transfer(dauDataPath, processedUidDataPath, outputPath);System.out.println("================程序结束===============");// 结束时间stopWatch.stop();// 统计执行时间（秒）System.out.println("执行时长：" + stopWatch.getTime(TimeUnit.SECONDS) + " 秒.");}private static void transfer(String dauDataPath, String processedUidDataPath, String outputPath) {List dauDataList = FileUtils.readInfoFromFile(dauDataPath);List<List> bucket = ListUtil.splitList(dauDataList, 50000);Jedis jedis = new Jedis("rdsxxxxx.xxxx.xxxx.xxxx.com.cn",50000);List processedUidDataList = FileUtils.readInfoFromFile(processedUidDataPath);LinkedHashSet linkedHashSet = ListUtil.getLinkedHashSet(processedUidDataList);for (List list : bucket) {List jsonStrList = jedis.mget(list.toArray(new String[list.size()]));for (int i = 0; i < list.size(); i++) {if (!linkedHashSet.contains(list.get(i))) {String uid = list.get(i);FileUtils.appendInfoToFile(processedUidDataPath, uid);String jsonStr = jsonStrList.get(i);if (jsonStr == null || jsonStr == "") continue;String content = uid + "\t" + jsonStr;FileUtils.appendInfoToFile(outputPath, content);}}System.out.println(list.size());}}}

三.发现问题与屡次改进

3.1.QPS过高而且波动很大

上述代码上线后没多久，就被同事找来，说QPS过高，开始的时候瞬间达到近100k，之后稳定在70k~100k之间。因为担心影响其他业务，于是把jar包暂停，着手优化。

于是，我多次修改如下代码：

List<List> bucket = ListUtil.splitList(dauDataList, 50000);

将50000，调整为10000,5000,1000,500,100等值逐一尝试。

QPS确实逐步降下来了，但是即便是每次处理1000条，QPS也有40K左右。

3.2.程序中断，抛异常

最终以每批次读取500条数据，将代码上线。但是程序总是中断报错，抛出异常：

而这时候已处理的数据量达到几千万条。

最初怀疑是因为jedis对象没有调用close方法，于是修改代码如下：

package com.sina.weibo;import com.sina.weibo.util.FileUtils;import com.sina.weibo.util.ListUtil;import org.apache.commons.lang3.time.StopWatch;import redis.clients.jedis.Jedis;import java.util.ArrayList;import java.util.LinkedHashSet;import java.util.List;import java.util.concurrent.TimeUnit;public class Application {/** dau数据读取路径 */private static String dauDataPath = "/data1/sinawap/var/logs/wapcommon/place/user_position/dau/login_day_20220913.txt";/** 结果输出路径 */private static String outputPath = "/data1/bingqing5/importcampusdata/output/campus_data.txt";/** 已处理过的uid数据存储路径 */private static String processedUidDataPath = "/data1/bingqing5/importcampusdata/process/processed_uid.txt";public static void main(String[] args) {StopWatch stopWatch = new StopWatch();// 开始时间stopWatch.start();System.out.println("================程序开始===============");transfer(dauDataPath, processedUidDataPath, outputPath);System.out.println("================程序结束===============");// 结束时间stopWatch.stop();// 统计执行时间（秒）System.out.println("执行时长：" + stopWatch.getTime(TimeUnit.SECONDS) + " 秒.");}private static void transfer(String dauDataPath, String processedUidDataPath, String outputPath) {List dauDataList = FileUtils.readInfoFromFile(dauDataPath);List<List> bucket = ListUtil.splitList(dauDataList, 50000);List processedUidDataList = FileUtils.readInfoFromFile(processedUidDataPath);LinkedHashSet linkedHashSet = ListUtil.getLinkedHashSet(processedUidDataList);for (List list : bucket) {Jedis jedis = new Jedis(rdsxxxxx.xxxx.xxxx.xxxx.com.cn", 50000);List jsonStrList = jedis.mget(list.toArray(new String[list.size()]));for (int i = 0; i < list.size(); i++) {if (!linkedHashSet.contains(list.get(i))) {String uid = list.get(i);FileUtils.appendInfoToFile(processedUidDataPath, uid);String jsonStr = jsonStrList.get(i);if (jsonStr == null || jsonStr == "") continue;String content = uid + "\t" + jsonStr;FileUtils.appendInfoToFile(outputPath, content);}}jedis.close();System.out.println(list.size());}}}

修改后跑程序依旧没有任何改善，继续修改，代码如下：

package com.sina.weibo;import com.sina.weibo.util.FileUtils;import com.sina.weibo.util.ListUtil;import org.apache.commons.lang3.time.StopWatch;import redis.clients.jedis.Jedis;import java.util.ArrayList;import java.util.LinkedHashSet;import java.util.List;import java.util.concurrent.TimeUnit;public class A {/** dau数据读取路径 */private static String dauDataPath = "/data1/sinawap/var/logs/wapcommon/place/user_position/dau/login_day_20220913.txt";/** 结果输出路径 */private static String outputPath = "/data1/bingqing5/importcampusdata/output/campus_data.txt";/** 已处理过的uid数据存储路径 */private static String processedUidDataPath = "/data1/bingqing5/importcampusdata/process/processed_uid.txt";public static void main(String[] args) {StopWatch stopWatch = new StopWatch();// 开始时间stopWatch.start();System.out.println("================程序开始===============");transfer(dauDataPath, processedUidDataPath, outputPath);System.out.println("================程序结束===============");// 结束时间stopWatch.stop();// 统计执行时间（秒）System.out.println("执行时长：" + stopWatch.getTime(TimeUnit.SECONDS) + " 秒.");}private static void transfer(String dauDataPath, String processedUidDataPath, String outputPath) {List dauDataList = FileUtils.readInfoFromFile(dauDataPath);List<List> bucket = ListUtil.splitList(dauDataList, 50000);List processedUidDataList = FileUtils.readInfoFromFile(processedUidDataPath);LinkedHashSet linkedHashSet = ListUtil.getLinkedHashSet(processedUidDataList);for (List list : bucket) {Jedis jedis = new Jedis("rdsxxxxx.xxxx.xxxx.xxxx.com.cn", 50000);List jsonStrList = jedis.mget(list.toArray(new String[list.size()]));for (int i = 0; i < list.size(); i++) {if (!linkedHashSet.contains(list.get(i))) {String uid = list.get(i);FileUtils.appendInfoToFile(processedUidDataPath, uid);String jsonStr = jsonStrList.get(i);if (jsonStr == null || jsonStr == "") continue;String content = uid + "\t" + jsonStr;FileUtils.appendInfoToFile(outputPath, content);}}try {Thread.sleep(100);} catch (InterruptedException e) {e.printStackTrace();} finally {jedis.close();}System.out.println(list.size());}}}

上线以后，观测发现QPS区域稳定，但是程序会空跑，也就是从头开始将已处理的数据也要逐一读取一次，很多时候都没有跑到上次程序处理的地方就已经被迫退出。

linkedHashSet本来是用来标记上次程序运行停止的地方，但是似乎并没有完全发挥作用。

于是修改代码，加入一个新的list集合，用于存放还没有处理过的数据，代码如下：

package com.sina.weibo;import com.sina.weibo.util.FileUtils;import com.sina.weibo.util.ListUtil;import org.apache.commons.lang3.time.StopWatch;import redis.clients.jedis.Jedis;import java.util.ArrayList;import java.util.LinkedHashSet;import java.util.List;import java.util.concurrent.TimeUnit;/** * @author bingqing5* @date 2022/09/14 15:00 * @version 1.0 */public class Application {/** dau数据读取路径 */private static String dauDataPath = "/data1/sinawap/var/logs/wapcommon/place/user_position/dau/login_day_20220913.txt";/** 结果输出路径 */private static String outputPath = "/data1/bingqing5/importcampusdata/output/campus_data.txt";/** 已处理过的uid数据存储路径 */private static String processedUidDataPath = "/data1/bingqing5/importcampusdata/process/processed_uid.txt";public static void main(String[] args) {StopWatch stopWatch = new StopWatch();// 开始时间stopWatch.start();System.out.println("================程序开始===============");//transfer(dauDataPath, processedUidDataPath, outputPath);List dauDataList = FileUtils.readInfoFromFile(dauDataPath);//List<List> bucket = ListUtil.splitList(dauDataList, 50000);//Jedis jedis = new Jedis("rdsxxxxx.xxxx.xxxx.xxxx.com.cn", 50000);List processedUidDataList = FileUtils.readInfoFromFile(processedUidDataPath);LinkedHashSet linkedHashSet = ListUtil.getLinkedHashSet(processedUidDataList);List uidList = new ArrayList();for (String uid : dauDataList) {if (linkedHashSet.contains(uid)) {continue;} else {uidList.add(uid);}}List<List> bucket;if (uidList.size() != 0) {bucket = ListUtil.splitList(uidList, 10000);} else {bucket = new ArrayList();}for (List list : bucket) {Jedis jedis = new Jedis("rdsxxxxx.xxxx.xxxx.xxxx.com.cn", 50000);List jsonStrList = jedis.mget(list.toArray(new String[list.size()]));for (int i = 0; i < list.size(); i++) {if (!linkedHashSet.contains(list.get(i))) {String uid = list.get(i);FileUtils.appendInfoToFile(processedUidDataPath, uid);String jsonStr = jsonStrList.get(i);if (jsonStr == null || jsonStr == "") continue;String content = uid + "\t" + jsonStr;FileUtils.appendInfoToFile(outputPath, content);}}try {Thread.sleep(100);} catch (InterruptedException e) {e.printStackTrace();} finally {jedis.close();}System.out.println(list.size());}System.out.println("================程序结束===============");// 结束时间stopWatch.stop();// 统计执行时间（秒）System.out.println("执行时长：" + stopWatch.getTime(TimeUnit.SECONDS) + " 秒.");}}

终于这次修改后，上线代码，代码平稳运行。

此时查看QPS，发现10000的批读取量，QPS文档在25K以下，此前同样的数据量，QPS能达到40K。

3.3.内存消耗过大

在上次修改后，程序平稳运行，期间我查看了机器状态，发现我跑的jar包竟然消耗了32%左右的内存，那台机器也不过62G的总内存。虽然不缺内存资源，但是还是决定趁着程序在跑的期间，回顾一下代码。

List<List> bucket = ListUtil.splitList(dauDataList, 10000);

上面这行代码是将所有的用户uid数据按照10000的大小均等分割，每次遍历，要重复创建同一类Jedis对象，也会消耗大量内存。

另外，下面这段程序：

 List uidList = new ArrayList();for (String uid : dauDataList) {if (linkedHashSet.contains(uid)) {continue;} else {uidList.add(uid);}}

已经对处理过的数据做过筛选，在循环中再次做如下判断：

if (!linkedHashSet.contains(list.get(i))) { }

也是多次一举，会增加耗时。

综合以上考虑，我做了修改，代码如下：

package com.sina.weibo;import com.sina.weibo.util.FileUtils;import com.sina.weibo.util.ListUtil;import org.apache.commons.lang3.time.StopWatch;import redis.clients.jedis.Jedis;import java.util.ArrayList;import java.util.LinkedHashSet;import java.util.List;import java.util.concurrent.TimeUnit;/** * @author bingqing5 * @date 2022/09/14 15:00 * @version 1.0 */public class Application {/** dau数据读取路径 */private static String dauDataPath = "/data1/sinawap/var/logs/wapcommon/place/user_position/dau/login_day_20220913.txt";/** 结果输出路径 *///private static String outputPath = "/data1/bingqing5/redis_test/output/campus_data.txt";private static String outputPath = "/data1/bingqing/redis_test/output/campus_data.txt";/** 已处理过的uid数据存储路径 *///private static String processedUidDataPath = "/data1/bingqing5/redis_test/process/processed_uid.txt";private static String processedUidDataPath = "/data1/bingqing/redis_test/process/processed_uid.txt";public static void main(String[] args) {StopWatch stopWatch = new StopWatch();// 开始时间stopWatch.start();System.out.println("================程序开始===============");transfer(dauDataPath, processedUidDataPath, outputPath);System.out.println("================程序结束===============");// 结束时间stopWatch.stop();// 统计执行时间（秒）System.out.println("执行时长：" + stopWatch.getTime(TimeUnit.SECONDS) + " 秒.");}private static void transfer(String dauDataPath, String processedUidDataPath, String outputPath) {List dauDataList = FileUtils.readInfoFromFile(dauDataPath);Jedis jedis = new Jedis("rdsxxxxx.xxxx.xxxx.xxxx.com.cn", 50000);List processedUidDataList = FileUtils.readInfoFromFile(processedUidDataPath);LinkedHashSet linkedHashSet = ListUtil.getLinkedHashSet(processedUidDataList);List uidList = new ArrayList();for (String uid : dauDataList) {if (linkedHashSet.contains(uid)) {continue;} else {uidList.add(uid);}}List<List> bucket;if (uidList.size() != 0) {bucket = ListUtil.splitList(uidList, 50000);} else {bucket = new ArrayList();}for (List list : bucket) {List jsonStrList = jedis.mget(list.toArray(new String[list.size()]));for (int i = 0; i < list.size(); i++) {String uid = list.get(i);FileUtils.appendInfoToFile(processedUidDataPath, uid);String jsonStr = jsonStrList.get(i);if (jsonStr == null || jsonStr == "") continue;String content = uid + "\t" + jsonStr;FileUtils.appendInfoToFile(outputPath, content);}try {Thread.sleep(100);} catch (InterruptedException e) {e.printStackTrace();} finally {jedis.close();}System.out.println(list.size());}}}

修改代码以后，替换掉原先运行的jar包，接着运行。发现内存消耗明显降低，稳定占总内存的20%。

然后尝试修改了mget参数量，修改为50000条，再次运行程序发现QPS稳定在40K左右。

四.总结

本篇算是笔者刚接触Redis不久的一篇随手记。通过本次需求的开发经历，让我对Redis有了直观的了解，同时也理解了代码优化在实际生产工作和开发中的潜在价值。

关于Redis，在快速直接从Redis读取数据的场景中，尤其是数据量大的时候，为了防止QPS过高，最好在处理一批次数据后空出一定的时间间隔，比如可以让线程暂时休眠一定时间间隔，再进行下批次读取和处理。

关于代码优化，尽量创建可重复使用的对象，非必要不添加同类对象，避免大量创建对象带来的资源消耗，本次经历也算是很鲜明的体会到这点。