文章目录

  • 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
      • 3.1.1 maven
      • 3.1.2 封装
      • 3.1.3 使用
    • 3.2 CaffeineCache
      • 3.1.1 maven
      • 3.1.2 封装
      • 3.1.3 使用
  • 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，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  * @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 * * @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：

@Resourceprivate 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

import com.github.benmanes.caffeine.cache.Cache;import com.github.benmanes.caffeine.cache.Caffeine;import com.github.benmanes.caffeine.cache.Weigher;import 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 (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) -> {// 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 > 1sredis > 468mslocal > 131ms
  1. 去除转换时间，直接响应
db > 208msredis > 428mslocal > 96ms