一文了解大数据下 Redis 的应用

大数据下Redis的应用

1、Redis客户端区别

1.1 redis常用客户端

目前市面上比较流行的客户端有jedis、lettuce、redisson

jedis

jedis客户端连接方式是基于TCP阻塞方式

lettuce

lettuce内部是基于netty的多路复用异步非阻塞方式（目前业界解决高并发大数据的问题的思路）

redisson

相对于上面两种使用得较少

在并发数量不大的情况下，两者性能可能差不多，jedis的性能可能还优于lettuce，但当并发量的提升，jedis的超时错误会增加，但lettuce只是平均响应时间增加和最大响应时间会增加，lettuce是已稳定性为主的。

1.2 epoll模型-单线程的redis为什么快

redis内部使用epoll模型来提高链接处理能力

传统TCP链接与epoll模型的本质区别

TCP链接存在链接数瓶颈，随着连接数的增加，响应速度会明显变慢

epoll可支持更大数量的连接数而不会对性能有明显的影响

2、大数据下的redis的存储方案

2.1 分片模式

分片模式是把部署多个redis节点，然后由客户端决定数据分片规则，常见的分片规则就是以节点数量进行哈希分片

优点：

服务端不需要进行繁琐的配置，由客户端决定路由规则

缺点：

缺点很明显，如果多个节点中的某个节点挂了，将丢失这一部分数据，因为客户端还是为每个节点分配了连接，而且客户端配置分片节点IP的时候要注意

IP列表的顺序不能随意指定顺序，IP变更也会影响数据，扩容相当麻烦。

建议：如果分片节点较少可以使用分片来适当的分摊压力

配置示例：

spring : 
           remote : 
      ecredis : 
        type : sharding 
        uri : 
                   - 192.168.1.3:6379 
                   - 192.168.1.4:6379 
                   - 192.168.1.5:6379 
                   - 192.168.1.6:6379 
                   - 192.168.1.7:6379 
        db : 1 
        maxIdle : 10 
        minIdle : 5 
        maxActive : 10 
        password : GpG4fZoxsp7cTB5f 
        keyPrefix : 'ERP:EXPORT-CENTER:' 

2.2 哨兵机制

在Redis 2.8版本开始引入，就有了哨兵这个概念，哨兵实现了自动化的故障恢复，无需关心IP是否变更。

优点：

哨兵模式是基于主从模式的，所有主从的优点，哨兵模式都具有。

主从可以自动切换，系统更健壮，可用性更高。

Sentinel 会不断的检查 主服务器 和 从服务器 是否正常运行。当被监控的某个 Redis 服务器出现问题，Sentinel 通过API脚本向管理员或者其他的应用程序发送通知。

  缺点：

Redis较难支持在线扩容，对于集群，容量达到上限时在线扩容会变得很复杂。

spring : 
  redis : 
    password : 123456 
    sentinel : 
      master : master 
      nodes : 47.98.217.106:26379,47.98.217.109:26380,47.98.217.109:26381 
    timeout : 20000 
    database : 0 
    jedis : 
      pool : 
        max-active : 300 
        max-wait : -1 
        max-idle : 100 
        min-idle : 20 

2.3 redis cluster集群

通过数据分片的方式来进行数据共享问题，同时提供数据复制和故障转移功能，包含了哨兵模式的所有功能。

优点：数据按slot来分散存储，访问任何一个master节点都可以获取任何分片上面的数据，任何一个master节点都可以做扩容或者新增master节点的时候，数据会自动分片同步迁移(redis集群的重新分片由redis内部的redis-trib负责执行)，服务器不需要下线。如果每个master使用了主从模式，那么当master发生故障的时候，下面的slave们会选举一个新的master

缺点：需要使用ruby进行部署，配置相当麻烦，维护不方便

配置示例：

spring : 
  redis : 
    password : 
    cluster : 
      nodes : 192.168.1.3:6379,192.168.1.4:6379,192.168.1.5:6379 
      max-redirects : 3 
    lettuce : 
      pool : 
        max-idle : 16 
        max-active : 32 
        min-idle : 8 

2.4 cachecloud

cachecloud是一套解决方案，实现多种类型(Redis Standalone、Redis Sentinel、Redis Cluster)自动部署、解决Redis实例碎片化现象、提供完善统计、监控、运维功能、减少运维成本和误操作，提高机器的利用率，提供灵活的伸缩

优点：

使配置更简单，集群节点不再由客户端维护，配置一个domain即可自动获取节点列表

配置示例：

spring : 
           domain : cachecloud.server1.com:8080 
           remote : 
      ecredis : 
                 appid : 2 
        type : cloud 
        uri : 
        db : 1 
        maxIdle : 10 
        minIdle : 5 
        maxActive : 10 
        password : GpG4fZoxsp7cTB5f 
        keyPrefix : 'ERP:EXPORT-CENTER:' 

应用案例：

2.5 redis存储方案选型

吞吐量数据量较少、数据安全性不高：单机模式或者分片模式

吞吐量数据量较大、数据安全性较高：哨兵模式、集群模式

吞吐量数据量大、数据安全性高、扩展性强：集群模式

3、性能优化

3.1 日志优化

Redis日志存储模式分为两种：RDB和AOF，RDB为实时写入磁盘，AOF为延迟批量写入磁盘

RDB模式：

优点：实时存储日志，在数据恢复方面更有优势

缺点：磁盘IO比较频繁，会影响redis的吞吐能力

AOF模式：

优点：定时批量刷新日志到磁盘，适合高吞吐的场景，对redis性能影响较小

缺点：如果某一个时刻redis发生故障，可能会丢失内存中的数据，故障恢复的时候恢复不了这部分数据

模式选择：

如果吞吐量较小，使用RDB即可，吞吐量较大，可以选择AOF来提高性能，两种方式根据具体场景来选择

AOF配置:

appendonly yes 
#aof文件名设置 
appendfilename "appendonly-${port}.aof" 
#配置选择 
appendfsync everysec 
dir /bigdiskpath 
#不开启aof重写，因为太消耗性能 
no-appendfsync-on-rewrite yes 

AOF重写：分析当前redis中key对应的值来优化指令，来减少磁盘空间和压力，但因为需要判断合并逻辑，会有很大的性能开销，一般不开启aof重写

# 假设服务器对键list执行了以下命令; 
127.0.0.1:6379> RPUSH list "A" "B" 
(integer) 2 
127.0.0.1:6379> RPUSH list "C" 
(integer) 3 
127.0.0.1:6379> RPUSH list "D" "E" 
(integer) 5 
127.0.0.1:6379> LPOP list 
"A" 
127.0.0.1:6379> LPOP list 
"B" 
127.0.0.1:6379> RPUSH list "F" "G" 
(integer) 5 
127.0.0.1:6379> LRANGE list 0 -1 
1) "C" 
2) "D" 
3) "E" 
4) "F" 
5) "G" 
127.0.0.1:6379> 

正常AOF会把前面的6条写入命令都存入日志中，AOF重写会先去redis获取list的值，发现是["C","D","E","F","G"]，然后生成一条 RPUSH list "C" "D" "E" "F" "G" 来代替前面6条

3.2 缓存更新策略

redis默认情况下就是使用LRU策略的，因为内存是有限的，但是如果你不断地往redis里面写入数据，那肯定是没法存放下所有的数据在内存的

除了LRU，还可以使用scan的方式进行轮询ttl的方式清理

3.3 代码中使用redis的一些建议

避免使用keys *这种模糊查询，会阻塞当前线程，使用scan的方式去处理，redis客户端建议不要使用redis desktop manager

String cursor = ScanParams . SCAN_POINTER_START ; 
ScanParams scanParams = new ScanParams (); 
// 匹配表达式 
scanParams . match ( "key*" ); 
// 每次scan的条数 
scanParams . count ( 1000 ); 
while ( true ) { 
           ScanResult << span=""> String > result = jedis . scan ( cursor , scanParams ); 
           cursor = result . getStringCursor (); 
           if ( "0" . equals ( cursor )) { 
                      break ; 
           } 
} 

hgetall也应该避免使用，使用hscan代替，但如果通过RedisTemplate回调的方式使用hscan应该注意资源的释放，否则会出现请求到达一定次数的时候就不能发起请求的问题(客户端hang住了)

如果set的时候同时设置expire过期时间，不要先set再expire这种方式，应该使用原子操作

set key value [EX seconds] [PX milliseconds] [NX|XX] 

对于同一个需求多次改版redis中写入不同格式的数据，会产生兼容性问题，可以使用type命令去处理兼容，然后监控等老数据不存在之后再把判断逻辑移除

String type = jedis . type ( "a" ); 
if ( "string" . equalsIgnoreCase ( type )) { 
  // do something 
} else if ( "list" . equalsIgnoreCase ( type )) { 
  // do something 
} 

如果redis中的数据需要做去重，可以使用set或hashmap，hashmap性能更高，但对于维护hashmap数据结构之外的数据比较多，之前测试过，100B的数据存放到hashmap，但实际占用量可能有200B~300B甚至更多，set对于数据多的情况下性能会低一点

建议：数据少的情况下用set，数据多就用hashmap，但要注意尽量减少存储内容的长度，比如{"source":"order"}可以改成{"s":1}

去重操作不建议使用list，因为每次判断都要从list中取数据然后再add进去，多线程操作下还是可能会出现重复问题（比如两个线程同时lrange操作）

// 在多线程模式下会有问题 
// 假设线程A和线程B同时执行lrange 
List << span=""> String > list = jedis . lrange ( "a" , 0 , - 1 ); 
if (! list . contains ( "bbb" )) { 
                      jedis . lpush ( "bbb" ); 
} 

如果一次处理的命令很多，使用pipeline性能更好

list可以结合lpush/rpop、rpush/lpop来实现队列功能，但不建议把list当成是MQ的功能，因为没有记录的状态，无法跟踪数据处理情况

关于redis分布式锁，目前流行的实现方式还没有完美的方案，使用lua脚本的版本也不是完美的，如果需求允许延时或者一定时间内不允许执行多次，setnx设置过期时间是最好的方案

4、故障转移与数据迁移

4.1 数据迁移方案

老节点替换为新节点、新老key兼容处理

将新节点作为老节点的slave节点，等数据自动同步完成之后下架老节点，不建议使用代码迁移，因为不同业务数据结构可能很多

不同类型的节点之间迁移的方法不同，如果单节点迁移至分片集群只能借助迁移工具来完成

如果新业务将使用新的key，要保留旧key，可以开启两个连接池，一个处理新key，一个处理旧key，这样等旧key都失效的时候移除对旧key的连接就可以完全迁移到新key业务

动态扩容

必须在集群模式下才可以进行动态扩容，也可以使用cachecloud，数据会自动同步到各个节点

在数据迁移的过程中即使访问的某个key正在迁移，数据也是可以正常返回的，不用担心迁移过程会对数据访问造成影响

4.2 故障转移对于客户端的影响

redis集群模式虽然可以在某个master节点发生故障的时候自动从slave中选举节点当master，但类似jedis的客户端并不支持故障转移，也就是当集群某节点发生故障正在切换的时候，客户端如果正在访问故障节点，这时集群故障转移还没有完成，客户端会报错，如果需要让客户端也支持故障转移，需要修改jedis客户端源码来实现。