Redis进行相关优化详解

目录

• 前言
• 内存维度
• 控制key的长度
• 避免存储bigkey
• 如何查询bigkey
• 选择合适的数据类型
• 采用高效的序列化和压缩方法
• 设置Redis最大内存和淘汰策略
• 控制Redis实例的大小
• 定时清除内存碎片
• 性能维度
• 禁止使用KEYS、FLUSHALL、FLUSHDB命令
• 优化建议
• 慎用全量操作的命令
• 慎用复杂度过高命令
• 设置合适的过期时间
• 采用批量命令代替个命令
• Pipeline具体使用：
• 高可用维度
• 按照业务部署不同的实例
• 避免单点问题
• 合理的设置相关参数
• 总结

前言

Redis在项目中进行广泛使用，那么在日常的开发过程中，我们在使用Redis的过程中需要注意那些呢？本文将从三个维度来讲解如何进行Redis的优化。

内存维度

控制key的长度

key的一般都是采用字符串，而字符串的底层数据结构为SDS，SDS 结构中会包含字符串长度、分配空间大小等元数据信息，当key字符串的长度增加时，SDS中的元数据也会占用更多内存空间，为了减少key的占用空间，我们可用根据业务名来使用相应的英文缩写来表示。例如user用u表示，message 用m来表示。

避免存储bigkey

我们既要注意key的长度，同时也需要关注value的大小，Redis是使用单线程读写数据，bigkey 的读写操作会阻塞线程，降低Redis的处理效率。

如何查询bigkey

我们可以通过--bigkey的命令来查看Redis中所占用的bigkey的信息，具体的命令如下：

redis-cli -h 127.0.0.1 -p 6379 -a 'xxx' --bigkeys

从上述图所示，我们可以查看到Redis中的key占用了32098个bytes，需要进行相关优化的。

建议：

• 如果key为string类型，建议value的存放值的大小为10KB左右。
• 如果key为List/Hash/Set/ZSet类型，建议存放元素的的数量控制在1万以下。

选择合适的数据类型

Redis提供了丰富的数据类型，对于存放的内存也做了相关优化。关乎数据结果的相关知识，可以参考之前的文章。

例如：String和set在存储int数据时，会采用整数编码存储。Hash、ZSet在元素数量比较少时，会采用压缩列表（ziplist）存储，在存储比较多的数据时，才会转换为哈希表和跳表。

采用高效的序列化和压缩方法

Redis中的字符串都是使用二进制安全的字节数组来保存的，所以我们可以把业务的序列化成二进制写入Redis，但是采用不同的序列化，所占用的空间大少不一样。比如使用protostuff的序列化比java内置的序列化效率更高，占用空间更少。针对json和xml数据格式的，可以采用gzip或者snappy算法对数据进行压缩存储，从而节省空间。

设置Redis最大内存和淘汰策略

我们根据业务的数据量提前预估内存大小，从而避免Redis的内存持续膨胀，导致占用过多资源。

关于如何设置淘汰策略，需要集合实际的业务特性来选择：

• volatile-lru / allkeys-lru：优先保留最近访问过的数据
• volatile-lfu / allkeys-lfu：优先保留访问次数最频繁的数据
• volatile-ttl ：优先淘汰即将过期的数据
• volatile-random / allkeys-random：随机淘汰数据

控制Redis实例的大小

Redis单实例的内存大小建议设置在2~6GB之间。因为无论是RDB快照，还是主从集群进行数据同步，都能很快完成，不会阻塞正常请求的处理。

定时清除内存碎片

频繁的新增修改会导致内存碎片的增多，因此需要及时清理内存碎片。

Redis提供了Info memory命令可以查看内存使用信息，具体如下：

说明：

• used_memory_rss是操作系统实际分配给 Redis的物理内存空间。
• used_memory 是 Redis 为了保存数据实际申请使用的空间。
• mem_fragmentation_ratio=used_memory_rss/ used_memory
• mem_fragmentation_ratio 大于1但小于1.5。这种情况是合理的。
• mem_fragmentation_ratio大于1.5 这表明内存碎片率已经超过了50%。一般情况下，这个时候，我们就需要采取一些措施来降低内存碎片率了。具体的内存清理措施，将在后续的文章中进行讲解。

性能维度

禁止使用KEYS、FLUSHALL、FLUSHDB命令

• KEYS 按照key内容进行匹配，返回符合匹配条件的键值对，该命令需要对Redis的全局哈希表进行全表扫描，严重阻塞 Redis主线程。
• FLUSHALL 删除Redis实例上的所有数据，如果数据量很大，会严重阻塞Redis主线程。
• FLUSHDB，删除当前数据库中的数据，如果数据量很大，会阻塞Redis主线程。

优化建议

我们需要在线上要禁用这些命令。具体的做法是，管理员采用rename-command命令在配置文件中对这些命令进行重命名，让客户端无法使用这些命令。

慎用全量操作的命令

对于集合类型的来说，在未清楚集合数据大小的情况下，慎用查询集合中的全量数据，例如Hash的HetALL、Set的SMEMBERS命令、LRANGE key 0 -1 或者ZRANGE key 0 -1等命令，因为这些命令会对Hash或者Set类型的底层数据进行全量扫描，当集合数据量比较大时，会阻塞Redis的主线程。

优化建议：

当元素数据量较多时，可以用SSCAN、HSCAN 命令分批返回集合中的数据，减少对主线程的阻塞。

慎用复杂度过高命令

Redis执行复杂度过高的命令，会消耗更多的 CPU 资源，导致主线程中的其它请求只能等待。常见的复杂命令如下：SORT、SINTER、SINTERSTORE、ZUNIONSTORE、ZINTERSTORE 等聚合类命令。

优化建议：

当需要执行排序、交集、并集操作时，可以在客户端完成，避免让Redis进行过多计算，从而影响Redis性能。

设置合适的过期时间

Redis通常用于保存热数据。热数据一般都有使用的时效性。所以，在数据保存时，根据业务使用数据的时长，合理的设置数据的过期时间。否则写入Redis的数据会一直占用内存，如果数据持续增增长，会达到机器的内存上限，造成内存溢出，导致服务崩溃。

采用批量命令代替个命令

当我们需要一次性操作多个key时，可以使用批量命令来处理，批量命令可以减少客户端与服务端的来回网络IO次数。

• String或者Hash类型可以使用 MGET/MSET替代 GET/SET，HMGET/HMSET替代HGET/HSET
• 其它数据类型使用Pipeline命令，一次性打包发送多个命令到服务端执行。

Pipeline具体使用：

redisTemplate.executePipelined(new RedisCallback() {
            @Override
            public String doInRedis(RedisConnection connection) throws DataAccessException {
                for (int i = 0; i < 5; i++) 
                {
                    connection.set(("test:" + i).getBytes(), "test".getBytes());
                }
                return null;
            }
        });

高可用维度

按照业务部署不同的实例

不同的业务线来部署 Redis 实例，这样当其中一个实例发生故障时，不会影响到其它业务。

避免单点问题

业务上根据实际情况采用主从、哨兵、集群方案，避免单点故障，影响业务的正常使用。

合理的设置相关参数

针对主从环境，我们需要合理设置相关参数，具体内容如下：

• 合理的设置repl-backlog参数：如果repl-backlog设置过小，当写流量比较大的场景下，主从复制中断可能会引发全量复制数据的风险。
• 合理设置slave client-output-buffer-limit：当从库复制发生问题时，过小的 buffer会导致从库缓冲区溢出，从而导致复制中断。

总结

本文对于Redis的如何优化从内存、性能、高可用等三个维度进行了详细的讲解，如有大家还有什么优化建议欢迎提出，大家共同学习，共同进步。

到此这篇关于Redis进行相关优化的文章就介绍到这了,更多相关Redis优化内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！