【Redis】Redis使用规范
Redis 的使用，几乎都是作为缓存中间件的。缓存用得好，当然能提高软件的运行速度，但是缓存用的不好，对于提高速度上也无法带来增益。
键值对使用
- 好的 key 命名，能提供更好的可读性和可维护性，便于定位问题和寻找数据。
- value 要避免出现 bigkey、选择高效的序列化和压缩、使用对象共享池、选择高效恰当的数据类型。
类比于数据库，Redis 的 key 就相当于数据库的 Schema。我们需要在区分不同的数据库表，就是根据不同数据表的命名。对于 NoSQL 类型的 Redis 来说，Key 就表现了不同的数据库表。
业务名:表名:id
Key 过长会导致的问题：
**字符串长度增加，SDS 的元数据也会占用更多的内存空间。**每次读取一个 Key 会需要更多的时间，会发生更多的网络 IO 数据量。
BigKey 会导致的问题：
**BigKey 的读写操作会阻塞线程，降低 Redis 的处理效率。**Redis 的底层会将每次读写操作抽象为文件事件，处理的数据更多，容易造成事件队列的阻塞，影响效率。
防止网卡流量、慢查询，string 类型控制在 10KB 以内，hash、list、set、zset 元素个数不要超过 5000 比较合适。
Redis 的 String 类型的值的大小有限制，最大可以存储 512 MB 的数据。
需要注意的是，在 Redis 中，即使存储的是纯文本，也是被当作二进制数据来处理的。因此，一个字符串的大小会比实际存储的文本数据要大。例如，一个包含 100 个字符的字符串可能会占用 120 个字节的内存空间。这个差异的大小取决于字符串中使用的字符集，UTF-8 编码的字符串可能会比 ASCII 编码的字符串占用更多的内存空间。在使用 Redis 的 String 类型时，需要注意值的大小，避免将过大的值存储到 Redis 中。
如果需要存储大量的数据，有以下两种解决方式：
- 考虑使用 Redis 的其他数据类型，例如 List、Hash 或 Set 等。这些数据类型不会有存储大小的限制，可以存储更多的数据。
- 可以通过
gzip数据压缩来减小数据大小：
/**
* 使用gzip压缩字符串
*/
public static String compress(String str) {
if (str == null || str.length() == 0) {
return str;
}
try (ByteArrayOutputStream out = new ByteArrayOutputStream();
GZIPOutputStream gzip = new GZIPOutputStream(out)) {
gzip.write(str.getBytes());
} catch (IOException e) {
e.printStackTrace();
}
return new sun.misc.BASE64Encoder().encode(out.toByteArray());
}
/**
* 使用gzip解压缩
*/
public static String uncompress(String compressedStr) {
if (compressedStr == null || compressedStr.length() == 0) {
return compressedStr;
}
byte[] compressed = new sun.misc.BASE64Decoder().decodeBuffer(compressedStr);;
String decompressed = null;
try (ByteArrayOutputStream out = new ByteArrayOutputStream();
ByteArrayInputStream in = new ByteArrayInputStream(compressed);
GZIPInputStream ginzip = new GZIPInputStream(in);) {
byte[] buffer = new byte[1024];
int offset = -1;
while ((offset = ginzip.read(buffer)) != -1) {
out.write(buffer, 0, offset);
}
decompressed = out.toString();
} catch (IOException e) {
e.printStackTrace();
}
return decompressed;
}
集合类型
集合类型需要避免出现 BigKey 的情况。主要有以下这些解决方法：
使用高效序列化和压缩方法
我们在做 Redis 配置的时候，可以选择更高效的序列化方式和压缩方法去减少 value 的大小。
序列化方式优化
protostuff 和 kryo 都是 Java 语言中常用的序列化框架。它们都可以将对象的状态序列化为字节序列，并在需要的时候将字节序列反序列化为对象。
- protostuff 是一个轻量级的序列化框架，它主要用于将 Java 对象序列化为字节序列，并在需要的时候将字节序列反序列化为 Java 对象。它与 Google 的 Protocol Buffers 相似，但比 Protocol Buffers 更轻量级和灵活。protostuff 支持多种数据类型，包括基本类型、对象、集合和数组。
- kryo 是一个高性能的序列化框架，它可以将复杂的对象图序列化为字节序列，并在需要的时候将字节序列反序列化为对象。kryo 支持多种数据类型，包括基本类型、对象、集合和数组。它还支持对象的引用、循环引用和注册类型。
总体来说，protostuff 比 kryo 轻量级和简单，但 kryo 支持的功能更丰富。如果需要对性能要求较高的应用进行序列化，可以考虑使用 kryo。否则，可以使用 protostuff 来进行序列化。
- 为了提高序列化之后的可读性，通常会使用
JSON或者XML。 - 为了避免数据占用空间大，可以使用压缩工具（snappy、 gzip）将数据压缩再存到 Redis 中。
使用整数对象共享池
Redis 中有两种类型的对象共享池：整数对象共享池和字符串对象共享池。
整数对象共享池可以让 Redis 在内存中共享相同的整数对象，从而减少内存的使用。字符串对象共享池可以让 Redis 在内存中共享相同的字符串对象，从而减少内存的使用。
但是在 Redis 中，并没有实际使用到字符串对象共享池。这有两个原因：
- 字符串和整数比较的时间复杂度相差很大，前者是 O(n)，后者是 O(1)
- 字符串缓冲池中，字符串的命中率比较低，收益比不高
整数对象共享池
Redis 内部维护了 0 到 9999 这 1 万个整数对象，并把这些整数作为一个共享池使用。即使大量键值对保存了 0 到 9999 范围内的整数，在 Redis 实例中，其实只保存了一份整数对象，可以节省内存空间。
需要注意的是，有两种情况是不生效的：
- Redis 中设置了 maxmemory，而且启用了 LRU策略（allkeys-lru 或 volatile-lru 策略），那么，整数对象共享池就无法使用了。这是因为 LRU 需要统计每个键值对的使用时间，如果不同的键值对都复用一个整数对象就无法统计了。
- 如果集合类型数据采用 ziplist 编码，而集合元素是整数，这个时候，也不能使用共享池。因为 ziplist 使用了紧凑型内存结构，判断整数对象的共享情况效率低。
命令使用规范
生产禁用的指令
Redis 是单线程处理请求操作，如果执行一些涉及大量操作、耗时长的命令，就会严重阻塞主线程，导致其它请求无法得到正常处理。
- KEYS：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；应该使用 SCAN 来代替，分批返回符合条件的键值对，避免主线程阻塞，还可以使用 scan/sscan/zscan/hscan 来进行代替。
- 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，同样会阻塞 Redis 主线程。
加上 ASYNC 选项，让 FLUSHALL，FLUSHDB 异步执行。
我们也可以直接禁用，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。
rename-command KEYS ""
rename-command FLUSHALL ""
rename-command FLUSHDB ""
rename-command CONFIG ""
慎用 MONITOR 命令
MONITOR 命令会把监控到的内容持续写入输出缓冲区。
如果线上命令的操作很多，输出缓冲区很快就会溢出了，这就会对 Redis 性能造成影响，甚至引起服务崩溃。
所以，除非十分需要监测某些命令的执行（例如，Redis 性能突然变慢，需要查看下客户端执行了哪些命令）才使用。
慎用全量操作命令
比如获取集合中的所有元素（HASH 类型的 hgetall、List 类型的 lrange、Set 类型的 smembers、zrange 等命令）。
这些操作会对整个底层数据结构进行全量扫描 ，导致阻塞 Redis 主线程。
如果业务场景就是需要获取全量数据，有两个方式可以解决：
- 使用 SSCAN、HSCAN等命令分批返回集合数据；
- 把大集合拆成小集合，比如按照时间、区域等划分。
数据保存规范
冷热数据分离
虽然 Redis 支持使用 RDB 快照和 AOF 日志持久化保存数据，但是，这两个机制都是用来提供数据可靠性保证的，并不是用来扩充数据容量的。
不要什么数据都存在 Redis，应该作为缓存保存热数据，这样既可以充分利用 Redis 的高性能特性，还可以把宝贵的内存资源用在服务热数据上。
业务数据隔离
不要将不相关的数据业务都放到一个 Redis 中。一方面避免业务相互影响，另一方面避免单实例膨胀，并能在故障时降低影响面，快速恢复。
设置过期时间
在数据保存时，我建议你根据业务使用数据的时长，设置数据的过期时间。
写入 Redis 的数据会一直占用内存，如果数据持续增多，就可能达到机器的内存上限，造成内存溢出，导致服务崩溃。
控制单实例的内存容量
建议设置在 2~6 GB 。这样一来，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。
防止缓存雪崩
避免集中过期 key 导致缓存雪崩。
什么是缓存雪崩？
当某一个时刻出现大规模的缓存失效的情况，那么就会导致大量的请求直接打在数据库上面，导致数据库压力巨大，如果在高并发的情况下，可能瞬间就会导致数据库宕机。
运维规范
- 使用 Cluster 集群或者哨兵集群，做到高可用；
- 实例设置最大连接数，防止过多客户端连接导致实例负载过高，影响性能。
- 不开启 AOF 或开启 AOF 配置为每秒刷盘，避免磁盘 IO 拖慢 Redis 性能。
- 设置合理的 repl-backlog，降低主从全量同步的概率
- 设置合理的 slave client-output-buffer-limit，避免主从复制中断情况发生。
- 根据实际场景设置合适的内存淘汰策略。
- 使用连接池操作 Redis。
参考文档：
https://mp.weixin.qq.com/s/m0dPby4YAwbHzA-Yg-nwvQ