一、基础版（包含基础操作）二、升级版1.1（处理缓存数据一致性问题）三、升级版1.2（处理缓存数据一致性问题）四、优化版（优化多级缓存架构）
一、基础版（包含基础操作）
这是我们工作中最常见的书写方式
RedisUtil：封装的Redis相关API的操作RedisKeyPreConst：Redis缓存中涉及的key前缀UserMapper：操作数据库
代码实现细节如下：
public class UserServiceImpl implements UserService {
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user) {
User insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return insertRet;
}
@Override
public Integer deleteUser(Integer userId) {
Integer num = userMapper.deleteUser(userId);
RedisUtil.delete(RedisKeyPreConst.USER_CACHE + userId);
return num;
}
@Override
public User updateUser(User user) {
User updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return updateRet;
}
@Override
public User findUser(Integer userId) {
User user = null;
// 1、redis缓存中查询
String userCacheKey = RedisKeyPreConst.USER_CACHE + userId;
String jsonUser = RedisUtil.get(userCacheKey);
if (!StringUtils.isEmpty(jsonUser)) {
user = JSON.parseObject(jsonUser, User.class);
return user;
}
// 2、数据库中查询
user = userMapper.findUser(userId);
if (user != null) {
RedisUtil.add(userCacheKey, JSON.toJSONString(user));
}
return user;
}
}
二、升级版1.1（处理缓存数据一致性问题）
基础版本是一种常见的处理方式，但却会有如下的问题：
缓存中的数据太多：由于请求的数据都会加载到缓存中，会导致缓存中的数据过多，可以给数据设置相应的过期时间请求的key刚好过期（缓存击穿）：设置缓存时在基础的失效时间基础上，再延长一个随机失效的时间大量请求一个不存在的key（缓存穿透）：查询不存在需要缓存空对象，用来避免缓存击穿大量请求多个不存在的key，即生成的空对象过多：给空对象也设置相应的过期时间，并且每访问一次空对象，就延长空对象的失效时间分布式场景下缓存的数据一致性问题：可以使用一把分布式锁，并且结合类似DCL的模式，加锁后再增加一次缓存查由于双写不一致改动的代码比较多，为了降低理解成本，所以在1.2中展示。
补充知识点（重要）：
缓存击穿（失效）：redis数据集中失效，请求直接穿过缓存到达数据库。设置不同失效时间。缓存穿透：查询一个根本不存在的数据，就会出现不仅在redis缓存中没有找到，在数据库中也没有找到。缓存空对象，布隆过滤器。缓存雪崩：缓存击穿会引发后续的一系列对整个系统造成的影响。限流，数据预热。
代码实现细节如下：
public class UserServiceImpl2 implements UserService {
@Autowired
private Redisson redisson;
private String nullUser = JSON.toJSONString(new User());
private static final String HOT_USER_LOCK = "HOT_USER_LOCK_PRE";
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user) {
User insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return insertRet;
}
@Override
public Integer deleteUser(Integer userId) {
Integer num = userMapper.deleteUser(userId);
RedisUtil.delete(RedisKeyPreConst.USER_CACHE + userId);
return num;
}
@Override
public User updateUser(User user) {
User updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
return updateRet;
}
@Override
public User findUser(Integer userId) {
User user = null;
String userCacheKey = RedisKeyPreConst.USER_CACHE + userId;
// 解决问题五：第一次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null) {
return user;
}
// 解决问题五：添加分布式锁，解决热点数据并发数据安全问题
RLock lock = redisson.getLock(HOT_USER_LOCK + userId);
lock.lock();
try {
// 解决问题五：第二次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null) {
return user;
}
// 数据库中查询数据
user = userMapper.findUser(userId);
if (user != null) {
RedisUtil.add(userCacheKey, JSON.toJSONString(user));
} else {
// 解决问题三：缓存一个空对象 给空对象设置过期时间，避免空间浪费
RedisUtil.add(userCacheKey, nullUser, getExpireTime(60), TimeUnit.SECONDS);
}
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
lock.unlock();
}
return user;
}
private int getExpireTime(int time) {
// 解决问题二：在基础过期时间上增加一个随机数，用来防止数据集中过期，出现缓存击穿。
return time + new Random().nextInt(30);
}
// redis缓存中查询数据
private User getUserAndSetExpire(String userCacheKey) {
User user = null;
String jsonUser = RedisUtil.get(userCacheKey);
if (!StringUtils.isEmpty(jsonUser)) {
if (nullUser.equals(jsonUser)) {
// 解决问题四：如果是缓存过的空对象，则延长空对象的过期时间
RedisUtil.expire(userCacheKey, getExpireTime(60), TimeUnit.SECONDS);
return new User();
}
user = JSON.parseObject(jsonUser, User.class);
// 解决问题一：每访问一次数据，就重新设置过期时间。不活跃的数据就会失效
RedisUtil.expire(userCacheKey, getExpireTime(60 * 60 * 24), TimeUnit.SECONDS);
}
return user;
}
}
三、升级版1.2（处理缓存数据一致性问题）
具体什么是双写不一致这里就不再赘述。不了解的小伙伴可以参考我之前的博客：Redis核心知识点总结（一万五千字，请耐心读完）
双写不一致：在已有的DCL结构的基础上，在第二次缓存查和数据库查之间再增加一个分布式锁
代码实现细节如下：
public class UserServiceImpl3 implements UserService {
@Autowired
private Redisson redisson;
private String nullUser = JSON.toJSONString(new User());
private static final String HOT_USER_LOCK = "HOT_USER_LOCK_PRE";
private static final String UPDATE_USER_LOCK = "UPDATE_USER_LOCK";
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user) {
User insertRet = new User();
// 解决问题六：在新增数据的时候也添加锁，用来解决双写不一致问题
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + user.getUserId());
updateLock.lock();
try {
insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
updateLock.unlock();
}
return insertRet;
}
@Override
public Integer deleteUser(Integer userId) {
Integer num;
// 解决问题六：在删除数据的时候也添加锁，用来解决双写不一致问题
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + userId);
updateLock.lock();
try {
num = userMapper.deleteUser(userId);
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
updateLock.unlock();
}
return num;
}
@Override
public User updateUser(User user) {
// 解决问题六：在修改数据的时候也添加锁，用来解决双写不一致问题
User updateRet = new User();
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + user.getUserId());
updateLock.lock();
try {
updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
updateLock.unlock();
}
return updateRet;
}
@Override
public User findUser(Integer userId) {
User user = null;
String userCacheKey = RedisKeyPreConst.USER_CACHE + userId;
// 解决问题五：第一次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null) {
return user;
}
// 解决问题五：添加分布式锁，解决热点数据并发数据安全问题
RLock lock = redisson.getLock(HOT_USER_LOCK + userId);
lock.lock();
try {
// 解决问题五：第二次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null) {
return user;
}
// 解决问题六：添加第二把分布式锁，用来处理双写不一致问题
RLock updateLock = redisson.getLock(UPDATE_USER_LOCK + userId);
updateLock.lock();
try {
// 数据库中查询数据
user = userMapper.findUser(userId);
if (user != null) {
RedisUtil.add(userCacheKey, JSON.toJSONString(user));
} else {
// 解决问题三：缓存一个空对象 给空对象设置过期时间，避免空间浪费
RedisUtil.add(userCacheKey, nullUser, getExpireTime(60), TimeUnit.SECONDS);
}
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
updateLock.unlock();
}
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
lock.unlock();
}
return user;
}
private int getExpireTime(int time) {
// 解决问题二：在基础过期时间上增加一个随机数，用来防止数据集中过期，出现缓存击穿。
return time + new Random().nextInt(30);
}
// redis缓存中查询数据
private User getUserAndSetExpire(String userCacheKey) {
User user = null;
// 1、redis缓存中查询
String jsonUser = RedisUtil.get(userCacheKey);
if (!StringUtils.isEmpty(jsonUser)) {
if (nullUser.equals(jsonUser)) {
// 解决问题四：如果是缓存过的空对象，则延长空对象的过期时间，
RedisUtil.expire(userCacheKey, getExpireTime(60), TimeUnit.SECONDS);
return new User();
}
user = JSON.parseObject(jsonUser, User.class);
// 解决问题一：每访问一次数据，就重新设置过期时间。不活跃的数据就会失效
RedisUtil.expire(userCacheKey, getExpireTime(60 * 60 * 24), TimeUnit.SECONDS);
}
return user;
}
}
四、优化版（优化多级缓存架构）
上面的代码基本已经可以解决很多缓存数据一致性问题了，但如果你有更高的并发量（redis都扛不住的并发），或者更快的响应速度，可以提供下面的优化方案，仅供参考：
细化锁的粒度引入RReadWriteLock：这样读读的场景就可以提高并发量预估业务执行时间，将串行转并发：在DCL缓存架构的基础上，我们的本意是在加锁的时候阻塞线程，让线程串行执行到第二个缓存。如果我们将加锁逻辑修改为tryLock，就可以达到线程并行的效果。此操作需要预估业务代码的执行时间，个人认为比较鸡肋，但是也不失为一种优化的办法redis也扛不住的并发：方法一，使用一些限流中间件，如sential、hystrix等；方法二，使用JVM级别的内存map存放高热点数据。毕竟map是基于JVM级别的，在分布式场景下是会存在数据的一致性问题，且不利于扩展和数据过期处理，解决思路：
可以引入EhCache、Guava等中间件，用来对过期的key进行回收处理使用zookeeper或者mq，添加对应的事件，每当redis中数据发生变化的时候，就同步给所有程序的（分布式场景下，每台服务器的JVM内存中）内存map借助第三方热点实时计算系统，当数据访问热度达到一定的频率，就触发对应的事件，同步给所有程序的内存map
代码实现细节如下：
public class UserServiceImpl4 implements UserService {
@Autowired
private Redisson redisson;
private String nullUser = JSON.toJSONString(new User());
private static final String HOT_USER_LOCK = "HOT_USER_LOCK_PRE";
private static final String UPDATE_USER_LOCK = "UPDATE_USER_LOCK";
// 优化方案三：使用JVM自带的内存Map处理更大的并发请求
private static Map userMap = new HashMap<>();
@Autowired
UserMapper userMapper;
@Override
public User insetUser(User user) {
User insertRet = new User();
// 优化方案二：使用读写锁替代粒度更大的锁
RReadWriteLock readWriteLock = redisson.getReadWriteLock(UPDATE_USER_LOCK + user.getUserId());
RLock insertWriteLock = readWriteLock.readLock();
insertWriteLock.lock();
try {
insertRet = userMapper.insetUser(user);
RedisUtil.add(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
// 优化方案三：使用JVM自带的内存Map处理更大的并发请求
userMap.put(RedisKeyPreConst.USER_CACHE + user.getUserId(), user);
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
insertWriteLock.unlock();
}
return insertRet;
}
@Override
public Integer deleteUser(Integer userId) {
Integer num;
// 优化方案二：使用读写锁替代粒度更大的锁
RReadWriteLock readWriteLock = redisson.getReadWriteLock(UPDATE_USER_LOCK + userId);
RLock deleteWriteLock = readWriteLock.readLock();
deleteWriteLock.lock();
try {
num = userMapper.deleteUser(userId);
RedisUtil.delete(RedisKeyPreConst.USER_CACHE + userId);
// 优化方案三：使用JVM自带的内存Map处理更大的并发请求
userMap.remove(RedisKeyPreConst.USER_CACHE + userId);
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
deleteWriteLock.unlock();
}
return num;
}
@Override
public User updateUser(User user) {
// 优化方案二：使用读写锁替代粒度更大的锁
User updateRet = new User();
RReadWriteLock readWriteLock = redisson.getReadWriteLock(UPDATE_USER_LOCK + user.getUserId());
RLock updateWriteLock = readWriteLock.readLock();
updateWriteLock.lock();
try {
updateRet = userMapper.updateUser(user);
RedisUtil.update(RedisKeyPreConst.USER_CACHE + user.getUserId(), JSON.toJSONString(user));
// 优化方案三：使用JVM自带的内存Map处理更大的并发请求
userMap.put(RedisKeyPreConst.USER_CACHE + user.getUserId(), user);
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
updateWriteLock.unlock();
}
return updateRet;
}
@Override
public User findUser(Integer userId) {
User user = null;
String userCacheKey = RedisKeyPreConst.USER_CACHE + userId;
// 解决问题五：第一次redis缓存中查询
user = getUserAndSetExpire(userCacheKey);
if (user != null) {
return user;
}
// 解决问题五：添加分布式锁，解决热点数据并发数据安全问题
RLock lock = redisson.getLock(HOT_USER_LOCK + userId);
try {
lock.lock();
// 优化方案一：预估后续业务执行时间，如2秒，使用下面的加锁方式能够达到串行转并发的效果，
// 不过该方法比较鸡肋，玩意项目出现卡顿数据就会出现一致性问题
lock.tryLock(2, TimeUnit.SECONDS);
user = getUserAndSetExpire(userCacheKey);
if (user != null) {
return user;
}
// 优化方案二：使用读写锁替代粒度更大的锁
RReadWriteLock readWriteLock = redisson.getReadWriteLock(UPDATE_USER_LOCK + userId);
RLock findReadLock = readWriteLock.readLock();
findReadLock.lock();
try {
// 数据库中查询数据
user = userMapper.findUser(userId);
if (user != null) {
RedisUtil.add(userCacheKey, JSON.toJSONString(user));
// 优化方案三：使用JVM自带的内存Map处理更大的并发请求
userMap.put(userCacheKey, user);
} else {
// 解决问题三：缓存一个空对象 给空对象设置过期时间，避免空间浪费
RedisUtil.add(userCacheKey, nullUser, getExpireTime(60), TimeUnit.SECONDS);
}
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
findReadLock.unlock();
}
} catch (Exception e) {
throw new RuntimeException(e);
} finally {
lock.unlock();
}
return user;
}
private int getExpireTime(int time) {
// 解决问题二：在基础过期时间上增加一个随机数，用来防止数据集中过期，出现缓存击穿。
return time + new Random().nextInt(30);
}
private User getUserAndSetExpire(String userCacheKey) {
User user = null;
// 优化方案三：使用JVM自带的内存Map处理更大的并发请求
user = userMap.get(userCacheKey);
if (user != null) {
return user;
}
// redis缓存中查询数据
String jsonUser = RedisUtil.get(userCacheKey);
if (!StringUtils.isEmpty(jsonUser)) {
if (nullUser.equals(jsonUser)) {
// 解决问题四：如果是缓存过的空对象，则延长空对象的过期时间
RedisUtil.expire(userCacheKey, getExpireTime(60), TimeUnit.SECONDS);
return new User();
}
user = JSON.parseObject(jsonUser, User.class);
// 解决问题一：每访问一次数据，就重新设置过期时间。不活跃的数据就会失效
RedisUtil.expire(userCacheKey, getExpireTime(60 * 60 * 24), TimeUnit.SECONDS);
}
return user;
}
}
