大橙子网站建设,新征程启航
为企业提供网站建设、域名注册、服务器等服务
这篇文章主要介绍了redis相关知识点及面试点有哪些的相关知识,内容详细易懂,操作简单快捷,具有一定借鉴价值,相信大家阅读完这篇redis相关知识点及面试点有哪些文章都会有所收获,下面我们一起来看看吧。
成都创新互联公司是一家以网站设计建设,小程序设计、网站开发设计,网络软件产品开发,企业互联网推广服务为主的民营科技公司。主要业务涵盖:为客户提供网站策划、网站设计、网站开发、域名申请、网站优化排名、买友情链接等服务领域。凭借建站老客户口碑做市场,建设网站时,根据市场搜索规律和搜索引擎的排名收录规律编程,全力为建站客户设计制作排名好的网站,深受老客户认可和赞誉。
1、完全基于内存,绝大部分请求是纯粹的内存操作,非常快速。数据存在内存中,类似于HashMap,HashMap的优势就是查找和操作的时间复杂度都是O(1);
2、数据结构简单,对数据操作也简单,Redis中的数据结构是专门进行设计的;
3、采用单线程,避免了不必要的上下文切换和竞争条件,也不存在多进程或者多线程导致的切换而消耗 CPU,不用去考虑各种锁的问题,不存在加锁释放锁操作,没有因为可能出现死锁而导致的性能消耗;
4、使用多路I/O复用模型,非阻塞IO;
5、使用底层模型不同,它们之间底层实现方式以及与客户端之间通信的应用协议不一样,Redis直接自己构建了VM 机制 ,因为一般的系统调用系统函数的话,会浪费一定的时间去移动和请求;
以上几点都比较好理解,下边我们针对多路 I/O 复用模型进行简单的探讨:
(1)多路 I/O 复用模型
多路I/O复用模型是利用 select、poll、epoll 可以同时监察多个流的 I/O 事件的能力,在空闲的时候,会把当前线程阻塞掉,当有一个或多个流有 I/O 事件时,就从阻塞态中唤醒,于是程序就会轮询一遍所有的流(epoll 是只轮询那些真正发出了事件的流),并且只依次顺序的处理就绪的流,这种做法就避免了大量的无用操作。
这里“多路”指的是多个网络连接,“复用”指的是复用同一个线程。采用多路 I/O 复用技术可以让单个线程高效的处理多个连接请求(尽量减少网络 IO 的时间消耗),且 Redis 在内存中操作数据的速度非常快,也就是说内存内的操作不会成为影响Redis性能的瓶颈,主要由以上几点造就了 Redis 具有很高的吞吐量。
缓存穿透:缓存当中没有 数据库当中也没有
解决方法:缓存空对象 布隆过滤器
缓存空对象:如果redis中没有,数据库中也没查到,就在redis中填加一个这个key对应的空对象。下次判断的时候 如果在redis中查到这个空对象,就说明查询不到数据。缺点:会创造大量的空对象,并且还要设置过期时间。
布隆过滤器:
输入太白 进行三次hash 将得到的值标记为1 其他的以此类推 等以后找的时候也是三次hash 能找到就是可能存在 有一个找不到就是绝对不存在
如果你输入一个不存在的 但是三次hash都为1 还是可能存在的 这时候就属于误触了
误触率跟hash次数和长度有关 布隆过滤器缺点:需要维护 ;不能删除
redis底层保存的数据是位数组
点赞需求以及使用redis的解决思路。第一种点赞需求是比较常规的点赞需求,类似于微博那种点赞模式,用户可以对某条信息点赞、取消点赞、查询是否点赞、被点赞次数等等;第二种点赞稍微特殊,用户可以在一天内对任意用户点赞,取消点赞后不可以再次对同用户点赞,第二天限制解除,可以重新对同一玩家点赞(也就是说点赞是可以累加的),然后还有一个需求是要求可以实时查用户获赞次数全局的排行情况。
对于需求一,采用的是redis bitmap来实现。
bitmap
bitmap是一连串的二进制数字(0,1),每一位所在的位置为偏移(offset),在bitmap上可以执行AND,OR,XOR以及其他操作。
位图计数
位图计数的意思是统计bitmap中值为1的位的个数,位图计数的效率是很高的。
redis中允许使用二进制的Key和二进制的Value,bitmap就是二进制的Value。
假设用户的数字id为1000,对照片id为100的照片点赞。首先根据照片id生成赞数据存储的redis key,比如生成策略为like_photo:{photo_id}
,id为1000的用户点赞,只需要将like_photo:100
的第1000位置为1即可(取消赞则置为0)。
redis setbit操作的时间复杂度为O(1),所以这种点赞方式十分高效。
123 | redis.setbit('like_photo:100', 1000, 1, function(err, ret){ // deal err and ret.}); |
用户打开图片的时候需要查询当前是否点赞过该照片,查询是否点赞可以通过redis getbit操作来实现。比如查询用户id为1000的用户是否点赞过照片id为100的照片,只需要对like_photo:100
bitmap的第1000位取值即可。
redis getbit操作的时间复杂度同样是O(1)。
1234 | redis.getbit('like_photo:100', 1000, function(err, liked){ // deal err. // if liked==1 liked, liked==0 not like yet.}); |
比如需要显示照片id为100的照片的获赞次数,只需要对like_photo:100
bitmap进行位图计数操作即可。
redis bitcount操作的时间复杂度虽然是O(N)的,但是大部分数据量的情况下是不需要担心bitcount效率问题的。
123 | redis.bitcount('like_photo:100', function(err, likeCnt){ // deal with err and likeCnt.}); |
缓存击穿:数据库有数据 但是缓存中没数据或者缓存的数据恰好失效的时候 突然大量的访问过来 此时会访问数据造成数据库崩溃
解决方法 分布式锁
99个请求过来的时候 先放行一个进去 此时在redis中没有缓存 然后会新建一个 然后解锁 这时候剩下的98个就可以读到缓存了
缓存雪崩 大部分缓存失效 或者redis崩溃了
解决办法 搭建高可用集群 或者过期时间错开
如何保持数据库与缓存一致性
redis和MySQL数据一致性的问题
在这里,我们讨论三种更新策略:
先更新缓存,再更新数据库
先更新数据库,再更新缓存
先删除缓存,再更新数据库
先更新数据库,再删除缓存
问题:更新缓存成功,更新数据库失败,导致数据不一致。
问题:
1、A更新数据库
2、B更新数据库
3、B写入缓存
4、A写入缓存
出现数据不一致。
考虑另一种情况, 有如下两点:
(1)如果你是一个写数据库场景比较多,而读数据场景比较少的业务需求,采用这种方案就会导致,数据压根还没读到,缓存就被频繁的更新,浪费性能。
(2)如果你写入数据库的值,并不是直接写入缓存的,而是要经过一系列复杂的计算再写入缓存。那么,每次写入数据库后,都再次计算写入缓存的值,无疑是浪费性能的。显然,删除缓存更为适合。
问题:
1、A删除缓存
2、B查询数据库获取旧值
3、B更新了缓存
4、A更新数据库
出现数据不一致的问题
public void write(String key,Object data){ redis.delKey(key); db.updateData(data); Thread.sleep(1000); redis.delKey(key); }
问题一:延时双删,演变成了:先更新数据库,再删除缓存。。。。
比如:
1、A删除缓存
2、B查询数据库获取旧值
3、B更新了缓存
4、A更新数据库
5、A延时删缓存
1~3步执行后,数据库和缓存是一致的,相当于没删除。
4~5步:先更新数据库,再删缓存。
所以延时双删演变成了:先更新数据库,再删除缓存。问题还是没解决。。。
为什么?假设,此时,在第4步执行之前,又来了个查询C,C查询到旧值。第6步:C将旧值插入缓存。此时出现缓存和数据库不一致。
延时并不能解决:C插入缓存的操作在第5步后面执行,比如C遇到网络问题、GC问题等。当然这是小概率,但并不代表不存在。
当然,延时越长,这个问题越能规避。如果业务需求不是非常严格,是可以忽略的。
问题二:吞吐量
问题三:数据库更新后,无法保证下一次查询,从缓存获取的值和数据库是一致的。
问题:上面C的查询,已经说明问题了。
出现数据不一致的概率,比较小。采取这个方案,取决于业务需求。
真正靠谱的方案:将访问操作串行化
先删缓存,将更新数据库的操作放进有序队列中
从缓存查不到的查询操作,都进入有序队列
需要解决的问题:
读请求积压,大量超时,导致数据库的压力:限流、熔断
如何避免大量请求积压:将队列水平拆分,提高并行度。
保证相同请求路由正确。
关于“redis相关知识点及面试点有哪些”这篇文章的内容就介绍到这里,感谢各位的阅读!相信大家对“redis相关知识点及面试点有哪些”知识都有一定的了解,大家如果还想学习更多知识,欢迎关注创新互联行业资讯频道。