深入理解缓存在项目中的应用

在现代应用开发中，缓存的使用至关重要。它能够显著提高系统的性能，减轻服务器的读写压力。本文将深入分析黑马点评项目中缓存的相关内容，包括添加商品缓存、缓存更新策略、缓存穿透、缓存雪崩、缓存击穿以及缓存工具封装等方面。

为什么要使用缓存

缓存数据存储于内存中，而内存的读写性能远远高于磁盘。在高并发场景下，缓存可以大大降低用户访问并发量带来的服务器读写压力，提高系统的响应速度和吞吐量。

添加商品缓存

在查询数据库之前，先查询缓存。如果缓存数据存在，则直接从缓存中返回；如果缓存数据不存在，再查询数据库，然后将数据存入 Redis。

代码如下：

@Resource
private StringRedisTemplate stringRedisTemplate;

@Override
public Result queryById(Long id) {
    String key = CACHE_SHOP_KEY + id;
    // 从缓存中获取数据
    String shopJson = stringRedisTemplate.opsForValue().get(key);
    if (StrUtil.isNotBlank(shopJson)) {
        // 缓存中有数据
        Shop shop = JSONUtil.toBean(shopJson, Shop.class);
        return Result.ok(shop);
    }
    // 缓存中没有数据，从数据库中获取
    Shop shop = this.getById(id);
    if (shop == null) {
        // 数据库中没有数据
        return Result.fail("商铺不存在");
    }
    // 将数据写入缓存
    stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(shop));
    return Result.ok(shop);
}

缓存更新策略

三种更新策略

缓存更新主要有以下三种方式：

内存淘汰策略：Redis 使用 LRU（Least Recently Used，最近最少使用）算法作为默认的内存淘汰策略。当 Redis 的内存用完时，它会尝试从最近最少使用的键中选择一些进行淘汰以腾出内存空间。可以通过配置 maxmemory - policy 选项来指定其他内存淘汰策略，例如 LFU（Least Frequently Used，最不经常使用）或不淘汰等。
超时剔除（TTL - Time To Live）：在 Redis 中，可以为每个键设置一个过期时间，一旦过期时间到了，Redis 会自动将键删除。可以使用 EXPIRE 或 SETEX 命令来设置键的过期时间，或者在键的创建时通过 EXPIRE 参数来设置过期时间。
主动更新：主动更新通常是通过在访问键时重新设置过期时间来实现的。这可以防止键被过早删除，特别是在访问频繁的情况下。可以使用 EXPIRE 或 PEXPIRE 命令来更新键的过期时间，或者使用 PERSIST 命令来删除键的过期时间，使其永不过期。通常用来解决缓存和数据库不一致的问题。

缓存不一致的解决方案

缓存的数据来自于数据库，当数据库的数据发生变化而缓存没有同步时，就会出现一致性问题。有以下三种方案：

Cache Aside Pattern（人工编码方式）：缓存调用者在更新完数据库后再去更新缓存，也称之为双写方案。
Read / Write Through Pattern：由系统本身完成，数据库与缓存的问题交由系统本身去处理。
Write Behind Caching Pattern：调用者只操作缓存，其他线程去异步处理数据库，实现最终一致。

综合考虑，方案一比较靠谱，但还需要考虑以下几个问题：

每次操作数据库都操作缓存，但如果没人查询，中间更新的意义不大。解决办法是删除缓存，等有人查询的时候再添加进入缓存。
删除缓存还是更新缓存：
- 更新缓存：每次更新数据库都更新缓存，无效写比较多。
- 删除缓存：更新数据库时让缓存失效，查询数据库再更新缓存。
如何保证缓存与数据库的操作同时成功和失败：
- 单体系统：将缓存与数据库放在一个事务里面。
- 分布式系统：利用 TCC 等分布式事务方案。

具体实施：先操作数据库，再删除缓存。因为如果顺序反了，在两个线程并发来访问时，假设线程 1 先来，他先把缓存删了，此时线程 2 过来，他查询缓存数据并不存在，此时他写入缓存，当他写入缓存后，线程 1 再执行更新动作时，实际上写入的就是旧的数据，新的数据被旧数据覆盖了。

具体实现

修改 ShopController 中的业务逻辑，满足以下需求：

根据 id 查询店铺时，如果缓存未命中，则查询数据库，将数据库结果写入缓存，并设置超时时间。
根据 id 修改店铺时，先修改数据库，再删除缓存。

设置超时时间：

// 缓存中没有数据，从数据库中获取
Shop shop = this.getById(id);
if (shop == null) {
    // 数据库中没有数据
    return Result.fail("商铺不存在");
}
// 将数据写入缓存
stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(shop), RedisConstants.CACHE_SHOP_TTL, TimeUnit.MINUTES);
return Result.ok(shop);

先修改，再删除缓存：

@Override
@Transactional
public Result update(Shop shop) {
    Long id = shop.getId();
    if (id == null) {
        return Result.fail("商铺id不能为空");
    }
    // 更新数据库
    this.updateById(shop);
    // 删除缓存
    stringRedisTemplate.delete(CACHE_SHOP_KEY + id);
    return Result.ok();
}

缓存穿透

缓存穿透是指客户端请求的数据在缓存中和数据库中都不存在，这样缓存永远不会生效，这些请求都会打到数据库。

常见的解决方案有两种：

缓存空对象：
- 优点：实现简单，维护方便。
- 缺点：
  - 额外的内存消耗。
  - 可能造成短期的不一致。
布隆过滤：
- 优点：内存占用较少，没有多余 key。
- 缺点：
  - 实现复杂。
  - 存在误判可能。

缓存空对象思路分析：当客户端访问不存在的数据时，先请求 Redis，但此时 Redis 中没有数据，会访问到数据库，而数据库中也没有数据，这个数据穿透了缓存，直击数据库。由于数据库能够承载的并发不如 Redis 高，如果大量的请求同时过来访问这种不存在的数据，这些请求就都会访问到数据库。简单的解决方案是哪怕这个数据在数据库中也不存在，也把这个数据存入到 Redis 中，这样下次用户过来访问这个不存在的数据时，在 Redis 中也能找到这个数据，就不会进入到数据库了。

布隆过滤：布隆过滤器其实采用的是哈希思想来解决这个问题，通过一个庞大的二进制数组，走哈希思想去判断当前这个要查询的数据是否存在。如果布隆过滤器判断存在，则放行，这个请求会去访问 Redis，哪怕此时 Redis 中的数据过期了，但是数据库中一定存在这个数据，在数据库中查询出来这个数据后，再将其放入到 Redis 中。假设布隆过滤器判断这个数据不存在，则直接返回。这种方式优点在于节约内存空间，但存在误判，误判原因在于：布隆过滤器走的是哈希思想，只要哈希思想，就可能存在哈希冲突。

实现逻辑：

如果这个数据不存在，还是会把这个数据写入到 Redis 中，并且将 value 设置为空。
当再次发起查询时，如果发现命中之后，判断这个 value 是否是 null，如果是 null，则是之前写入的数据，证明是缓存穿透数据，如果不是，则直接返回数据。

修改代码如下：

@Override
public Result queryById(Long id) {
    String key = CACHE_SHOP_KEY + id;
    // 从缓存中获取数据
    String shopJson = stringRedisTemplate.opsForValue().get(key);
    if (StrUtil.isNotBlank(shopJson)) {
        // 缓存中有数据
        Shop shop = JSONUtil.toBean(shopJson, Shop.class);
        return Result.ok(shop);
    }
    // 判断命中的是否是 空值
    if ("".equals(shopJson)) {
        return Result.fail("商铺不存在");
    }
    // 缓存中没有数据，从数据库中获取
    Shop shop = this.getById(id);
    if (shop == null) {
        // 数据库中没有数据,将空数据写入缓存
        stringRedisTemplate.opsForValue().set(key, "", RedisConstants.CACHE_NULL_TTL, TimeUnit.MINUTES);
        return Result.fail("商铺不存在");
    }
    // 将数据写入缓存
    stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(shop), RedisConstants.CACHE_SHOP_TTL, TimeUnit.MINUTES);
    return Result.ok(shop);
}

总结解决办法：

缓存 null 值。
布隆过滤。
增强 id 的复杂度，避免被猜测 id 规律。
做好数据的基础格式校验。
加强用户权限校验。
做好热点参数的限流。

缓存雪崩

缓存雪崩是指在同一时段大量的缓存 key 同时失效或者 Redis 服务宕机，导致大量请求到达数据库，带来巨大压力。

解决方案：

给不同的 Key 的 TTL 添加随机值。
利用 Redis 集群提高服务的可用性。
给缓存业务添加降级限流策略。
给业务添加多级缓存。

缓存击穿

缓存击穿问题也叫热点 Key 问题，就是一个被高并发访问并且缓存重建业务较复杂的 key 突然失效了，无数的请求访问会在瞬间给数据库带来巨大的冲击。

常见的解决方案有两种：

互斥锁：
- 优点：保证了互斥性，数据一致，实现简单，没有额外的内存消耗。
- 缺点：有锁就有死锁问题的发生，且只能串行执行，性能肯定受到影响。
逻辑过期：
- 优点：线程读取过程中不需要等待，性能好，有一个额外的线程持有锁去进行重构数据。
- 缺点：在重构数据完成前，其他的线程只能返回之前的数据，且实现起来麻烦。

假设线程 1 在查询缓存之后，本来应该去查询数据库，然后把这个数据重新加载到缓存的，此时只要线程 1 走完这个逻辑，其他线程就都能从缓存中加载这些数据了。但是假设在线程 1 没有走完的时候，后续的线程 2、线程 3、线程 4 同时过来访问当前这个方法，那么这些线程都不能从缓存中查询到数据，那么他们就会同一时刻来访问查询缓存，都没查到，接着同一时间去访问数据库，同时地去执行数据库代码，对数据库访问压力过大。

使用锁解决

因为锁能实现互斥性。假设线程过来，只能一个人一个人的来访问数据库，从而避免对于数据库访问压力过大，但这也会影响查询的性能，因为此时会让查询的性能从并行变成了串行，我们可以采用 tryLock 方法 + double check 来解决这样的问题。

假设现在线程 1 过来访问，他查询缓存没有命中，但是此时他获得到了锁的资源，那么线程 1 就会一个人去执行逻辑，假设现在线程 2 过来，线程 2 在执行过程中，并没有获得到锁，那么线程 2 就可以进行到休眠，直到线程 1 把锁释放后，线程 2 获得到锁，然后再来执行逻辑，此时就能够从缓存中拿到数据了。

核心思路：相较于原来从缓存中查询不到数据后直接查询数据库而言，现在的方案是进行查询之后，如果从缓存没有查询到数据，则进行互斥锁的获取，获取互斥锁后，判断是否获得到了锁，如果没有获得到，则休眠，过一会再进行尝试，直到获取到锁为止，才能进行查询。如果获取到了锁的线程，再去进行查询，查询后将数据写入 Redis，再释放锁，返回数据，利用互斥锁就能保证只有一个线程去执行操作数据库的逻辑，防止缓存击穿。

操作锁：

private boolean tryLock(String key) {
    Boolean flag = stringRedisTemplate.opsForValue().setIfAbsent(key, "1", 10, TimeUnit.SECONDS);
    return BooleanUtil.isTrue(flag);
}
private void unlock(String key) {
    stringRedisTemplate.delete(key);
}

具体逻辑：

/**
 * 通过互斥锁解决缓存击穿解决方案
 *
 * @param id
 * @return
 */
public Shop queryWithMutex(Long id) {
    String key = CACHE_SHOP_KEY + id;
    // 从缓存中获取数据
    String shopJson = stringRedisTemplate.opsForValue().get(key);
    if (StrUtil.isNotBlank(shopJson)) {
        // 缓存中有数据
        Shop shop = JSONUtil.toBean(shopJson, Shop.class);
        return shop;
    }
    // 判断命中的是否是 空值
    if ("".equals(shopJson)) {
        return null;
    }
    // 实现缓存重建
    String lockKey = "lock:shop:" + id;
    Shop shop = null;
    try {
        boolean isLock = tryLock(lockKey);
        if (!isLock) {
            // 未获取到锁，休眠一段时间后重试
            Thread.sleep(50);
            return queryWithMutex(id);
        }
        // 获取到锁，从数据库中获取数据
        shop = this.getById(id);
        if (shop == null) {
            // 数据库中没有数据,将空数据写入缓存
            stringRedisTemplate.opsForValue().set(key, "", RedisConstants.CACHE_NULL_TTL, TimeUnit.MINUTES);
            return null;
        }
        // 将数据写入缓存
        stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(shop), RedisConstants.CACHE_SHOP_TTL, TimeUnit.MINUTES);
    } catch (InterruptedException e) {
        throw new RuntimeException(e);
    } finally {
        // 释放锁
        unlock(lockKey);
    }
    return shop;
}

逻辑过期

我们之所以会出现这个缓存击穿问题，主要原因是在于我们对 key 设置了过期时间，假设我们不设置过期时间，其实就不会有缓存击穿的问题，但是不设置过期时间，这样数据不就一直占用我们内存了吗，我们可以采用逻辑过期方案。

我们把过期时间设置在 redis 的 value 中，注意：这个过期时间并不会直接作用于 redis，而是我们后续通过逻辑去处理。假设线程 1 去查询缓存，然后从 value 中判断出来当前的数据已经过期了，此时线程 1 去获得互斥锁，那么其他线程会进行阻塞，获得了锁的线程他会开启一个线程去进行以前的重构数据的逻辑，直到新开的线程完成这个逻辑后，才释放锁，而线程 1 直接进行返回，假设现在线程 3 过来访问，由于线程线程 2 持有着锁，所以线程 3 无法获得锁，线程 3 也直接返回数据，只有等到新开的线程 2 把重建数据构建完后，其他线程才能走返回正确的数据。

这种方案巧妙在于，异步的构建缓存，缺点在于在构建完缓存之前，返回的都是脏数据。

需求：修改根据 id 查询商铺的业务，基于逻辑过期方式来解决缓存击穿问题

思路分析：当用户开始查询 redis 时，判断是否命中，如果没有命中则直接返回空数据，不查询数据库，而一旦命中后，将 value 取出，判断 value 中的过期时间是否满足，如果没有过期，则直接返回 redis 中的数据，如果过期，则在开启独立线程后直接返回之前的数据，独立线程去重构数据，重构完成后释放互斥锁。

新建实体类：

@Data
public class RedisData {
    private LocalDateTime expireTime;
    private Object data;
}

在业务层增加方法，对利用单元测试进行缓存预热

    public void saveShop2Redis(Long id, Long expireSeconds) {
        //1. 查询店铺数据
        Shop shop = this.getById(id);
        //2. 封装过期时间
        RedisData redisData = new RedisData();
        redisData.setData(shop);
        redisData.setExpireTime(LocalDateTime.now().plusSeconds(expireSeconds));
        //3. 写入 redis
        stringRedisTemplate.opsForValue().set(CACHE_SHOP_KEY + id, JSONUtil.toJsonStr(redisData));
    }

单元测试：

@SpringBootTest
class ShopServiceImplTest {
    @Resource
    private ShopServiceImpl shopService;

    @Test
    void testSaveShop() {
        shopService.saveShop2Redis(1L,10L);
    }
}

Redis中数据

缓存重建逻辑：

    /**
     *   线程池 重建缓存
     */
    private static final ExecutorService CACHE_REBUILD_EXECUTOR = Executors.newFixedThreadPool(10);
    public Shop queryWithLogicalExpire(Long id) {
        String key = CACHE_SHOP_KEY + id;
        // 从缓存中获取数据
        String shopJson = stringRedisTemplate.opsForValue().get(key);
        if (StrUtil.isBlank(shopJson)) {
            //没有命中，直接返回
            return null;
        }
        //命中，反序列化为对象
        RedisData redisData = JSONUtil.toBean(shopJson, RedisData.class);
        Shop shop = JSONUtil.toBean((JSONObject) redisData.getData(), Shop.class);
        LocalDateTime expireTime = redisData.getExpireTime();
        //判断是否过期
        if (expireTime.isAfter(LocalDateTime.now())) {
            //未过期，直接返回
            return shop;
        }
        //过期了,需要进行缓存重建

        //获取互斥锁
        String lockKey = LOCK_SHOP_KEY + id;
        boolean isLock = tryLock(lockKey);
        if (isLock) {
            //成功，开启异步线程进行缓存重建
            CACHE_REBUILD_EXECUTOR.submit(()->{
                try {
                    this.saveShop2Redis(id, RedisConstants.CACHE_SHOP_TTL);
                } catch (Exception e) {
                    throw new RuntimeException(e);
                } finally {
                    //释放锁
                    unlock(lockKey);
                }
            });
        }
        //返回旧数据
        return shop;
    }

对比

互斥锁方案：由于保证了互斥性，所以数据一致，且实现简单，因为仅仅只需要加一把锁而已，也没其他的事情需要操心，所以没有额外的内存消耗，缺点在于有锁就有死锁问题的发生，且只能串行执行性能肯定受到影响 逻辑过期方案： 线程读取过程中不需要等待，性能好，有一个额外的线程持有锁去进行重构数据，但是在重构数据完成前，其他的线程只能返回之前的数据，且实现起来麻烦

缓存工具封装

@Slf4j
@Component
public class CacheClient {
    private final StringRedisTemplate stringRedisTemplate;

    public CacheClient(StringRedisTemplate stringRedisTemplate) {
        this.stringRedisTemplate = stringRedisTemplate;
    }

    public void set(String key, Object value, Long time, TimeUnit unit) {
        stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(value), time, unit);
    }

    public void setWithLogicalExpire(String key, Object value, Long time, TimeUnit unit) {
        //设置逻辑过期
        RedisData redisData = new RedisData();
        redisData.setData(value);
        redisData.setExpireTime(LocalDateTime.now().plusSeconds(unit.toSeconds(time)));
        //写入redis
        stringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(redisData), time, unit);
    }

    public <R, ID> R queryWithPassThrough(String keyPrefix, ID id, Class<R> type,
                                          Function<ID, R> dbFallback, Long time, TimeUnit unit) {
        String key = keyPrefix + id;
        //从redis中查询数据
        String json = stringRedisTemplate.opsForValue().get(key);
        //判断是否存在
        if (StrUtil.isNotBlank(json)) {
            //存在，直接返回
            return JSONUtil.toBean(json, type);
        }
        //判断命中是否为空
        if (dbFallback == null) {
            return null;
        }
        //不存在，查询数据库
        R r = dbFallback.apply(id);
        if (r == null) {
            //数据库中不存在，设置空值
            stringRedisTemplate.opsForValue().set(key, "", CACHE_NULL_TTL, TimeUnit.MINUTES);
            return null;
        }
        this.set(key, r, time, unit);
        return r;
    }


    /**
     * 线程池 重建缓存
     */
    private static final ExecutorService CACHE_REBUILD_EXECUTOR = Executors.newFixedThreadPool(10);

    public <R, ID> R queryWithLogicalExpire(String keyPrefix, ID id, Class<R> type,
                                            Function<ID, R> dbFallback, Long time, TimeUnit unit) {
        String key = CACHE_SHOP_KEY + id;
        // 从缓存中获取数据
        String shopJson = stringRedisTemplate.opsForValue().get(key);
        if (StrUtil.isBlank(shopJson)) {
            //没有命中，直接返回
            return null;
        }
        //命中，反序列化为对象
        RedisData redisData = JSONUtil.toBean(shopJson, RedisData.class);
        R r = JSONUtil.toBean((JSONObject) redisData.getData(), type);
        LocalDateTime expireTime = redisData.getExpireTime();
        //判断是否过期
        if (expireTime.isAfter(LocalDateTime.now())) {
            //未过期，直接返回
            return r;
        }
        //过期了,需要进行缓存重建
        //获取互斥锁
        String lockKey = LOCK_SHOP_KEY + id;
        boolean isLock = tryLock(lockKey);
        if (isLock) {
            //成功，开启异步线程进行缓存重建
            CACHE_REBUILD_EXECUTOR.submit(() -> {
                try {
                    R r1 = dbFallback.apply(id);
                    this.setWithLogicalExpire(key, r1, time, unit);
                } catch (Exception e) {
                    throw new RuntimeException(e);
                } finally {
                    //释放锁
                    unlock(lockKey);
                }
            });
        }
        //返回旧数据
        return r;
    }


    private boolean tryLock(String key) {
        Boolean flag = stringRedisTemplate.opsForValue().setIfAbsent(key, "1", 10, TimeUnit.SECONDS);
        return BooleanUtil.isTrue(flag);
    }

    private void unlock(String key) {
        stringRedisTemplate.delete(key);
    }

}

使用：

    @Override
    public Result queryById(Long id) {
        // 解决缓存 穿透 问题
//        Shop shop = queryWithPassThrough(id);
        // 解决缓存 击穿 问题
//        Shop shop = queryWithMutex(id);
        // 逻辑过期解决缓存 击穿问题
//        Shop shop = queryWithLogicalExpire(id);
//        return Result.ok(shop);
        Shop shop = cacheClient.queryWithPassThrough(CACHE_SHOP_KEY, id, Shop.class, this::getById,
                RedisConstants.CACHE_SHOP_TTL, TimeUnit.MINUTES);
        Shop shop1 = cacheClient.queryWithLogicalExpire(CACHE_SHOP_KEY, id, Shop.class, this::getById,
                RedisConstants.CACHE_SHOP_TTL, TimeUnit.MINUTES);

        return Result.ok(shop);
    }    @Override
    public Result queryById(Long id) {
        // 解决缓存 穿透 问题
//        Shop shop = queryWithPassThrough(id);
        // 解决缓存 击穿 问题
//        Shop shop = queryWithMutex(id);
        // 逻辑过期解决缓存 击穿问题
//        Shop shop = queryWithLogicalExpire(id);
//        return Result.ok(shop);
        Shop shop = cacheClient.queryWithPassThrough(CACHE_SHOP_KEY, id, Shop.class, this::getById,
                RedisConstants.CACHE_SHOP_TTL, TimeUnit.MINUTES);
        Shop shop1 = cacheClient.queryWithLogicalExpire(CACHE_SHOP_KEY, id, Shop.class, this::getById,
                RedisConstants.CACHE_SHOP_TTL, TimeUnit.MINUTES);

        return Result.ok(shop);
    }

为什么要使用缓存​

添加商品缓存​

缓存更新策略​

三种更新策略​

缓存不一致的解决方案​

具体实现​

缓存穿透​

缓存雪崩​

缓存击穿​

使用锁解决​

逻辑过期​

对比​

缓存工具封装​