Redis学习 本博客根据黑马Redis教程学习而做的笔记，链接如下
一、Redis常用指令 //启动容器 docker run -d -p 6379:6379 -it --name="myredis" redis 输入密码： auth 密码 //进入redis容器 docker exec -it myredis redis-cli //退出 quit exit //清屏 clear //获取帮助, 可以使用Tab键来切换 help 命令名称 help @组名 二、数据类型 所有的key都为String类型，讨论数据类型是说的value的类型
1、String 基本操作 //设置String set key value mset key1 value1 key2 value2... //设置生命周期 setex key seconds value
//得到String get key mget key1 key2...
//删除String del key
//向字符串的后面追加字符，如果有就补在后面，如果没有就新建 append key value string 类型数据的扩展操作 String作为数值的操作
//增长指令，只有当value为数字时才能增长
incr key
incrby key increment
incrbyfloat key increment
//减少指令，有当value为数字时才能减少
decr key
decrby key increment
string在redis内部存储默认就是一个字符串，当遇到增减类操作incr，decr时会转成数值型进行计算。
redis所有的操作都是原子性的，采用单线程处理所有业务，命令是一个一个执行的，因此无需考虑并发带来的数据影响。
注意：按数值进行操作的数据，如果原始数据不能转成数值，或超越了redis 数值上限范围，将报错。 9223372036854775807（java中long型数据最大值，Long.MAX_VALUE）
tips：
redis用于控制数据库表主键id，为数据库表主键提供生成策略，保障数据库表的主键唯一性 此方案适用于所有数据库，且支持数据库集群 指定生命周期
//设置数据的生命周期，单位 秒 setex key seconds value //设置数据的生命周期，单位 毫秒 psetex key milliseconds value tips
redis 控制数据的生命周期，通过数据是否失效控制业务行为，适用于所有具有时效性限定控制的操作 命名规范
2、Hash
基本操作 //插入（如果已存在同名的field，会被覆盖） hset key field value hmset key field1 value1 field2 value2... //插入（如果已存在同名的field，不会被覆盖） hsetnx key field value
//取出 hget key field hgetall key
//删除 hdel key field1 field2...
//获取field数量 hlen key
//查看是否存在 hexists key field
//获取哈希表中所有的字段名或字段值 hkeys key hvals key
//设置指定字段的数值数据增加指定范围的值 hincrby key field increment hdecrby key field increment hash 类型数据操作的注意事项 hash类型下的value只能存储字符串，不允许存储其他数据类型，不存在嵌套现象。如果数据未获取到， 对应的值为（nil） 每个 hash 可以存储 2^32 - 1 个键值 hash类型十分贴近对象的数据存储形式，并且可以灵活添加删除对象属性。但hash设计初衷不是为了存储大量对象而设计的，切记不可滥用，更不可以将hash作为对象列表使用 hgetall 操作可以获取全部属性，如果内部field过多，遍历整体数据效率就很会低，有可能成为数据访问瓶颈 3、List 数据存储需求：存储多个数据，并对数据进入存储空间的顺序进行区分 需要的存储结构：一个存储空间保存多个数据，且通过数据可以体现进入顺序 list类型：保存多个数据，底层使用双向链表存储结构实现 元素有序，且可重 基本操作 //添加修改数据,lpush为从左边添加，rpush为从右边添加 lpush key value1 value2 value3... rpush key value1 value2 value3...
//查看数据, 从左边开始向右查看. 如果不知道list有多少个元素，end的值可以为-1,代表倒数第一个元素 //lpush先进的元素放在最后,rpush先进的元素放在最前面 lrange key start end //得到长度 llen key //取出对应索引的元素 lindex key index
//获取并移除元素（从list左边或者右边移除） lpop key rpop key 拓展操作 //规定时间内获取并移除数据,b=block,给定一个时间，如果在指定时间内放入了元素，就移除 blpop key1 key2... timeout brpop key1 key2... timeout
//移除指定元素 count:移除的个数 value:移除的值。 移除多个相同元素时，从左边开始移除 lrem key count value 注意事项 list中保存的数据都是string类型的，数据总容量是有限的，最多2^32 - 1 个元素 (4294967295)。 list具有索引的概念，但是操作数据时通常以队列的形式进行入队出队(rpush, rpop)操作，或以栈的形式进行入栈出栈(lpush, lpop)操作 获取全部数据操作结束索引设置为-1 (倒数第一个元素) list可以对数据进行分页操作，通常第一页的信息来自于list，第2页及更多的信息通过数据库的形式加载 4、Set 不重复且无序 基本操作 //添加元素 sadd key member1 member2...
//查看元素 smembers key
//移除元素 srem key member
//查看元素个数 scard key
//查看某个元素是否存在 sismember key member 扩展操作 //从set中任意选出count个元素 srandmember key count
//从set中任意选出count个元素并移除 spop key count
//求两个集合的交集、并集、差集 sinter key1 key2... sunion key1 key2... sdiff key1 key2...
//求两个set的交集、并集、差集，并放入另一个set中 sinterstore destination key1 key2... sunionstore destination key1 key2... sdiffstore destination key1 key2...
//求指定元素从原集合放入目标集合中 smove source destination key 5、sorted_set 不重但有序（score）
新的存储需求：数据排序有利于数据的有效展示，需要提供一种可以根据自身特征进行排序的方式
需要的存储结构：新的存储模型，可以保存可排序的数据
sorted_set类型：在set的存储结构基础上添加可排序字段
基本操作 //插入元素, 需要指定score(用于排序) zadd key score1 member1 score2 member2
//查看元素(score升序), 当末尾添加withscore时，会将元素的score一起打印出来 zrange key start end (withscore) //查看元素(score降序), 当末尾添加withscore时，会将元素的score一起打印出来 zrevrange key start end (withscore)
//移除元素 zrem key member1 member2...
//按条件获取数据, 其中offset为索引开始位置，count为获取的数目 zrangebyscore key min max [withscore] [limit offset count] zrevrangebyscore key max min [withscore] [limit offset count]
//按条件移除元素 zremrangebyrank key start end zremrangebysocre key min max //按照从大到小的顺序移除count个值 zpopmax key [count] //按照从小到大的顺序移除count个值 zpopmin key [count]
//获得元素个数 zcard key
//获得元素在范围内的个数 zcount min max
//求交集、并集并放入destination中, 其中numkey1为要去交集或并集集合的数目 zinterstore destination numkeys key1 key2... zunionstore destination numkeys key1 key2... 注意
min与max用于限定搜索查询的条件 start与stop用于限定查询范围，作用于索引，表示开始和结束索引 offset与count用于限定查询范围，作用于查询结果，表示开始位置和数据总量 拓展操作 //查看某个元素的索引(排名) zrank key member zrevrank key member
//查看某个元素索引的值 zscore key member //增加某个元素索引的值 zincrby key increment member 注意事项 score保存的数据存储空间是64位，如果是整数范围是-9007199254740992~9007199254740992 score保存的数据也可以是一个双精度的double值，基于双精度浮点数的特征，可能会丢失精度，使用时候要慎重 sorted_set 底层存储还是基于set结构的，因此数据不能重复，如果重复添加相同的数据，score值将被反复覆盖，保留最后一次修改的结果 三、通用指令 1、Key的特征 key是一个字符串，通过key获取redis中保存的数据 2、Key的操作 基本操作 //查看key是否存在 exists key
//删除key del key
//查看key的类型 type key 拓展操作（时效性操作） //设置生命周期 expire key seconds pexpire key milliseconds
//查看有效时间, 如果有有效时间则返回剩余有效时间, 如果为永久有效，则返回-1, 如果Key不存在则返回-2 ttl key pttl key
//将有时限的数据设置为永久有效 persist key 拓展操作（查询操作） //根据key查询符合条件的数据 keys pattern 查询规则
拓展操作（其他操作） //重命名key，为了避免覆盖已有数据，尽量少去修改已有key的名字，如果要使用最好使用renamenx rename key newKey renamenx key newKey
//查看所有关于key的操作, 可以使用Tab快速切换 help @generic 3、数据库通用操作 数据库 Redis为每个服务提供有16个数据库，编号从0到15 每个数据库之间的数据相互独立 基本操作 //切换数据库 0~15 select index
//其他操作 quit ping echo massage 拓展操作 //移动数据, 必须保证目的数据库中没有该数据 mov key db
//查看该库中数据总量 dbsize 三、Jedis JAVA操作Redis需要导入jar或引入Maven依赖
1、Java操作redis的步骤 连接Redis //参数为Redis所在的ip地址和端口号 Jedis jedis = new Jedis(String host, int port) 操作Redis //操作redis的指令和redis本身的指令几乎一致 jedis.set(String key, String value); 断开连接 jedis.close(); 2、配置工具 配置文件 redis.host=47.103.10.63 redis.port=6379 redis.maxTotal=30 redis.maxIdle=10 工具类 import redis.clients.jedis.Jedis; import redis.clients.jedis.JedisPool; import redis.clients.jedis.JedisPoolConfig; import java.util.ResourceBundle;
/**
- @author Chen Panwen
@data 2020/4/6 16:24 */ public class JedisUtil { private static Jedis jedis = null; private static String host = null; private static int port; private static int maxTotal; private static int maxIdle;
//使用静态代码块，只加载一次 static {
//读取配置文件 ResourceBundle resourceBundle = ResourceBundle.getBundle("redis"); //获取配置文件中的数据 host = resourceBundle.getString("redis.host"); port = Integer.parseInt(resourceBundle.getString("redis.port")); //读取最大连接数 maxTotal = Integer.parseInt(resourceBundle.getString("redis.maxTotal")); //读取最大活跃数 maxIdle = Integer.parseInt(resourceBundle.getString("redis.maxIdle")); JedisPoolConfig jedisPoolConfig = new JedisPoolConfig(); jedisPoolConfig.setMaxTotal(maxTotal); jedisPoolConfig.setMaxIdle(maxIdle); //获取连接池 JedisPool jedisPool = new JedisPool(jedisPoolConfig, host, port); jedis = jedisPool.getResource();}
public Jedis getJedis() {
return jedis;} } 四、持久化 Redis容器配置redis.conf redis容器里边的配置文件是需要在创建容器时映射进来的
停止容器：docker container stop myredis 删除容器：docker container rm myredis 重新开始创建容器
- 创建docker统一的外部配置文件
mkdir -p docker/redis/{conf,data}
- 在conf目录创建redis.conf的配置文件
touch /docker/redis/conf/redis.conf
redis.conf文件的内容需要自行去下载，网上很多
创建启动容器，加载配置文件并持久化数据
docker run -d --privileged=true -p 6379:6379 -v /docker/redis/conf/redis.conf:/etc/redis/redis.conf -v /docker/redis/data:/data --name myredis redis redis-server /etc/redis/redis.conf --appendonly yes 文件目录
/docker/redis 1、简介 什么是持久化？ 利用永久性存储介质将数据进行保存，在特定的时间将保存的数据进行恢复的工作机制称为持久化。
为什么要持久化 防止数据的意外丢失，确保数据安全性
持久化过程保存什么 将当前数据状态进行保存，快照形式，存储数据结果，存储格式简单，关注点在数据 将数据的操作过程进行保存，日志形式，存储操作过程，存储格式复杂，关注点在数据的操作过程
2、RDB RDB启动方式——save 命令
save 作用
手动执行一次保存操作
RDB配置相关命令 dbfilename dump.rdb 说明：设置本地数据库文件名，默认值为 dump.rdb 经验：通常设置为dump-端口号.rdb dir 说明：设置存储.rdb文件的路径 经验：通常设置成存储空间较大的目录中，目录名称data rdbcompression yes 说明：设置存储至本地数据库时是否压缩数据，默认为 yes，采用 LZF 压缩 经验：通常默认为开启状态，如果设置为no，可以节省 CPU 运行时间，但会使存储的文件变大（巨大） rdbchecksum yes 说明：设置是否进行RDB文件格式校验，该校验过程在写文件和读文件过程均进行 经验：通常默认为开启状态，如果设置为no，可以节约读写性过程约10%时间消耗，但是存储一定的数据损坏风险 RDB启动方式——save指令工作原理
注意：save指令的执行会阻塞当前Redis服务器，直到当前RDB过程完成为止，有可能会造成长时间阻塞，线上环境不建议使用。
RDB启动方式——bgsave 命令
bgsave 作用
手动启动后台保存操作，但不是立即执行
RDB启动方式 —— bgsave指令工作原理
注意： bgsave命令是针对save阻塞问题做的优化。Redis内部所有涉及到RDB操作都采用bgsave的方式，save命令可以放弃使用，推荐使用bgsave
bgsave的保存操作可以通过redis的日志查看
docker logs myredis RDB启动方式 ——save配置 配置
save second changes 作用
满足限定时间范围内key的变化数量达到指定数量即进行持久化
参数
second：监控时间范围 changes：监控key的变化量 配置位置
在conf文件中进行配置
RDB启动方式 ——save配置原理
注意：
save配置要根据实际业务情况进行设置，频度过高或过低都会出现性能问题，结果可能是灾难性的 save配置中对于second与changes设置通常具有互补对应关系（一个大一个小），尽量不要设置成包含性关系 save配置启动后执行的是bgsave操作 RDB启动方式对比
RDB优缺点 优点 RDB是一个紧凑压缩的二进制文件，存储效率较高 RDB内部存储的是redis在某个时间点的数据快照，非常适合用于数据备份，全量复制等场景 RDB恢复数据的速度要比AOF快很多 应用：服务器中每X小时执行bgsave备份，并将RDB文件拷贝到远程机器中，用于灾难恢复 缺点 RDB方式无论是执行指令还是利用配置，无法做到实时持久化，具有较大的可能性丢失数据 bgsave指令每次运行要执行fork操作创建子进程，要牺牲掉一些性能 Redis的众多版本中未进行RDB文件格式的版本统一，有可能出现各版本服务之间数据格式无法兼容现象 3、AOF AOF概念 AOF(append only file)持久化：以独立日志的方式记录每次写命令，重启时再重新执行AOF文件中命令，以达到恢复数据的目的。与RDB相比可以简单描述为改记录数据为记录数据产生的过程 AOF的主要作用是解决了数据持久化的实时性，目前已经是Redis持久化的主流方式 AOF写数据过程
AOF写数据三种策略(appendfsync) always 每次写入操作均同步到AOF文件中，数据零误差，性能较低,不建议使用 everysec 每秒将缓冲区中的指令同步到AOF文件中，数据准确性较高，性能较高 ，建议使用，也是默认配置 在系统突然宕机的情况下丢失1秒内的数据 no 由操作系统控制每次同步到AOF文件的周期，整体过程不可控 AOF功能开启 配置
appendonly yes|no 作用 是否开启AOF持久化功能，默认为不开启状态 配置
appendfsync always|everysec|no 作用 AOF写数据策略 AOF重写 作用 降低磁盘占用量，提高磁盘利用率 提高持久化效率，降低持久化写时间，提高IO性能 降低数据恢复用时，提高数据恢复效率 规则 进程内已超时的数据不再写入文件 忽略无效指令，重写时使用进程内数据直接生成，这样新的AOF文件只保留最终数据的写入命令 如del key1、 hdel key2、srem key3、set key4 111、set key4 222等 对同一数据的多条写命令合并为一条命令 如lpush list1 a、lpush list1 b、 lpush list1 c 可以转化为：lpush list1 a b c 为防止数据量过大造成客户端缓冲区溢出，对list、set、hash、zset等类型，每条指令最多写入64个元素 如何使用 手动重写
bgrewriteaof 自动重写
auto-aof-rewrite-min-size size auto-aof-rewrite-percentage percentage 工作原理
AOF自动重写 自动重写触发条件设置
//触发重写的最小大小 auto-aof-rewrite-min-size size //触发重写须达到的最小百分比 auto-aof-rewrite-percentage percent 自动重写触发比对参数（ 运行指令info Persistence获取具体信息 ）
//当前.aof的文件大小 aof_current_size //基础文件大小 aof_base_size 自动重写触发条件
工作原理
缓冲策略 AOF缓冲区同步文件策略，由参数appendfsync控制
write操作会触发延迟写（delayed write）机制，Linux在内核提供页缓冲区用 来提高硬盘IO性能。write操作在写入系统缓冲区后直接返回。同步硬盘操作依 赖于系统调度机制，列如：缓冲区页空间写满或达到特定时间周期。同步文件之 前，如果此时系统故障宕机，缓冲区内数据将丢失。 fsync针对单个文件操作（比如AOF文件），做强制硬盘同步，fsync将阻塞知道 写入硬盘完成后返回，保证了数据持久化。 4、RDB VS AOF
RDB与AOF的选择之惑 对数据非常敏感，建议使用默认的AOF持久化方案 AOF持久化策略使用everysecond，每秒钟fsync一次。该策略redis仍可以保持很好的处理性能，当出现问题时，最多丢失0-1秒内的数据。 注意：由于AOF文件存储体积较大，且恢复速度较慢 数据呈现阶段有效性，建议使用RDB持久化方案 数据可以良好的做到阶段内无丢失（该阶段是开发者或运维人员手工维护的），且恢复速度较快，阶段 点数据恢复通常采用RDB方案 注意：利用RDB实现紧凑的数据持久化会使Redis降的很低 综合比对 RDB与AOF的选择实际上是在做一种权衡，每种都有利有弊 如不能承受数分钟以内的数据丢失，对业务数据非常敏感，选用AOF 如能承受数分钟以内的数据丢失，且追求大数据集的恢复速度，选用RDB 灾难恢复选用RDB 双保险策略，同时开启 RDB 和 AOF，重启后，Redis优先使用 AOF 来恢复数据，降低丢失数据 五、Redis事务 1、Redis事务的定义 redis事务就是一个命令执行的队列，将一系列预定义命令包装成一个整体（一个队列）。当执行时，一次性按照添加顺序依次执行，中间不会被打断或者干扰
2、事务的基本操作 开启事务
multi 作用 作设定事务的开启位置，此指令执行后，后续的所有指令均加入到事务中 取消事务
discard 作用 终止当前事务的定义，发生在multi之后，exec之前 执行事务
exec 作用 设定事务的结束位置，同时执行事务。与multi成对出现，成对使用 3、事务操作的基本流程
4、事务操作的注意事项 定义事务的过程中，命令格式输入错误怎么办？
语法错误 指命令书写格式有误 例如执行了一条不存在的指令 处理结果 如果定义的事务中所包含的命令存在语法错误，整体事务中所有命令均不会执行。包括那些语法正确的命令 定义事务的过程中，命令执行出现错误怎么办？
运行错误 指命令格式正确，但是无法正确的执行。例如对list进行incr操作 处理结果 能够正确运行的命令会执行，运行错误的命令不会被执行 注意：已经执行完毕的命令对应的数据不会自动回滚，需要程序员自己在代码中实现回滚。
5、基于特定条件的事务执行 锁 对 key 添加监视锁，在执行exec前如果key发生了变化，终止事务执行
watch key1, key2.... 取消对所有key的监视
unwatch 分布式锁 使用 setnx 设置一个公共锁
//上锁 setnx lock-key value //释放锁 del lock-key 利用setnx命令的返回值特征，有值（被上锁了）则返回设置失败，无值（没被上锁）则返回设置成功 操作完毕通过del操作释放锁 注意：上述解决方案是一种设计概念，依赖规范保障，具有风险性
分布式锁加强 使用 expire 为锁key添加时间限定，到时不释放，放弃锁
expire lock-key seconds pexpire lock-key milliseconds 由于操作通常都是微秒或毫秒级，因此该锁定时间不宜设置过大。具体时间需要业务测试后确认。
例如：持有锁的操作最长执行时间127ms，最短执行时间7ms。 测试百万次最长执行时间对应命令的最大耗时，测试百万次网络延迟平均耗时 锁时间设定推荐：最大耗时120%+平均网络延迟110% 如果业务最大耗时<<网络平均延迟，通常为2个数量级，取其中单个耗时较长即可 六、删除策略 1、数据删除策略 定时删除 惰性删除 定期删除 时效性数据的存储结构 Redis中的数据，在expire中以哈希的方式保存在其中。其value是数据在内存中的地址，filed是对应的生命周期
数据删除策略的目标 在内存占用与CPU占用之间寻找一种平衡，顾此失彼都会造成整体redis性能的下降，甚至引发服务器宕机或内存泄露
2、三种删除策略 定时删除 创建一个定时器，当key设置有过期时间，且过期时间到达时，由定时器任务立即执行对键的删除操作
优点：节约内存，到时就删除，快速释放掉不必要的内存占用
缺点：CPU压力很大，无论CPU此时负载量多高，均占用CPU，会影响redis服务器响应时间和指令吞吐量
总结：用处理器性能换取存储空间 （拿时间换空间）
惰性删除 数据到达过期时间，不做处理。等下次访问该数据时 如果未过期，返回数据 发现已过期，删除，返回不存在 优点：节约CPU性能，发现必须删除的时候才删除 缺点：内存压力很大，出现长期占用内存的数据 总结：用存储空间换取处理器性能 （拿空间换时间） 定期删除
周期性轮询redis库中的时效性数据，采用随机抽取的策略，利用过期数据占比的方式控制删除频度 特点1：CPU性能占用设置有峰值，检测频度可自定义设置 特点2：内存压力不是很大，长期占用内存的冷数据会被持续清理 总结：周期性抽查存储空间 （随机抽查，重点抽查） 3、逐出算法 当新数据进入redis时，如果内存不足怎么办？
Redis使用内存存储数据，在执行每一个命令前，会调用freeMemoryIfNeeded()检测内存是否充足。如果内存不满足新加入数据的最低存储要求，redis要临时删除一些数据为当前指令清理存储空间。清理数据的策略称为逐出算法 注意：逐出数据的过程不是100%能够清理出足够的可使用的内存空间，如果不成功则反复执行。当对所有数据尝试完毕后，如果不能达到内存清理的要求，将出现错误信息。 影响数据逐出的相关配置 最大可使用内存
maxmemory 占用物理内存的比例，默认值为0，表示不限制。生产环境中根据需求设定，通常设置在50%以上。
每次选取待删除数据的个数
maxmemory-samples 选取数据时并不会全库扫描，导致严重的性能消耗，降低读写性能。因此采用随机获取数据的方式作为待检测删除数据
删除策略
maxmemory-policy 达到最大内存后的，对被挑选出来的数据进行删除的策略
影响数据逐出的相关配置
LRU：最长时间没被使用的数据
LFU：一段时间内使用次数最少的数据
数据逐出策略配置依据 使用INFO命令输出监控信息，查询缓存 hit 和 miss 的次数，根据业务需求调优Redis配置
七、高级数据类型 1、Bitmaps 基础操作 获取指定key对应偏移量上的bit值
getbit key offset 设置指定key对应偏移量上的bit值，value只能是1或0
setbit key offset value 扩展操作 对指定key按位进行交、并、非、异或操作，并将结果保存到destKey中
bitop op destKey key1 [key2...] and：交 or：并 not：非 xor：异或 统计指定key中1的数量
bitcount key [start end] 2、HyperLogLog 基数 基数是数据集去重后元素个数 HyperLogLog 是用来做基数统计的，运用了LogLog的算法
基本操作 添加数据
pfadd key element1, element2... 统计数据
pfcount key1 key2.... 合并数据
pfmerge destkey sourcekey [sourcekey...] 相关说明 用于进行基数统计，不是集合，不保存数据，只记录数量而不是具体数据 核心是基数估算算法，最终数值存在一定误差 误差范围：基数估计的结果是一个带有 0.81% 标准错误的近似值 耗空间极小，每个hyperloglog key占用了12K的内存用于标记基数 pfadd命令不是一次性分配12K内存使用，会随着基数的增加内存逐渐增大 Pfmerge命令合并后占用的存储空间为12K，无论合并之前数据量多少 3、GEO 基本操作 添加坐标点
geoadd key longitude latitude member [longitude latitude member ...] georadius key longitude latitude radius m|km|ft|mi [withcoord] [withdist] [withhash] [count count] 获取坐标点
geopos key member [member ...] georadiusbymember key member radius m|km|ft|mi [withcoord] [withdist] [withhash] [count count] 计算坐标点距离
geodist key member1 member2 [unit] geohash key member [member ...] 八、主从复制 1、简介 多台服务器连接方案
提供数据方：master 主服务器，主节点，主库 主客户端 接收数据的方：slave 从服务器，从节点，从库 从客户端 需要解决的问题 数据同步 核心工作 master的数据复制到slave中 主从复制 主从复制即将master中的数据即时、有效的复制到slave中
特征：一个master可以拥有多个slave，一个slave只对应一个master
职责：
master: 写数据 执行写操作时，将出现变化的数据自动同步到slave 读数据（可忽略） slave: 读数据 写数据（禁止） 2、作用 读写分离：master写、slave读，提高服务器的读写负载能力 负载均衡：基于主从结构，配合读写分离，由slave分担master负载，并根据需求的变化，改变slave的数量，通过多个从节点分担数据读取负载，大大提高Redis服务器并发量与数据吞吐量 故障恢复：当master出现问题时，由slave提供服务，实现快速的故障恢复 数据冗余：实现数据热备份，是持久化之外的一种数据冗余方式 高可用基石：基于主从复制，构建哨兵模式与集群，实现Redis的高可用方案 3、工作流程 总述 主从复制过程大体可以分为3个阶段 建立连接阶段（即准备阶段） 数据同步阶段 命令传播阶段
阶段一：建立连接 建立slave到master的连接，使master能够识别slave，并保存slave端口号
主从连接（slave连接master）
方式一：客户端发送命令
slaveof
redis-server -slaveof
slaveof
主从断开连接
客户端发送命令
slaveof no one 说明： slave断开连接后，不会删除已有数据，只是不再接受master发送的数据 授权访问
master客户端发送命令设置密码
requirepass
config set requirepass
auth
masterauth
redis-server –a
全量复制 将master执行bgsave之前，master中所有的数据同步到slave中 部分复制（增量复制） 将master执行bgsave操作中，新加入的数据（复制缓冲区中的数据）传给slave，slave通过bgrewriteaof指令来恢复数据 数据同步阶段master说明 如果master数据量巨大，数据同步阶段应避开流量高峰期，避免造成master阻塞，影响业务正常执行 复制缓冲区大小设定不合理，会导致数据溢出。如进行全量复制周期太长，进行部分复制时发现数据已经存在丢失的情况，必须进行第二次全量复制，致使slave陷入死循环状态。 repl-backlog-size 1mb master单机内存占用主机内存的比例不应过大，建议使用50%-70%的内存，留下30%-50%的内存用于执 行bgsave命令和创建复制缓冲区 数据同步阶段slave说明 为避免slave进行全量复制、部分复制时服务器响应阻塞或数据不同步，建议关闭此期间的对外服务 slave-serve-stale-data yes|no 数据同步阶段，master发送给slave信息可以理解master是slave的一个客户端，主动向slave发送命令 多个slave同时对master请求数据同步，master发送的RDB文件增多，会对带宽造成巨大冲击，如果master带宽不足，因此数据同步需要根据业务需求，适量错峰 slave过多时，建议调整拓扑结构，由一主多从结构变为树状结构，中间的节点既是master，也是 slave。注意使用树状结构时，由于层级深度，导致深度越高的slave与最顶层master间数据同步延迟较大，数据一致性变差，应谨慎选择 阶段三：命令传播阶段 当master数据库状态被修改后，导致主从服务器数据库状态不一致，此时需要让主从数据同步到一致的状态，同步的动作称为命令传播 master将接收到的数据变更命令发送给slave，slave接收命令后执行命令 主从复制过程大体可以分为3个阶段 建立连接阶段（即准备阶段） 数据同步阶段 命令传播阶段 命令传播阶段的部分复制 命令传播阶段出现了断网现象 网络闪断闪连 短时间网络中断 长时间网络中断 部分复制的三个核心要素
服务器的运行 id（run id）
主服务器的复制积压缓冲区
主从服务器的复制偏移量
服务器运行ID（runid） 概念：服务器运行ID是每一台服务器每次运行的身份识别码，一台服务器多次运行可以生成多个运行id
组成：运行id由40位字符组成，是一个随机的十六进制字符 例如- -
fdc9ff13b9bbaab28db42b3d50f852bb5e3fcdce 作用：运行id被用于在服务器间进行传输，识别身份
如果想两次操作均对同一台服务器进行，必须每次操作携带对应的运行id，用于对方识别 实现方式：运行id在每台服务器启动时自动生成的，master在首次连接slave时，会将自己的运行ID发送给slave，slave保存此ID，通过info Server命令，可以查看节点的runid
复制缓冲区 概念：复制缓冲区，又名复制积压缓冲区，是一个先进先出（FIFO）的队列，用于存储服务器执行过的命 令，每次传播命令，master都会将传播的命令记录下来，并存储在复制缓冲区
由来：每台服务器启动时，如果开启有AOF或被连接成为master节点，即创建复制缓冲区
作用：用于保存master收到的所有指令（仅影响数据变更的指令，例如set，select）
数据来源：当master接收到主客户端的指令时，除了将指令执行，会将该指令存储到缓冲区中
复制缓冲区内部工作原理 组成
偏移量 字节值 工作原理
通过offset区分不同的slave当前数据传播的差异 master记录已发送的信息对应的offset slave记录已接收的信息对应的offset
主从服务器复制偏移量（offset） 概念：一个数字，描述复制缓冲区中的指令字节位置
分类：
master复制偏移量：记录发送给所有slave的指令字节对应的位置（多个） slave复制偏移量：记录slave接收master发送过来的指令字节对应的位置（一个） 数据来源： master端：发送一次记录一次 slave端：接收一次记录一次
作用：同步信息，比对master与slave的差异，当slave断线后，恢复数据使用
数据同步+命令传播阶段工作流程
心跳机制 进入命令传播阶段候，master与slave间需要进行信息交换，使用心跳机制进行维护，实现双方连接保持在线
master心跳：
指令：PING 周期：由repl-ping-slave-period决定，默认10秒 作用：判断slave是否在线 查询：INFO replication 获取slave最后一次连接时间间隔，lag项维持在0或1视为正常 slave心跳任务
指令：REPLCONF ACK {offset} 周期：1秒 作用1：汇报slave自己的复制偏移量，获取最新的数据变更指令 作用2：判断master是否在线 心跳阶段注意事项 当slave多数掉线，或延迟过高时，master为保障数据稳定性，将拒绝所有信息同步操作
min-slaves-to-write 2 min-slaves-max-lag 8 slave数量少于2个，或者所有slave的延迟都大于等于10秒时，强制关闭master写功能，停止数据同步 slave数量由slave发送REPLCONF ACK命令做确认
slave延迟由slave发送REPLCONF ACK命令做确认
完整流程
常见问题
频繁的网络中断
数据不一致
九、哨兵 1、简介 哨兵(sentinel) 是一个分布式系统，用于对主从结构中的每台服务器进行监控，当出现故障时通过投票机制选择新的master并将所有slave连接到新的master。
2、作用 监控 不断的检查master和slave是否正常运行。 master存活检测、master与slave运行情况检测 通知（提醒） 当被监控的服务器出现问题时，向其他（哨兵间，客户端）发送通知。 自动故障转移 断开master与slave连接，选取一个slave作为master，将其他slave连接到新的master，并告知客户端新的服务器地址 注意： 哨兵也是一台redis服务器，只是不提供数据服务 通常哨兵配置数量为单数
3、配置哨兵 配置一拖二的主从结构
配置三个哨兵（配置相同，端口不同）
参看sentinel.conf 启动哨兵
redis-sentinel sentinel端口号 .conf
4、工作原理 监控阶段 用于同步各个节点的状态信息 获取各个sentinel的状态（是否在线） 获取master的状态 master属性 runid role：master 各个slave的详细信息 获取所有slave的状态（根据master中的slave信息） slave属性 runid role：slave master_host、master_port offset …
通知阶段 各个哨兵将得到的信息相互同步（信息对称）
故障转移 确认master下线 当某个哨兵发现主服务器挂掉了，会将master中的SentinelRedistance中的master改为SRI_S_DOWN（主观下线），并通知其他哨兵，告诉他们发现master挂掉了。 其他哨兵在接收到该哨兵发送的信息后，也会尝试去连接master，如果超过半数（配置文件中设置的）确认master挂掉后，会将master中的SentinelRedistance中的master改为SRI_O_DOWN（客观下线）
推选哨兵进行处理 在确认master挂掉以后，会推选出一个哨兵来进行故障转移工作（由该哨兵来指定哪个slave来做新的master）。 筛选方式是哨兵互相发送消息，并且参与投票，票多者当选。
具体处理 由推选出来的哨兵对当前的slave进行筛选，筛选条件有： 服务器列表中挑选备选master 在线的 响应慢的 与原master断开时间久的 优先原则 优先级 offset runid 发送指令（ sentinel ） 向新的master发送slaveof no one(断开与原master的连接) 向其他slave发送slaveof 新masterIP端口（让其他slave与新的master相连） 十、集群 1、简介 集群架构 集群就是使用网络将若干台计算机联通起来，并提供统一的管理方式，使其对外呈现单机的服务效果 集群作用 分散单台服务器的访问压力，实现负载均衡 分散单台服务器的存储压力，实现可扩展性 降低单台服务器宕机带来的业务灾难 2、Redis集群结构设计 数据存储设计 通过算法设计，计算出key应该保存的位置 将所有的存储空间计划切割成16384份，每台主机保存一部分 每份代表的是一个存储空间，不是一个key的保存空间 将key按照计算出的结果放到对应的存储空间
增强可扩展性 ——槽
集群内部通讯设计 各个数据库互相连通，保存各个库中槽的编号数据 一次命中，直接返回 一次未命中，告知具体的位置，key再直接去找对应的库保存数据
十一、企业级解决方案 1、缓存预热 问题排查 请求数量较高 主从之间数据吞吐量较大，数据同步操作频度较高 解决方案 前置准备工作： 日常例行统计数据访问记录，统计访问频度较高的热点数据 利用LRU数据删除策略，构建数据留存队列 例如：storm与kafka配合 准备工作： 将统计结果中的数据分类，根据级别，redis优先加载级别较高的热点数据 利用分布式多服务器同时进行数据读取，提速数据加载过程 热点数据主从同时预热 实施： 使用脚本程序固定触发数据预热过程 如果条件允许，使用了CDN（内容分发网络），效果会更好 总结 缓存预热就是系统启动前，提前将相关的缓存数据直接加载到缓存系统。避免在用户请求的时候，先查询数据库，然后再将数据缓存的问题！用户直接查询事先被预热的缓存数据！
2、缓存雪崩 数据库服务器崩溃（1） 系统平稳运行过程中，忽然数据库连接量激增 应用服务器无法及时处理请求 大量408，500错误页面出现 客户反复刷新页面获取数据 数据库崩溃 应用服务器崩溃 重启应用服务器无效 Redis服务器崩溃 Redis集群崩溃 重启数据库后再次被瞬间流量放倒 问题排查 在一个较短的时间内，缓存中较多的key集中过期 此周期内请求访问过期的数据，redis未命中，redis向数据库获取数据 数据库同时接收到大量的请求无法及时处理 Redis大量请求被积压，开始出现超时现象 数据库流量激增，数据库崩溃 重启后仍然面对缓存中无数据可用 Redis服务器资源被严重占用，Redis服务器崩溃 Redis集群呈现崩塌，集群瓦解 应用服务器无法及时得到数据响应请求，来自客户端的请求数量越来越多，应用服务器崩溃 应用服务器，redis，数据库全部重启，效果不理想 问题分析 短时间范围内 大量key集中过期 解决方案（道） 更多的页面静态化处理 构建多级缓存架构 Nginx缓存+redis缓存+ehcache缓存 检测Mysql严重耗时业务进行优化 对数据库的瓶颈排查：例如超时查询、耗时较高事务等 灾难预警机制 监控redis服务器性能指标 CPU占用、CPU使用率 内存容量 查询平均响应时间 线程数 限流、降级 短时间范围内牺牲一些客户体验，限制一部分请求访问，降低应用服务器压力，待业务低速运转后再逐步放开访问 解决方案（术）
LRU与LFU切换 数据有效期策略调整 根据业务数据有效期进行分类错峰，A类90分钟，B类80分钟，C类70分钟 过期时间使用固定时间+随机值的形式，稀释集中到期的key的数量 超热数据使用永久key 定期维护（自动+人工） 对即将过期数据做访问量分析，确认是否延时，配合访问量统计，做热点数据的延时 加锁 慎用！ 总结 缓存雪崩就是瞬间过期数据量太大，导致对数据库服务器造成压力。如能够有效避免过期时间集中，可以有效解决雪崩现象的出现 （约40%），配合其他策略一起使用，并监控服务器的运行数据，根据运行记录做快速调整。
3、缓存击穿 数据库服务器崩溃（2） 系统平稳运行过程中 数据库连接量瞬间激增 Redis服务器无大量key过期 Redis内存平稳，无波动 Redis服务器CPU正常 数据库崩溃 问题排查 Redis中某个key过期，该key访问量巨大 多个数据请求从服务器直接压到Redis后，均未命中 Redis在短时间内发起了大量对数据库中同一数据的访问 问题分析 单个key高热数据 key过期 解决方案（术） 预先设定
以电商为例，每个商家根据店铺等级，指定若干款主打商品，在购物节期间，加大此类信息key的过期时长
注意：购物节不仅仅指当天，以及后续若干天，访问峰值呈现逐渐降低的趋势
现场调整
监控访问量，对自然流量激增的数据延长过期时间或设置为永久性key 后台刷新数据
启动定时任务，高峰期来临之前，刷新数据有效期，确保不丢失 二级缓存
设置不同的失效时间，保障不会被同时淘汰就行 加锁 分布式锁，防止被击穿，但是要注意也是性能瓶颈，慎重！
总结 缓存击穿就是单个高热数据过期的瞬间，数据访问量较大，未命中redis后，发起了大量对同一数据的数据库问，导致对数据库服务器造成压力。应对策略应该在业务数据分析与预防方面进行，配合运行监控测试与即时调整策略，毕竟单个key的过期监控难度较高，配合雪崩处理策略即可
4、缓存穿透 恶意请求 我们的数据库中的主键都是从0开始的，即使我们将数据库中的所有数据都放到了缓存中。当有人用id=-1来发生恶意请求时，因为redis中没有这个数据，就会直接访问数据库，这就称谓缓存穿透
解决办法 在程序中进行数据的合法性检验，如果不合法直接返回 使用布隆过滤器 布隆过滤器简介 想要尽量避免缓存穿透，一个办法就是对数据进行预校验，在对Redis和数据库进行操作前，先检查数据是否存在，如果不存在就直接返回。如果我们想要查询一个元素是否存在，要保证查询效率，可以选择HashSet，但是如果有10亿个数据，都用HashSet进行存储，内存肯定是无法容纳的。这时就需要布隆过滤器了
布隆过滤器（英语：Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量（bit数组）和一系列随机映射函数（hash）。布隆过滤器可以用于检索一个元素是否在一个集合中
因为是基于位数组和hash函数的，所以它的优点是空间效率和查询时间都远远超过一般的算法。但缺点也很明显，那就是有一定的误识别率和删除困难。但是可以通过增加位数组的大小和增加hash函数个数来降低误识别率（只能降低，没法避免）
放入过程
布隆过滤器初始化后，位数组中的值都为0。当一个变量将要放入布隆过滤器时，会通过多个hash函数映射到位数组的各个位上，然后将对应位置为1
查询过程
查询依然是通过多个hash函数映射到位数组的各个位上，如果各个位都为1，说明该元素可能存在，注意是可能存在！！。但是如果通过映射后，位数组对应位上不为1，那么该元素肯定不存在
放入过程图解
比如我们的布隆过滤器位一个8位的位数组，并且有3个hash函数对元素进行计算，映射到数组中的各个位上
我们将字符串”Nyima”放入布隆过滤器中
接下来将字符串”Cpower”放入布隆过滤器中
查询过程图解
比如我们要查询字符串”Cpower”是否存在，通过3个hash函数映射到了位数组的三个位置上， 三个位置都为1，那么该字符串可能存在
比如我们要查询字符串”SWPU”是否存在，通过3个hash函数映射到了位数组的三个位置，发现有一个位置不为1，那么该字符串肯定不存在
比如我们要查询字符串”Hulu”是否存在，通过3个hash函数映射到了位数组的三个位置，发现所有位置都为1，但是我们前面并没有将字符串”Hulu”放入布隆过滤器中，所以这里发生了误判
增加位数组的大小和hash函数个数可以降低误判率，但是无法避免误判