缓存有大key?你得知道的一些手段

原创全渠道生态范晓京东零售技术

本文作者以实际项目遇到的大key问题为线索，场景化地讲述对应的解决方案。

通过本文，您可以了解关于大key基础概念、影响以及遇到大key的具体解决手段，帮助您更好把控缓存的使用场景，从而提升软件系统的稳定性。

以下为本文目录：

一、背景

最近系统内缓存CPU使用率一直报警，超过设置的70%报警阀值，针对此场景，需要对应解决缓存是否有大key使用问题，扫描缓存集群的大key,针对每个key做优化处理。

以下是扫描出来的大key，此处只放置了有效关键信息。

（图一）

二、大key介绍

想要解决大key，首先我们得知道什么定义为大key。

【2.1 什么是大KEY】

大key 并不是指 key 的值很大，而是 key 对应的 value 很大（非常占内存）。此处为中间件给出的定义：

•单个String类型的Key大小达到20KB并且OPS高

•单个String达到100KB

•集合类型的Key总大小达到1MB

•集合类型的Key中元素超过5000个

【2.2 大KEY带来的影响】

知道了大key的定义，那么我们也得知道大key的带来的影响：

•客户端超时阻塞。Redis 执行命令是单线程处理，然后在大 key处理时会比较耗时，那么就会发生阻塞，期间就会各种业务超时出现。

•引发网络阻塞。每次获取大 key 产生的网络流量较大，如果一个 key 的大小是 1 MB，每秒访问量为 1000，那么每秒会产生 1000MB 的流量，这对于服务器来说是灾难性的。

•阻塞工作线程。如果使用 del 删除大 key 时，会阻塞工作线程，无法处理后续的命令。

•内存分布不均。集群各分片内存使用不均。某个分片占用内存较高或OOM，发送缓存区增大等，导致该分片其他Key被逐出，同时也会造成其他分片的资源浪费。

三、大KEY解决手段

【3.1 历史key未使用】

场景描述：

针对这种key场景，其实存在着历史原因，可能是伴随着某个业务下线或者不使用，往往对应实现的缓存操作代码会删除，但是对于缓存数据往往不会做任何处理，久而久之，这种脏数据会一直堆积，占用着资源。那么如果确定已经无使用，并且可以确认有持久化数据（如mysql、es等）备份的话，可以直接将对应key删除。

实例经验：

如图1上面的元素个数488649，其实整个系统查看了下，没有使用的地方，最近也没有访问，相信也是因为一直没有用到，否则系统内一旦用了这个key来操作hgetall、smembers等，那么缓存服务应该就会不可用了。

【3.2 元素数过多】

场景描述：

针对于Set、HASH这种场景，如果元素数量超过5000就视为大的key，以上面图1为例，可以看到元素个数有的甚至达到了1万以上。针对这种的如果对应value值不大，我们可以采取平铺的形式，

实例经验：

比如系统内历史的设计是存储下每个品牌对应的名称，那么就设置了统一的key，然后不同的品牌id作为fild，操作了hSet和hGet来存储获取数据，降低查询外围服务的频率。但是随着品牌数量的增长，导致元素逐步增多，元素个数就超过了大key的预设值了。这种根据场景，我们其实存储本身只有一个品牌名称，那么我们就针对于品牌id对应加上一个统一前缀作为唯一key，采用平铺方式缓存对应数据即可。那么针对这种数据的替换，我这里也总结了下具体要实现的步骤：

修改代码查询和赋值逻辑：

•把原始的hGet的逻辑修改为get获取；

•把原始hSet的逻辑修改为set赋值。

历史数据刷新到新缓存key：

为了避免上线之后出现缓存雪崩，因为替换了新的key，我们需要通过现有的HASH的数据刷新到新的缓存中，所以需要历史数据处理。

通过hGetAll获取所以元素数据

循环缓存元素数据操作存储新的缓存key和value。

public String refreshHistoryData(){    try {        String key = "historyKey";        Map<String, String> redisInfoMap= redisUtils.hGetAll(key);        if (redisInfoMap.isEmpty()){            return "查询缓存无数据";        }        for (Map.Entry<String, String> entry : redisInfoMap.entrySet()) {            String redisVal = entry.getValue();            String filedKey = entry.getKey();            String newDataRedisKey = "newDataKey"+filedKey;            redisUtils.set(newDataRedisKey,redisVal);        }        return "success";    }catch (Exception e){        LOG.error("refreshHistoryData 异常:",e);    }    return "failed";}

注意:这里一定要先刷历史数据，再上线代码业务逻辑的修改。防止引发缓存雪崩

【3.3 大对象转换存储形式】

场景描述：

复杂的大对象可以尝试将对象分拆成几个key-value，使用mGet和mSet操作对应值或者pipeline的形式，最后拼装成需要返回的大对象。这样意义在于可以分散单次操作的压力，将操作压力平摊到多个redis实例中，降低对单个redis的IO影响；

实例经验：

这里以系统内订单对象为例：订单对象Order基础属性有几十个，如订单号、金额、时间、类型等，除此之外还要包含订单下的商品OrderSub、预售信息PresaleOrder、发票信息OrderInvoice、订单时效OrderPremiseInfo、订单轨迹OrderTrackInfo、订单详细费用OrderFee等信息。

那么对于每个订单相关信息，我们可以设置为单独的key，把订单信息和几个相关的关联数据每个按照单独key存储，接着通过mGet方式获取每个信息之后，最后封装成整体Order对象。下面仅展示关键伪代码以mSet和mGet实现：

缓存定义：

public enum CacheKeyConstant {
    /**     * 订单基础缓存key     */    REDIS_ORDER_BASE_INFO("ORDER_BASE_INFO"),
    /**     * 订单商品缓存key     */    ORDER_SUB_INFO("ORDER_SUB_INFO"),
    /**     * 订单预售信息缓存key     */    ORDER_PRESALE_INFO("ORDER_PRESALE_INFO"),
    /**     * 订单履约信息缓存key     */    ORDER_PREMISE_INFO("ORDER_PREMISE_INFO"),
    /**     * 订单发票信息缓存key     */    ORDER_INVOICE_INFO("ORDER_INVOICE_INFO"),
    /**     * 订单轨迹信息缓存key     */    ORDER_TRACK_INFO("ORDER_TRACK_INFO"),
    /**     * 订单详细费用信息缓存key     */    ORDER_FEE_INFO("ORDER_FEE_INFO"),    ;    /**     * 前缀     */    private String prefix;
    /**     * 项目统一前缀     */    public static final String COMMON_PREFIX = "XXX";

    CacheKeyConstant(String prefix){        this.prefix = prefix;    }
    public String getPrefix(String subKey) {        if(StringUtil.isNotEmpty(subKey)){            return COMMON_PREFIX + prefix + "_" + subKey;        }        return COMMON_PREFIX + prefix;    }
    public String getPrefix() {        return COMMON_PREFIX + prefix;    }}

缓存存储：

/** * @description 刷新订单到缓存 * @param order 订单信息 */public boolean refreshOrderToCache(Order order){     if(order == null || order.getOrderId() == null){        return ;    }    String orderId = order.getOrderId().toString();    //设置存储缓存数据    Map<String,String> cacheOrderMap = new HashMap<>(16);    cacheOrderMap.put(CacheKeyConstant.ORDER_BASE_INFO.getPrefix(orderId), JSON.toJSONString(buildBaseOrderVo(order)));    cacheOrderMap.put(CacheKeyConstant.ORDER_SUB_INFO.getPrefix(orderId), JSON.toJSONString(order.getCustomerOrderSubs()));    cacheOrderMap.put(CacheKeyConstant.ORDER_PRESALE_INFO.getPrefix(orderId), JSON.toJSONString(order.getPresaleOrderData()));    cacheOrderMap.put(CacheKeyConstant.ORDER_INVOICE_INFO.getPrefix(orderId), JSON.toJSONString(order.getOrderInvoice()));    cacheOrderMap.put(CacheKeyConstant.ORDER_TRACK_INFO.getPrefix(orderId), JSON.toJSONString(order.getOrderTrackInfo()));    cacheOrderMap.put(CacheKeyConstant.ORDER_PREMISE_INFO.getPrefix(orderId), JSON.toJSONString( order.getPresaleOrderData()));    cacheOrderMap.put(CacheKeyConstant.ORDER_FEE_INFO.getPrefix(orderId), JSON.toJSONString(order.getOrderFeeVo()));    superRedisUtils.mSetString(cacheOrderMap);}

缓存获取：

/** * @description 通过订单号获取缓存数据 * @param orderId 订单号 * @return Order 订单实体信息 */public Order getOrderFromCache(String orderId){    if(StringUtils.isBlank(orderId)){            return null;    }    //定义查询缓存集合key    List<String> queryOrderKey = Arrays.asList(CacheKeyConstant.ORDER_BASE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_SUB_INFO.getPrefix(orderId),            CacheKeyConstant.ORDER_PRESALE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_INVOICE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_TRACK_INFO.getPrefix(orderId),            CacheKeyConstant.ORDER_PREMISE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_FEE_INFO.getPrefix(orderId));
    //查询结果    List<String> result = redisUtils.mGet(queryOrderKey);    //基础信息    if(CollectionUtils.isEmpty(result)){        return null;    }    String[] resultInfo = result.toArray(new String[0]);
    //基础信息    if(StringUtils.isBlank(resultInfo[0])){        return null;    }    BaseOrderVo baseOrderVo = JSON.parseObject(resultInfo[0],BaseOrderVo.class);    Order order = coverBaseOrderVoToOrder(baseOrderVo);
    //订单商品    if(StringUtils.isNotBlank(resultInfo[1])){        List<OrderSub> orderSubs =JSON.parseObject(result.get(1), new TypeReference<List<OrderSub>>(){});        order.setCustomerOrderSubs(orderSubs);    }    //订单预售    if(StringUtils.isNotBlank(resultInfo[2])){        PresaleOrderData presaleOrderData = JSON.parseObject(resultInfo[2],PresaleOrderData.class);        order.setPresaleOrderData(presaleOrderData);    }    //订单发票    if(StringUtils.isNotBlank(resultInfo[3])){        OrderInvoice orderInvoice = JSON.parseObject(resultInfo[3],OrderInvoice.class);        order.setOrderInvoice(orderInvoice);    }    //订单轨迹    if(StringUtils.isNotBlank(resultInfo[5])){        OrderTrackInfo orderTrackInfo = JSON.parseObject(resultInfo[5],OrderTrackInfo.class);        order.setOrderTrackInfo(orderTrackInfo);    }    //订单履约信息    if(StringUtils.isNotBlank(resultInfo[6])){        List<OrderPremiseInfo> orderPremiseInfos =JSON.parseObject(result.get(6), new TypeReference<List<OrderPremiseInfo>>(){});        order.setPremiseInfos(orderPremiseInfos);    }    //订单费用明细信息    if(StringUtils.isNotBlank(resultInfo[7])){        OrderFeeVo orderFeeVo = JSON.parseObject(resultInfo[7],OrderFeeVo.class);        order.setOrderFeeVo(orderFeeVo);    }    return order;}

注意：获取缓存的结果跟传入的key的顺序保持对应即可。

缓存util方法封装：

/** * * @description 同时将多个 key-value (域-值)对设置到缓存中。 * @param mappings 需要插入的数据信息 */public void mSetString(Map<String, String> mappings) {    CallerInfo callerInfo = Ump.methodReg(UmpKeyConstants.REDIS.REDIS_STATUS_READ_MSET);    try {        redisClient.getClientInstance().mSetString(mappings);    } catch (Exception e) {        Ump.funcError(callerInfo);    }finally {        Ump.methodRegEnd(callerInfo);    }}/** * * @description 同时将多个key的结果返回。 * @param queryKeys 查询的缓存key集合 */public List<String> mGet(List<String> queryKeys) {    CallerInfo callerInfo = Ump.methodReg(UmpKeyConstants.REDIS.REDIS_STATUS_READ_MGET);    try {        return redisClient.getClientInstance().mGet(queryKeys.toArray(new String[0]));    } catch (Exception e) {        Ump.funcError(callerInfo);    }finally {        Ump.methodRegEnd(callerInfo);    }    return new ArrayList<String>(queryKeys.size());}

这里附上通过pipeline的util封装，可参考。

/** * @description pipeline放松查询数据 * @param redisKeyList * @return java.util.List<java.lang.String> */public List<String> getValueByPipeline(List<String> redisKeyList) {        if(CollectionUtils.isEmpty(redisKeyList)){            return null;        }        List<String> resultInfo = new ArrayList<>(redisKeyList);        CallerInfo callerInfo = Ump.methodReg(UmpKeyConstants.REDIS.REDIS_STATUS_READ_GET);        try {
            PipelineClient pipelineClient = redisClient.getClientInstance().pipelineClient();
            //添加批量查询任务            List<JimFuture> futures = new ArrayList<>();            redisKeyList.forEach(redisKey -> {                futures.add(pipelineClient.get(redisKey.getBytes()));            });            //处理查询结果            pipelineClient.flush();            //可以等待future的返回结果，来判断命令是否成功。            for (JimFuture future : futures) {                resultInfo.add(new String((byte[])future.get()));            }
        } catch (Exception e) {            log.error("getValueByPipeline error:",e);            Ump.funcError(callerInfo);            return new ArrayList<>(redisKeyList.size());        }finally {            Ump.methodRegEnd(callerInfo);        }        return resultInfo;    }

注意：Pipeline不建议用来设置缓存值，因为本身不是原子性的操作。

【3.4 压缩存储数据】

压缩方法结果

单个元素时：

四百个元素集合：

四万个元素集合时：

压缩代码样例

DefaultOutputStream

public static byte[] compressToByteArray(String text) throws IOException {    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();    Deflater deflater = new Deflater();    DeflaterOutputStream deflaterOutputStream = new DeflaterOutputStream(outputStream, deflater);
    deflaterOutputStream.write(text.getBytes());    deflaterOutputStream.close();
    return outputStream.toByteArray();}

public static String decompressFromByteArray(byte[] bytes) throws IOException {    ByteArrayInputStream inputStream = new ByteArrayInputStream(bytes);    Inflater inflater = new Inflater();    InflaterInputStream inflaterInputStream = new InflaterInputStream(inputStream, inflater);    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
    byte[] buffer = new byte[1024];    int length;    while ((length = inflaterInputStream.read(buffer)) != -1) {        outputStream.write(buffer, 0, length);    }
    inflaterInputStream.close();    outputStream.close();
    byte[] decompressedData = outputStream.toByteArray();    return new String(decompressedData);}

GZIPOutputStream

public static byte[] compressGzip(String str) {        ByteArrayOutputStream outputStream = new ByteArrayOutputStream();        GZIPOutputStream gzipOutputStream = null;        try {            gzipOutputStream = new GZIPOutputStream(outputStream);        } catch (IOException e) {            throw new RuntimeException(e);        }        try {            gzipOutputStream.write(str.getBytes("UTF-8"));        } catch (IOException e) {            throw new RuntimeException(e);        }finally {            try {                gzipOutputStream.close();            } catch (IOException e) {                throw new RuntimeException(e);            }        }        return outputStream.toByteArray();    }

 public static String decompressGzip(byte[] compressed) throws IOException {        ByteArrayInputStream inputStream = new ByteArrayInputStream(compressed);        GZIPInputStream gzipInputStream = new GZIPInputStream(inputStream);        ByteArrayOutputStream outputStream = new ByteArrayOutputStream();        byte[] buffer = new byte[1024];        int length;        while ((length = gzipInputStream.read(buffer)) > 0) {            outputStream.write(buffer, 0, length);        }        gzipInputStream.close();        outputStream.close();        return outputStream.toString("UTF-8");    }

ZlibCompress

public  byte[] zlibCompress(String message) throws Exception {        String chatacter = "UTF-8";        byte[] input = message.getBytes(chatacter);        BigDecimal bigDecimal = BigDecimal.valueOf(0.25f);        BigDecimal length = BigDecimal.valueOf(input.length);        byte[] output = new byte[input.length + 10 + new Double(Math.ceil(Double.parseDouble(bigDecimal.multiply(length).toString()))).intValue()];        Deflater compresser = new Deflater();        compresser.setInput(input);        compresser.finish();        int compressedDataLength = compresser.deflate(output);        compresser.end();        return Arrays.copyOf(output, compressedDataLength);    }

public static String zlibInfCompress(byte[] data) {        String s = null;
        Inflater decompresser = new Inflater();        decompresser.reset();        decompresser.setInput(data);        ByteArrayOutputStream o = new ByteArrayOutputStream(data.length);        try {            byte[] buf = new byte[1024];            while (!decompresser.finished()) {                int i = decompresser.inflate(buf);                o.write(buf, 0, i);            }            s = o.toString("UTF-8");        } catch (Exception e) {            e.printStackTrace();        } finally {            try {                o.close();            } catch (IOException e) {                e.printStackTrace();            }        }        decompresser.end();        return s;    }

可以看到压缩效率比较好，压缩效率可以从几百kb压缩到几kb内；当然也是看具体场景。不过这里就是最好是避免调用量大的场景使用，毕竟解压和压缩数据量大会比较耗费cpu性能。如果是黄金链路使用，还需要具体配合压测，对比前后接口性能。

【3.5 替换存储方案】

如果数据量庞大，那么其实本身是不是就不太适合redis这种缓存存储了。可以考虑es或者mongo这种文档式存储结构，存储大的数据格式。

四、总结

redis缓存的使用是一个支持业务和功能高并发的很好的使用方案，但是随着使用场景的多样性以及数据的增加，可能逐渐的会出现大key，日常使用中都可以注意以下几点：

1.分而治之。如果需要存储大量的数据，避免直接放到缓存中。可以将其拆分成多个小的value。就像是咱们日常吃饭，盛到碗里，一口一口的吃，俗话说的好呀：“细嚼慢咽”。

2.避免使用不必要的数据结构。例如，如果只需要存储一个字符串结构的数据，就不要过度设计，使用Hash或者List等数据结构。

3.定期清理过期的key。如果Redis中存在大量的过期key，就会导致Redis的性能下降，或者场景非必要以缓存来持久存储的，可以添加过期时间，定时清理过期的key，就像是家中的日常垃圾类似，定期的清洁和打扫，居住起来咱们才会更加舒服和方便。

4.对象压缩。将大的数据压缩成更小的数据，也是一种好的解决方案，不过要注意压缩和解压的频率，毕竟是比较耗费cpu的。

以上是我根据现有实际场景总结出的一些解决手段，记录了这些大key的优化经验，希望可以在日常场景中帮助到大家。大家有其他的好的经验，也可以分享出来。

- END -

继续滑动看下一个