昨天我被公司 Leader 批评了。
我在单身红娘婚恋类型互联网公司工作，在双十一推出下单就送女朋友的活动。
谁曾想，凌晨 12 点之后，用户量暴增，出现了一个技术故障，用户无法下单，当时老大火冒三丈！
经过查找发现 Redis 报 Could not get a resource from the pool。
获取不到连接资源，并且集群中的单台 Redis 连接量很高。
于是各种更改最大连接数、连接等待数，虽然报错信息频率有所缓解，但还是持续报错。
后来经过线下测试，发现存放 Redis 中的字符数据很大，平均 1s 返回数据。
❝ 可以分享下使用 Redis 的规范么？我想做一个唯快不破的真男人！
通过 Redis 为什么这么快？这篇文章我们知道 Redis 为了高性能和节省内存费劲心思。
所以，只有规范的使用 Redis，才能实现高性能和节省内存，否则再屌的 Redis 也禁不起我们瞎折腾。
Redis 使用规范围绕如下几个纬度展开：
- 键值对使用规范
- 命令使用规范
- 数据保存规范
- 运维规范
键值对使用规范
有两点需要注意：
- 好的 key 命名，才能提供可读性强、可维护性高的 key，便于定位问题和寻找数据。
- value要避免出现 bigkey、选择高效的序列化和压缩、使用对象共享池、选择高效恰当的数据类型（可参考《Redis 实战篇：巧用数据类型实现亿级数据统计》）。
key 命名规范
规范的 key命名，在遇到问题的时候能够方便定位。Redis 属于 没有 Scheme的 NoSQL数据库。
所以要靠规范来建立其 Scheme 语意，就好比根据不同的场景我们建立不同的数据库。
敲黑板
把「业务模块名」作为前缀（好比数据库 Scheme），通过「冒号」分隔，再加上「具体业务名」。
这样我们就可以通过 key 前缀来区分不同的业务数据，清晰明了。
总结起来就是：「业务名:表名:id」
比如我们要统计公众号属于技术类型的博主「Java技术栈」的文章数。
- set 公众号:技术类:Java技术栈 100000
❝ key 太长的话有什么问题么？
key 是字符串，底层的数据结构是 SDS，SDS 结构中会包含字符串长度、分配空间大小等元数据信息。
字符串长度增加，SDS 的元数据也会占用更多的内存空间。
所以当字符串太长的时候，我们可以采用适当缩写的形式。
不要使用 bigkey
❝ 我就中招了，导致报错获取不到连接。
因为 Redis 是单线程执行读写指令，如果出现bigkey 的读写操作就会阻塞线程，降低 Redis 的处理效率。
bigkey包含两种情况：
- 键值对的 value很大，比如 value保存了 2MB的 String数据；
- 键值对的 value是集合类型，元素很多，比如保存了 5 万个元素的 List 集合。
虽然 Redis 官方说明了 key和string类型 value限制均为512MB。最新 Redis 面试题整理好了，点击Java面试库小程序在线刷题。
防止网卡流量、慢查询，string类型控制在10KB以内，hash、list、set、zset元素个数不要超过 5000。
❝ 如果业务数据就是这么大咋办？比如保存的是《XXX》这个大作。
我们还可以通过 gzip 数据压缩来减小数据大小:
- /**
- * 使用gzip压缩字符串
- */
- public static String compress(String str) {
- if (str == null || str.length() == 0) {
- return str;
- }
- try (ByteArrayOutputStream out = new ByteArrayOutputStream();
- GZIPOutputStream gzip = new GZIPOutputStream(out)) {
- gzip.write(str.getBytes());
- } catch (IOException e) {
- e.printStackTrace();
- }
- return new sun.misc.BASE64Encoder().encode(out.toByteArray());
- }
- /**
- * 使用gzip解压缩
- */
- public static String uncompress(String compressedStr) {
- if (compressedStr == null || compressedStr.length() == 0) {
- return compressedStr;
- }
- byte[] compressed = new sun.misc.BASE64Decoder().decodeBuffer(compressedStr);;
- String decompressed = null;
- try (ByteArrayOutputStream out = new ByteArrayOutputStream();
- ByteArrayInputStream in = new ByteArrayInputStream(compressed);
- GZIPInputStream ginzip = new GZIPInputStream(in);) {
- byte[] buffer = new byte[1024];
- int offset = -1;
- while ((offset = ginzip.read(buffer)) != -1) {
- out.write(buffer, 0, offset);
- }
- decompressed = out.toString();
- } catch (IOException e) {
- e.printStackTrace();
- }
- return decompressed;
- }
集合类型
如果集合类型的元素的确很多，我们可以将一个大集合拆分成多个小集合来保存。
使用高效序列化和压缩方法
为了节省内存，我们可以使用高效的序列化方法和压缩方法去减少 value的大小。
protostuff和 kryo这两种序列化方法，就要比 Java内置的序列化方法效率更高。
上述的两种序列化方式虽然省内存，但是序列化后都是二进制数据，可读性太差。
通常我们会序列化成 JSON或者 XML，为了避免数据占用空间大，我们可以使用压缩工具（snappy、 gzip）将数据压缩再存到 Redis 中。
使用整数对象共享池
Redis 内部维护了 0 到 9999 这 1 万个整数对象，并把这些整数作为一个共享池使用。
即使大量键值对保存了 0 到 9999 范围内的整数，在 Redis 实例中，其实只保存了一份整数对象，可以节省内存空间。
需要注意的是，有两种情况是不生效的：
1. Redis 中设置了 maxmemory，而且启用了 LRU策略（allkeys-lru 或 volatile-lru 策略），那么，整数对象共享池就无法使用了。
❝ 这是因为 LRU 需要统计每个键值对的使用时间，如果不同的键值对都复用一个整数对象就无法统计了。
2. 如果集合类型数据采用 ziplist 编码，而集合元素是整数，这个时候，也不能使用共享池。
❝ 因为 ziplist 使用了紧凑型内存结构，判断整数对象的共享情况效率低。
命令使用规范
有的命令的执行会造成很大的性能问题，我们需要格外注意。
生产禁用的指令
Redis 是单线程处理请求操作，如果我们执行一些涉及大量操作、耗时长的命令，就会严重阻塞主线程，导致其它请求无法得到正常处理。
- KEYS：该命令需要对 Redis 的全局哈希表进行全表扫描，严重阻塞 Redis 主线程；
❝ 应该使用 SCAN 来代替，分批返回符合条件的键值对，避免主线程阻塞。
- FLUSHALL：删除 Redis 实例上的所有数据，如果数据量很大，会严重阻塞 Redis 主线程；
- FLUSHDB，删除当前数据库中的数据，如果数据量很大，同样会阻塞 Redis 主线程。
❝ 加上 ASYNC 选项，让 FLUSHALL，FLUSHDB 异步执行。
我们也可以直接禁用，用rename-command命令在配置文件中对这些命令进行重命名，让客户端无法使用这些命令。
慎用 MONITOR 命令
MONITOR 命令会把监控到的内容持续写入输出缓冲区。
如果线上命令的操作很多，输出缓冲区很快就会溢出了，这就会对 Redis 性能造成影响，甚至引起服务崩溃。
所以，除非十分需要监测某些命令的执行（例如，Redis 性能突然变慢，我们想查看下客户端执行了哪些命令）我们才使用。
慎用全量操作命令
比如获取集合中的所有元素（HASH 类型的 hgetall、List 类型的 lrange、Set 类型的 smembers、zrange 等命令）。
这些操作会对整个底层数据结构进行全量扫描 ，导致阻塞 Redis 主线程。
❝ 如果业务场景就是需要获取全量数据咋办？
有两个方式可以解决：
- 使用 SSCAN、HSCAN等命令分批返回集合数据；
- 把大集合拆成小集合，比如按照时间、区域等划分。
数据保存规范
冷热数据分离
虽然 Redis 支持使用 RDB 快照和 AOF 日志持久化保存数据，但是，这两个机制都是用来提供数据可靠性保证的，并不是用来扩充数据容量的。
不要什么数据都存在 Redis，应该作为缓存保存热数据，这样既可以充分利用 Redis 的高性能特性，还可以把宝贵的内存资源用在服务热数据上。
业务数据隔离
不要将不相关的数据业务都放到一个 Redis 中。一方面避免业务相互影响，另一方面避免单实例膨胀，并能在故障时降低影响面，快速恢复。
设置过期时间
在数据保存时，我建议你根据业务使用数据的时长，设置数据的过期时间。
写入 Redis 的数据会一直占用内存，如果数据持续增多，就可能达到机器的内存上限，造成内存溢出，导致服务崩溃。
控制单实例的内存容量
建议设置在 2~6 GB 。这样一来，无论是 RDB 快照，还是主从集群进行数据同步，都能很快完成，不会阻塞正常请求的处理。
防止缓存雪崩
避免集中过期 key 导致缓存雪崩。
❝ 什么是缓存雪崩？
当某一个时刻出现大规模的缓存失效的情况，那么就会导致大量的请求直接打在数据库上面，导致数据库压力巨大，如果在高并发的情况下，可能瞬间就会导致数据库宕机。
运维规范
- 使用 Cluster 集群或者哨兵集群，做到高可用；
- 实例设置最大连接数，防止过多客户端连接导致实例负载过高，影响性能。
- 不开启 AOF 或开启 AOF 配置为每秒刷盘，避免磁盘 IO 拖慢 Redis 性能。
- 设置合理的 repl-backlog，降低主从全量同步的概率
- 设置合理的 slave client-output-buffer-limit，避免主从复制中断情况发生。
- 根据实际场景设置合适的内存淘汰策略。
- 使用连接池操作 Redis。
