伪代码举例解析互联网项目中Redis使用场景及Demo案例

伪代码举例解析互联网项目中Redis使用场景及Demo案例

一、背景

互联网项目中使用Redis是比较常见的，既可以作为分布式缓存、又可以作为数据库，还可以用作MQ消息队列。因此，有必要对Redis使用场景作为一番说明，用伪代码的形式举例剖析。

二、分布式缓存

应用场景：用户登录或注册时的验证码存储，用户名

伪代码:set Code:1:code 2432 EX 1000 NX

设置完成后

get Code:1:code

返回Result:2432

另一个示例:set User:1:name dashan EX 100 NX

获取值:get User:1:name

返回结果:dashan

缓存是 redis 出镜率最高的一种使用场景，仅仅使用 set/get 就可以实现，不过也有一些需要考虑的点

(1)如何更好的设置缓存

(2)如何保持缓存与上游数据的一致性

(3)如何解决缓存雪崩，缓存击穿问题

三、MQ消息队列

伪代码:lpush UserNameQueue 1 2 3 4

lpop UserNameQueue

rpop UserNameQueue

结果:1

rpop UserNameQueue

结果:2

可以把redis的队列看为分布式队列，作为消息队列时，生产者在一头塞入数据。消费者另一条取出数据:(lpush/rpop,rpush/lpop),不过也有一些不足，而这些不足有可能是致命的，不过对于一些丢几条消息也没关系的场景还是可以考虑的

1、没有ack(消息确认机制)，有可能丢消息

2、需要做redis的持久化配置

四、过滤器filter

伪代码:

sadd UrlSet http://1

(integer) 1

sadd UrlSet http://2

(integer) 1

sadd UrlSet http://2

(integer) 0

使用:smembers UrlSet

使用了 redis 的 Set 这个数据结构来对将要结果进行去重处理

实例伪代码:

不过当 url 过多时，会有内存占用过大的问题

五、分布式锁应用

分布式锁相信很多人在面试中被面试官问到的概率比较大:

伪代码:

这是一个最简单的单机版的分布式锁，有以下要点

1）EX 表示锁会过期释放

2）NX 保证原子性

解锁时对比资源对应产生的 UUID，避免误解锁

当你使用分布式锁是为了解决一些性能问题，如分布式定时任务防止执行多次 (做好幂等性)，而且鉴于单点 redis 挂掉的可能性很小，可以使用这种单机版的分布式锁。

5.1应用实例

比如一个很能干的资深架构师，做事效率很快，代码质量也很高，是团队里的明星。所以呢诸多需求都要来烦他，让他给自己做需求。如果同一时间来了一堆需求都找他，它的思路呢就会陷入混乱，再优秀的程序员，大脑的并发能力也好不到哪里去。所以呢他就在自己的办公室的门把上挂了一个请勿打扰的牌子，当一个需求来的时候先看看门把上有没有这个牌子，如果没有呢就可以进来找架构师谈需求，谈之前要把牌子挂起来，谈完了再把牌子摘了。这样其它需求也要来烦他的时候，如果看见这个牌子挂在那里，就可以选择睡觉等待或者是先去忙别的事。如是这位明星架构师从此获得了安宁。

注意:一定要设置这个过期时间，因为遇到特殊情况 —— 比如地震（进程被 kill -9，或者机器宕机），需求可能会选择从窗户上跳下去，没机会摘牌，导致了死锁饥饿，让这位优秀的架构师成了一位大闲人，造成严重的资源浪费。同时还需要注意这个 owner_id，它代表锁是谁加的 —— 需求的工号。以免你的锁不小心被别人摘掉了。释放锁时要匹配这个 owner_id，匹配成功了才能释放锁。这个 owner_id 通常是一个随机数，存放在 ThreadLocal 变量里（栈变量）。官方其实并不推荐这种方式，因为它在集群模式下会产生锁丢失的问题 —— 在主从发生切换的时候。官方推荐的分布式锁叫 RedLock，作者认为这个算法较为安全，推荐我们使用。不过我们一直还使用上面最简单的分布式锁。为什么我们不去使用 RedLock 呢，因为它的运维成本会高一些，需要 3 台以上独立的 Redis 实例，用起来要繁琐一些。另外，Redis 集群发生主从切换的概率也并不高，即使发生了主从切换出现锁丢失的概率也很低，因为主从切换往往都有一个过程，这个过程的时间通常会超过锁的过期时间，也就不会发生锁的异常丢失。还有呢就是分布式锁遇到锁冲突的机会也不多，这正如一个公司里明星架构师也比较有限一样，总是遇到锁排队那说明结构上需要优化。

六、定时任务解析

分布式定时任务有多种实现方式，最常见的一种是 master-workers 模型。

master 负责管理时间，到点了就将任务消息仍到消息中间件里，然后worker们负责监听这些消息队列来消费消息。

著名的 Python 定时任务框架 Celery 就是这么干的。但是 Celery 有一个问题，那就是 master 是单点的，如果这个 master 挂了，整个定时任务系统就停止工作了。

另一种实现方式是 multi-master 模型。这个模型什么意思呢，就类似于 Java 里面的 Quartz 框架，采用数据库锁来控制任务并发。

会有多个进程，每个进程都会管理时间，时间到了就使用数据库锁来争抢任务执行权，抢到的进程就获得了任务执行的机会，然后就开始执行任务，这样就解决了 master 的单点问题。

这种模型有一个缺点，那就是会造成竞争浪费问题，不过通常大多数业务系统的定时任务并没有那么多，所以这种竞争浪费并不严重。

还有一个问题它依赖于分布式机器时间的一致性，如果多个机器上时间不一致就会造成任务被多次执行，这可以通过增加数据库锁的时间来缓解。

画张图表示:

比如说我们有了分布式锁，我们应该能够使用Redis实现定时任务。

七、控制频率

项目中不可避免的总是会遇到垃圾内容，一觉醒来你会发现首页突然会被某些恶意的帖子和广告刷屏了，如果不采取适当的机制来控制就会导致用户体验受到严重的影响

控制广告垃圾贴的策略很多，高级一点的可以通过AI，最简单的方式是通过关键词扫描，还有比较常用的一种方式是频率控制，限制单个用户内容的生产速度，不通等级的用户会有不同的频率控制参数

频率控制就可以使用redis来实现，我们将用户的行为理解为一个时间序列，我们要保证在一定的时间内限制单个用户的时间序列的长度，超过这个长度就禁止用户的行为，它可以是用redis的zset(有序集合，zset详解)来实现

图中绿色的部门就是我们要保留的一个时间段的时间序列信息，灰色的段会被砍掉。统计绿色段中时间序列记录的个数就知道是否超过了频率的阈值。

八、服务发现

如果想要技术成熟度再高一些，有的企业会有服务发现的基础设施。通常我们都会选用zookeeper、etcd，consul等分布式配置数据库来作为服务列表的存储

它们有非常及时的通知机制来通知服务消费者服务列表发生了变更。那我们该如何使用 Redis 来做服务发现呢？

这里我们要再次使用 zset 数据结构，我们使用 zset 来保存单个服务列表。多个服务列表就使用多个 zset 来存储。

zset 的 value 和 score 分别存储服务的地址和心跳的时间。服务提供者需要使用心跳来汇报自己的存活，每隔几秒调用一次 zadd。服务提供者停止服务时，使用 zrem 来移除自己。

伪代码:

这样还不够，因为服务有可能是异常终止，根本没机会执行钩子，所以需要使用一个额外的线程来清理服务列表中的过期项

伪代码:

接下来还有一个重要的问题是如何通知消费者服务列表发生了变更，这里我们同样使用版本号轮询机制，当服务列表变更时，递增版本号。消费者通过轮询版本号的变化来重加载服务列表

如果消费者依赖了很多的服务列表，那么它就需要轮询很多的版本号，这样的IO效率会比较低下。

这个问题待解决后面再讲。

九、位图与签到

项目里需要做一个工作成员的签到系统，当用户量比较少的时候，设计上比较简单，就是将用户的签到状态用redis的hash结构来存储，签到一次就再hash结构里记录一条，签到有三种状态：未签到，已签到和部签到，分别是0，1，2三个整数值

伪代码:hset sign:$(user_id) 2020-05-21 1

hset sign:$(user_id) 2020-05-21 0

hset sign:$(user_id) 2020-05-21 2

这个其实非常浪费用户空间，后来想做全部用户的签到，高层领导指出，这时候的再用hash就有问题了，他讲到当用户过千万的时候，内存可能会飚到 30G+，我们线上实例通常过了 20G 就开始报警，30G 已经属于严重超标了。

这时候我们就开始着手解决这个问题，去优化存储。我们选择使用位图来记录签到信息，一个签到状态需要两个位来记录，一个月的存储空间只需要 8 个字节。这样就可以使用一个很短的字符串来存储用户一个月的签到记录。

但是位图也有一个缺点，它的底层是字符串，字符串是连续存储空间，位图会自动扩展，比如一个很大的位图 8m 个位，只有最后一个位是 1，其它位都是零，这也会占用1m 的存储空间，这样的浪费非常严重。

所以呢就有了咆哮位图这个数据结构，它对大位图进行了分段存储，全位零的段可以不用存。

另外还对每个段设计了稀疏存储结构，如果这个段上置 1 的位不多，可以只存储它们的偏移量整数。这样位图的存储空间就得到了非常显著的压缩。

十、计数器

上面提到的签到系统，假如需求需要知道这个签到的日活月活怎么办呢？

通常我们会直接甩锅——请找运营部门。

但是运营部门的数据往往不是很实时，经常前一天的数据需要第二天才能跑出来，离线计算是通常是定时的一天一次。那如何实现一个实时的活跃计数？

最简单的方案就是在 Redis 里面维护一个 set 集合，来一个用户，就 sadd 一下，最终集合的大小就是我们需要的 UV 数字。

但是这个空间浪费严重怎么办？这时候就需要使用redis提供的HyperLogLog模糊计数功能，它是一种概率计数，有一定的误差，大约是0.81%。

但是空间占用很小，其底层是一个位图，它最多只会占用12k的存储空间，而且在计数值比较小的时候，位图使用稀疏存储，空间占用就更小了。

伪代码:

十一、回顾

Redis其实还可以进行发布订阅，我后面会举例说明发布订阅模式