当前位置：首页 > news >正文

黑马点评【缓存】

news 来源：原创 2025/6/13 7:06:22

一、为什么要使用缓存

二、添加商户缓存

1.缓存的模型和思路

2.代码

3.缓存更新策略

Redis内存淘汰机制：

3.1 被动淘汰策略（不主动淘汰，仅在查询时触发）

3.2 主动淘汰策略（主动扫描内存，按规则淘汰数据）

Redis 过期删除策略

3.3三大过期删除策略详解

1. 被动删除（惰性删除）

编辑

2. 主动删除（定期删除）

3. 内存淘汰策略的补充作用

三、数据库缓存不一致解决方案：

1.发生原因及相关解决方案

2.实现商铺和缓存与数据库双写一致

四、缓存穿透

1.定义

2.编码解决商品查询的缓存穿透问题：

3.小总结：

五、缓存雪崩

1.定义

2.解决方案

六、缓存击穿

1. 定义

2.解决方案

2.1互斥锁

2.2逻辑过期

3.互斥锁 vs 逻辑过期：场景选择与组合方案

4.利用互斥锁解决缓存击穿问题

5.利用逻辑过期解决缓存击穿问题

七、封装Redis工具类

一、为什么要使用缓存

一句话:因为速度快,好用

缓存数据存储于代码中,而代码运行在内存中,内存的读写性能远高于磁盘,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

实际开发过程中,企业的数据量,少则几十万,多则几千万,这么大数据量,如果没有缓存来作为"避震器",系统是几乎撑不住的,所以企业会大量运用到缓存技术;

但是缓存也会增加代码复杂度和运营的成本:

实际开发中,会构筑多级缓存来使系统运行速度进一步提升,例如:本地缓存与redis中的缓存并发使用

浏览器缓存：主要是存在于浏览器端的缓存

应用层缓存：可以分为tomcat本地缓存，比如之前提到的map，或者是使用redis作为缓存

数据库缓存：在数据库中有一片空间是 buffer pool，增改查数据都会先加载到mysql的缓存中

CPU缓存：当代计算机最大的问题是 cpu性能提升了，但内存读写速度没有跟上，所以为了适应当下的情况，增加了cpu的L1，L2，L3级的缓存

二、添加商户缓存

在我们查询商户信息时，我们是直接操作从数据库中去进行查询的，大致逻辑是这样，直接查询数据库那肯定慢咯，所以我们需要增加缓存

@GetMapping("/{id}")
public Result queryShopById(@PathVariable("id") Long id) {//这里是直接查询数据库return shopService.queryById(id);
}

1.缓存的模型和思路

标准的操作方式就是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。

2.代码

代码思路：如果缓存有，则直接返回，如果缓存不存在，则查询数据库，然后存入redis。

3.缓存更新策略

Redis内存淘汰机制：

Redis 内存淘汰策略
│
├─ 被动淘汰策略（noeviction）
│   └─ 机制：内存不足时拒绝写操作，读操作正常
│   └─ 适用：不允许数据丢失的场景
│
└─ 主动淘汰策略│├─ 基于过期时间（仅淘汰设置过期时间的键）│   ││   ├─ volatile-lru│   │   └─ 机制：淘汰过期键中最久未使用的数据│   │   └─ 适用：热点数据缓存│   ││   ├─ volatile-ttl│   │   └─ 机制：淘汰过期键中剩余时间最短的数据│   │   └─ 适用：时效性强的数据（如限时活动）│   ││   └─ volatile-random│       └─ 机制：随机淘汰过期键│       └─ 适用：数据访问无规律的场景│└─ 基于数据热度/大小（淘汰所有键）│├─ allkeys-lru│   └─ 机制：淘汰所有键中最久未使用的数据│   └─ 适用：通用缓存场景（热点数据优先）│├─ allkeys-random│   └─ 机制：随机淘汰所有键│   └─ 适用：性能优先、访问无规律的场景│├─ allkeys-lfu│   └─ 机制：淘汰所有键中访问频率最低的数据│   └─ 适用：长期高频访问数据（如常用功能缓存）│└─ volatile-lfu└─ 机制：淘汰过期键中访问频率最低的数据└─ 适用：需保留高频访问的过期数据场景

Redis 提供了 8 种内存淘汰策略，可分为被动淘汰和主动淘汰两类：

3.1 被动淘汰策略（不主动淘汰，仅在查询时触发）

noeviction（默认策略）
机制：当内存不足时，拒绝执行所有会导致内存增加的命令（如 set、lpush 等），但读命令（如 get）仍可正常执行。

应用场景：适用于不允许丢失数据的场景（如缓存与数据库强一致的场景），但需确保业务能处理写失败的情况。

3.2 主动淘汰策略（主动扫描内存，按规则淘汰数据）

主动淘汰策略又分为基于过期时间和基于数据热度 / 大小两类：

①基于过期时间的淘汰策略

此类策略仅淘汰设置了过期时间的键，适合缓存场景：

volatile-lru（Least Recently Used）

机制：在过期键中，淘汰最长时间未被访问的键。
原理：通过维护 “最近使用” 顺序，淘汰不活跃数据，适合热点数据场景（如用户行为缓存）。
示例：电商首页商品缓存，频繁访问的商品保留，冷门商品被淘汰。

volatile-ttl

机制：在过期键中，优先淘汰剩余过期时间最短的键。
原理：根据 TTL（Time To Live）值判断，适合对时效性要求高的数据（如限时活动缓存）。
示例：秒杀活动倒计时缓存，剩余时间短的先淘汰。

volatile-random

机制：在过期键中随机淘汰数据。
特点：实现简单但缺乏针对性，适用于数据访问无明显规律的场景。

②基于数据热度 / 大小的淘汰策略

此类策略对所有键（无论是否设置过期时间）生效：

allkeys-lru

机制：在所有键中，淘汰最长时间未被访问的键。
应用场景：最常用的策略之一，适合缓存场景（如热点文章、用户会话缓存），能有效保留活跃数据。
优化：Redis 通过 “近似 LRU” 算法（采样少量数据而非全量扫描）平衡性能与准确性。

allkeys-random

机制：在所有键中随机淘汰数据。
特点：性能开销小，但可能淘汰活跃数据，适用于数据访问无规律且对缓存命中率要求不高的场景。

volatile-lfu（Least Frequently Used）

机制：在过期键中，淘汰访问频率最低的键。
原理：通过记录访问次数区分 “偶然访问” 和 “高频访问” 数据，避免 LRU 淘汰高频但近期未访问的键。
示例：新闻类应用中，高频访问的热点新闻即使近期未被访问也会被保留。

allkeys-lfu

机制：在所有键中，淘汰访问频率最低的键。
应用场景：适合长期保留高频访问数据，例如用户高频使用的功能缓存。

策略	淘汰范围	淘汰依据	适用场景	命中率	性能开销
noeviction	所有键	不淘汰，拒绝写操作	不允许数据丢失的场景	无	低
allkeys-lru	所有键	最近最少使用	通用缓存场景（热点数据明显）	高	中
volatile-lru	过期键	最近最少使用	仅缓存过期数据的场景	高	中
allkeys-lfu	所有键	访问频率最低	长期高频访问数据的场景	最高	高
volatile-ttl	过期键	剩余过期时间最短	时效性强的数据（如限时活动）	中	低
random 策略	对应范围键	随机	数据访问无规律或性能优先的场景	低	低

Redis 过期删除策略

Redis 作为内存型数据库，需要高效处理过期键的删除，避免无效数据占用内存。其过期删除策略采用被动删除 + 主动删除的混合模式，平衡内存占用与 CPU 开销：

3.3三大过期删除策略详解

1. 被动删除（惰性删除）

机制：当客户端访问某个键时，Redis 会检查该键是否过期，若过期则删除并返回 nil（空）。
优点：不主动消耗 CPU 资源，仅在访问时触发，对性能影响最小。
缺点：可能导致过期键长时间滞留内存，尤其当键未被访问时。
示例：
# 设定期限为 10 秒的键
redis.setex("key1", 10, "value")  
# 10 秒后未访问，key1 仍存在于内存中  
# 当执行 redis.get("key1") 时，才会触发删除并返回 nil

图片来源于小林Coding

2. 主动删除（定期删除）

机制：Redis 周期性地随机抽取一部分键检查是否过期，并删除过期键。具体规则：
每个 Redis 服务器每秒执行 hz 次（默认 hz=10，即每秒 10 次）过期扫描。
每次扫描随机选取 ACTIVE_EXPIRE_CYCLE_LOOKUPS_PER_LOOP 个键（默认 20 个），若过期键比例超过 25%，则继续扫描，直到过期键比例降至 25% 以下或扫描次数达到上限。

优点：主动清理过期键，减少内存浪费。
缺点：扫描频率和范围需平衡，频率过高会占用 CPU，过低则清理不及时。

图片来源于小林Coding

3. 内存淘汰策略的补充作用

当 Redis 内存达到 maxmemory 阈值时，会触发内存淘汰策略（如 lru/lfu 等），此时即使键未过期，也可能被淘汰，作为过期删除的补充机制。

三、数据库缓存不一致解决方案：

1.发生原因及相关解决方案

由于我们的缓存的数据源来自于数据库,而数据库的数据是会发生变化的，因此,如果当数据库中数据发生变化,而缓存却没有同步,此时就会有一致性问题存在,其后果是:

用户使用缓存中的过时数据,就会产生类似多线程数据安全问题,从而影响业务,产品口碑等;怎么解决呢？有如下几种方案

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

对比维度	Cache Aside Pattern (双写方案)	Read/Write Through Pattern	Write Behind Caching Pattern
数据一致性	最终一致性（可能存在短暂不一致窗口）	强一致性（系统保证缓存与数据库同步）	最终一致性（异步同步延迟更大）
性能表现	写操作需两次IO（数据库+缓存）	写操作由系统优化处理	最佳写性能（仅操作缓存）
实现复杂性	需应用层维护双写逻辑	需实现底层存储系统抽象层	需处理异步队列和失败重试机制
适用场景	读多写少场景（如商品详情页）	对一致性要求高的场景（如金融账户）	写密集场景（如日志记录）
主要风险	并发写可能引发脏数据<br>（需配合失效机制）	系统设计缺陷会导致全局故障	数据丢失风险（异步未完成时宕机）
典型应用	电商系统商品信息缓存	分布式文件系统元数据管理	社交平台点赞数统计
维护成本	中（需处理双写异常场景）	高（需维护存储抽象层）	高（需维护可靠消息队列）
数据流动方向	应用层双向控制<br>（DB↔缓存）	单向流动<br>（DB→缓存）	单向流动<br>（缓存→DB）

综合考虑使用方案一，但是方案一调用者如何处理呢？这里有几个问题

操作缓存和数据库时有三个问题需要考虑：

如果采用第一个方案，那么假设我们每次操作数据库后，都操作缓存，但是中间如果没有人查询，那么这个更新动作实际上只有最后一次生效，中间的更新动作意义并不大，我们可以把缓存删除，等待再次查询时，将缓存中的数据加载出来

1.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，无效写操作较多
删除缓存：更新数据库时让缓存失效，查询时再更新缓存
2.如何保证缓存与数据库的操作的同时成功或失败？

单体系统，将缓存与数据库操作放在一个事务
分布式系统，利用TCC等分布式事务方案

应该具体操作缓存还是操作数据库，我们应当是先操作数据库，再删除缓存，原因在于，如果你选择第一种方案，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。

先操作缓存还是先操作数据库？
先删除缓存，再操作数据库
先操作数据库，再删除缓存

2.实现商铺和缓存与数据库双写一致

核心思路如下：

修改ShopController中的业务逻辑，满足下面的需求：

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

修改重点代码1：修改ShopServiceImpl的queryById方法

设置redis缓存时添加过期时间

修改重点代码2

代码分析：通过之前的淘汰，我们确定了采用删除策略，来解决双写问题，当我们修改了数据之后，然后把缓存中的数据进行删除，查询时发现缓存中没有数据，则会从mysql中加载最新的数据，从而避免数据库和缓存不一致的问题

四、缓存穿透

1.定义

指请求查询一个不存在的数据，缓存和数据库中均无该数据，导致请求每次都穿透到数据库，造成资源浪费。若被恶意攻击（如批量请求不存在的 ID），可能导致数据库崩溃。

典型场景：恶意用户通过脚本批量请求user_id=-1等不存在的参数。

例如：请求店铺为0的信息

常见的解决方案有两种：

方案	实现方式	优缺点
布隆过滤器（Bloom Filter）	在请求进入数据库前，先用布隆过滤器判断数据是否存在，不存在则直接拒绝。	- 优点：空间效率高，过滤速度快 - 缺点：存在误判率（误报存在，漏报不存在）
空值缓存	当查询结果为 null 时，仍将 null 存入缓存（设置短过期时间，如 5 分钟），避免重复查询数据库。	- 优点：简单易实现 - 缺点：可能存储无效空值，占用少量内存

2.编码解决商品查询的缓存穿透问题：

核心思路如下：

在原来的逻辑中，我们如果发现这个数据在mysql中不存在，直接就返回404了，这样是会存在缓存穿透问题的

现在的逻辑中：如果这个数据不存在，我们不会返回404 ，还是会把这个数据写入到Redis中，并且将value设置为空，欧当再次发起查询时，我们如果发现命中之后，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。

3.小总结：

缓存穿透产生的原因是什么？

用户请求的数据在缓存中和数据库中都不存在，不断发起这样的请求，给数据库带来巨大压力

缓存穿透的解决方案有哪些？

* 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

五、缓存雪崩

1.定义

指大量缓存 key 在同一时间段失效，或缓存服务整体不可用，导致海量请求直接访问数据库，造成数据库雪崩甚至宕机。
典型场景：缓存服务器重启、大量 key 设置相同过期时间（如凌晨零点失效）。

2.解决方案

方案	实现方式	优缺点
过期时间分散化	为不同 key 的过期时间添加随机值（如`TTL=3600+random(0,1800)`），避免集体失效。	- 优点：简单有效，成本低 - 缺点：无法应对缓存服务整体故障
多级缓存架构	部署多层缓存（如本地缓存 + Redis 缓存），当 Redis 失效时，本地缓存仍可响应请求。	- 优点：提高可用性，降低数据库压力 - 缺点：维护成本高，需处理缓存一致性
缓存集群与熔断	- 缓存采用集群部署，避免单点故障 - 引入熔断机制（如 Hystrix），当数据库压力过高时暂时拒绝部分请求。	- 优点：高可用性，保护数据库 - 缺点：需要额外组件支持，增加架构复杂度
持久化与热重启	启用 Redis 持久化（RDB/AOF），服务器重启时快速加载缓存，减少全量失效窗口。	- 优点：恢复速度快 - 缺点：依赖持久化文件的完整性

六、缓存击穿

1. 定义

指热点数据的缓存过期瞬间，大量请求同时穿透缓存直达数据库，导致数据库负载激增的现象。
典型场景：秒杀活动中，某商品的缓存 key 过期，瞬间数万请求访问数据库查询库存。

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，同时的去执行数据库代码，对数据库访问压力过大

2.解决方案

方案	实现方式	优缺点
互斥锁（Mutex）	当缓存失效时，先通过 Redis 的`SETNX`获取锁，成功的线程查询数据库并更新缓存，其他线程等待锁释放。	- 优点：简单有效，避免大量请求击穿 - 缺点：存在锁竞争，可能阻塞请求
热点数据永不过期（逻辑过期）	不设置过期时间，通过后台线程异步更新数据（如定时任务）。	- 优点：完全避免过期击穿 - 缺点：数据一致性略有延迟，需配合版本号或消息队列更新
缓存时间随机打散	给热点 key 的过期时间添加随机偏移（如`expire=3600+random(0,600)`），避免同时过期。	- 优点：轻量级方案，适合非强一致场景 - 缺点：无法完全杜绝击穿，但可大幅降低概率

这里我们重点讲解互斥锁和逻辑过期

2.1互斥锁

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。

优点	缺点
1. 强一致性，确保缓存与数据库实时同步； 2. 实现简单，适用于中小并发场景。	1. 高并发下存在锁竞争，可能导致请求延迟； 2. 极端情况下（如数据库慢查询）可能引发线程饥饿。

2.2逻辑过期

物理过期：缓存不设置expire，永久存储；
逻辑过期：在缓存值中附加过期时间戳，由应用层判断是否需要更新。
异步更新：发现逻辑过期时，启动后台线程异步更新缓存，前台请求返回旧数据，避免阻塞。

流程：

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。

优点	缺点
1. 无锁竞争，响应速度快，适合高并发读场景； 2. 避免缓存击穿的同时保证服务可用性。	1. 存在数据不一致窗口（旧数据可能被读取）； 2. 后台更新失败时需额外容错机制（如重试队列）。

3.互斥锁 vs 逻辑过期：场景选择与组合方案

维度	互斥锁方案	逻辑过期方案
一致性要求	强一致性（实时同步）	最终一致性（允许短期延迟）
并发场景	中小并发、写操作较频繁	高并发读、写操作较少
典型应用	库存扣减、订单状态查询	商品详情页、首页轮播图
组合优化	互斥锁 + 逻辑过期： 1. 逻辑过期作为主方案，提升读性能； 2. 后台更新时添加互斥锁，避免并发脏写。

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

4.利用互斥锁解决缓存击穿问题

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

操作锁的代码：

核心思路就是利用redis的setnx方法来表示获取锁，该方法含义是redis中如果没有这个key，则插入成功，返回1，在stringRedisTemplate中返回true，如果有这个key则插入失败，则返回0，在stringRedisTemplate返回false，我们可以通过true，或者是false，来表示是否有线程成功插入key，成功插入的key的线程我们认为他就是获得到锁的线程。

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

操作代码：

 public Shop queryWithMutex(Long id)  {String key = CACHE_SHOP_KEY + id;// 1、从redis中查询商铺缓存String shopJson = stringRedisTemplate.opsForValue().get("key");// 2、判断是否存在if (StrUtil.isNotBlank(shopJson)) {// 存在,直接返回return JSONUtil.toBean(shopJson, Shop.class);}//判断命中的值是否是空值if (shopJson != null) {//返回一个错误信息return null;}// 4.实现缓存重构//4.1 获取互斥锁String lockKey = "lock:shop:" + id;Shop shop = null;try {boolean isLock = tryLock(lockKey);// 4.2 判断否获取成功if(!isLock){//4.3 失败，则休眠重试Thread.sleep(50);return queryWithMutex(id);}//4.4 成功，根据id查询数据库shop = getById(id);// 5.不存在，返回错误if(shop == null){//将空值写入redisstringRedisTemplate.opsForValue().set(key,"",CACHE_NULL_TTL,TimeUnit.MINUTES);//返回错误信息return null;}//6.写入redisstringRedisTemplate.opsForValue().set(key,JSONUtil.toJsonStr(shop),CACHE_NULL_TTL,TimeUnit.MINUTES);}catch (Exception e){throw new RuntimeException(e);}finally {//7.释放互斥锁unlock(lockKey);}return shop;}

5.利用逻辑过期解决缓存击穿问题

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。

如果封装数据：因为现在redis中存储的数据的value需要带上过期时间，此时要么你去修改原来的实体类，要么你

步骤一、

新建一个实体类，我们采用第二个方案，这个方案，对原来代码没有侵入性。

package com.hmdp.utils;import lombok.Builder;
import lombok.Data;import java.io.Serializable;
import java.time.LocalDateTime;@Data
@Builder
public class RedisData implements Serializable {private LocalDateTime expireTime;private Object data;
}

步骤二、

在ShopServiceImpl新增此方法，利用单元测试进行缓存预热

在测试类中

步骤三：正式代码

ShopServiceImpl

private static final ExecutorService CACHE_REBUILD_EXECUTOR = Executors.newFixedThreadPool(10);
public Shop queryWithLogicalExpire( Long id ) {String key = CACHE_SHOP_KEY + id;// 1.从redis查询商铺缓存String json = stringRedisTemplate.opsForValue().get(key);// 2.判断是否存在if (StrUtil.isBlank(json)) {// 3.存在，直接返回return null;}// 4.命中，需要先把json反序列化为对象RedisData redisData = JSONUtil.toBean(json, RedisData.class);Shop shop = JSONUtil.toBean((JSONObject) redisData.getData(), Shop.class);LocalDateTime expireTime = redisData.getExpireTime();// 5.判断是否过期if(expireTime.isAfter(LocalDateTime.now())) {// 5.1.未过期，直接返回店铺信息return shop;}// 5.2.已过期，需要缓存重建// 6.缓存重建// 6.1.获取互斥锁String lockKey = LOCK_SHOP_KEY + id;boolean isLock = tryLock(lockKey);// 6.2.判断是否获取锁成功if (isLock){CACHE_REBUILD_EXECUTOR.submit( ()->{try{//重建缓存this.saveShop2Redis(id,20L);}catch (Exception e){throw new RuntimeException(e);}finally {unlock(lockKey);}});}// 6.4.返回过期的商铺信息return shop;
}

七、封装Redis工具类

基于StringRedisTemplate封装一个缓存工具类，满足下列需求：

* 方法1：将任意Java对象序列化为json并存储在string类型的key中，并且可以设置TTL过期时间
* 方法2：将任意Java对象序列化为json并存储在string类型的key中，并且可以设置逻辑过期时间，用于处理缓存击穿问题

* 方法3：根据指定的key查询缓存，并反序列化为指定类型，利用缓存空值的方式解决缓存穿透问题
* 方法4：根据指定的key查询缓存，并反序列化为指定类型，需要利用逻辑过期解决缓存击穿问题

将逻辑进行封装

@Slf4j
@Component
public class CacheClient {private final StringRedisTemplate stringRedisTemplate;private static final ExecutorService CACHE_REBUILD_EXECUTOR = Executors.newFixedThreadPool(10);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RedisstringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(redisData));}public <R,ID> R queryWithPassThrough(String keyPrefix, ID id, Class<R> type, Function<ID, R> dbFallback, Long time, TimeUnit unit){String key = keyPrefix + id;// 1.从redis查询商铺缓存String json = stringRedisTemplate.opsForValue().get(key);// 2.判断是否存在if (StrUtil.isNotBlank(json)) {// 3.存在，直接返回return JSONUtil.toBean(json, type);}// 判断命中的是否是空值if (json != null) {// 返回一个错误信息return null;}// 4.不存在，根据id查询数据库R r = dbFallback.apply(id);// 5.不存在，返回错误if (r == null) {// 将空值写入redisstringRedisTemplate.opsForValue().set(key, "", CACHE_NULL_TTL, TimeUnit.MINUTES);// 返回错误信息return null;}// 6.存在，写入redisthis.set(key, r, time, unit);return r;}public <R, ID> R queryWithLogicalExpire(String keyPrefix, ID id, Class<R> type, Function<ID, R> dbFallback, Long time, TimeUnit unit) {String key = keyPrefix + id;// 1.从redis查询商铺缓存String json = stringRedisTemplate.opsForValue().get(key);// 2.判断是否存在if (StrUtil.isBlank(json)) {// 3.存在，直接返回return null;}// 4.命中，需要先把json反序列化为对象RedisData redisData = JSONUtil.toBean(json, RedisData.class);R r = JSONUtil.toBean((JSONObject) redisData.getData(), type);LocalDateTime expireTime = redisData.getExpireTime();// 5.判断是否过期if(expireTime.isAfter(LocalDateTime.now())) {// 5.1.未过期，直接返回店铺信息return r;}// 5.2.已过期，需要缓存重建// 6.缓存重建// 6.1.获取互斥锁String lockKey = LOCK_SHOP_KEY + id;boolean isLock = tryLock(lockKey);// 6.2.判断是否获取锁成功if (isLock){// 6.3.成功，开启独立线程，实现缓存重建CACHE_REBUILD_EXECUTOR.submit(() -> {try {// 查询数据库R newR = dbFallback.apply(id);// 重建缓存this.setWithLogicalExpire(key, newR, time, unit);} catch (Exception e) {throw new RuntimeException(e);}finally {// 释放锁unlock(lockKey);}});}// 6.4.返回过期的商铺信息return r;}public <R, ID> R queryWithMutex(String keyPrefix, ID id, Class<R> type, Function<ID, R> dbFallback, Long time, TimeUnit unit) {String key = keyPrefix + id;// 1.从redis查询商铺缓存String shopJson = stringRedisTemplate.opsForValue().get(key);// 2.判断是否存在if (StrUtil.isNotBlank(shopJson)) {// 3.存在，直接返回return JSONUtil.toBean(shopJson, type);}// 判断命中的是否是空值if (shopJson != null) {// 返回一个错误信息return null;}// 4.实现缓存重建// 4.1.获取互斥锁String lockKey = LOCK_SHOP_KEY + id;R r = null;try {boolean isLock = tryLock(lockKey);// 4.2.判断是否获取成功if (!isLock) {// 4.3.获取锁失败，休眠并重试Thread.sleep(50);return queryWithMutex(keyPrefix, id, type, dbFallback, time, unit);}// 4.4.获取锁成功，根据id查询数据库r = dbFallback.apply(id);// 5.不存在，返回错误if (r == null) {// 将空值写入redisstringRedisTemplate.opsForValue().set(key, "", CACHE_NULL_TTL, TimeUnit.MINUTES);// 返回错误信息return null;}// 6.存在，写入redisthis.set(key, r, time, unit);} catch (InterruptedException e) {throw new RuntimeException(e);}finally {// 7.释放锁unlock(lockKey);}// 8.返回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);}
}

看到这如果有用的话记得点赞关注哦，后续会更新更多内容的！！