当前位置：首页 > news >正文

向google提交网站微信抽奖小程序怎么做

news 2025/10/26 14:27:47

向google提交网站,微信抽奖小程序怎么做,wordpress修改登录图标,wordpress怎么改缓存是Java应用性能优化的"利器"，能将数据库访问压力降低80%以上。但不合理的缓存策略会导致缓存雪崩、数据不一致等问题，反而影响系统稳定性。本文将聚焦缓存策略优化的三个核心方向，通过电商、秒杀等真实场景案例，详解…

缓存是Java应用性能优化的"利器"，能将数据库访问压力降低80%以上。但不合理的缓存策略会导致缓存雪崩、数据不一致等问题，反而影响系统稳定性。本文将聚焦缓存策略优化的三个核心方向，通过电商、秒杀等真实场景案例，详解如何设计高效、可靠的缓存架构。

一、多级缓存设计：本地缓存 + 分布式缓存的"黄金组合"

单一缓存方案难以兼顾性能与一致性，多级缓存通过"本地缓存抗高频访问，分布式缓存保一致性"的组合，实现性能与可靠性的平衡。

为什么需要多级缓存？

不同缓存方案的特性对比：

缓存类型	访问速度	内存成本	分布式一致性	适用场景
本地缓存（Caffeine）	微秒级（最快）	较高（每个实例单独占用）	差（实例间不共享）	高频访问、变化少的热点数据
分布式缓存（Redis）	毫秒级	较低（集中存储）	好（集群共享）	跨实例共享数据、一致性要求高的场景

结论：本地缓存适合抗住高频访问的"流量尖峰"，分布式缓存适合保证跨服务的数据一致性。

实战：Caffeine + Redis 多级缓存实现

以电商商品详情查询为例，实现"本地缓存→Redis→数据库"的三级查询链路。

1. 依赖引入

<!-- pom.xml -->
<!-- 本地缓存 Caffeine -->
<dependency><groupId>com.github.ben-manes.caffeine</groupId><artifactId>caffeine</artifactId><version>3.1.8</version>
</dependency><!-- 分布式缓存 Redis -->
<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>

2. 缓存配置

@Configuration
public class CacheConfig {// 1. 本地缓存 Caffeine 配置@Beanpublic Caffeine<Object, Object> caffeineConfig() {return Caffeine.newBuilder().maximumSize(10_000) // 最大缓存条目（根据内存调整）.expireAfterWrite(5, TimeUnit.MINUTES) // 写入后5分钟过期.recordStats(); // 开启统计（用于监控命中率）}@Beanpublic Cache<String, Object> localCache(Caffeine<Object, Object> caffeine) {return caffeine.build();}// 2. Redis 缓存配置@Beanpublic RedisCacheManager redisCacheManager(RedisConnectionFactory factory) {// 序列化配置（解决对象存储问题）RedisSerializer<String> keySerializer = new StringRedisSerializer();GenericJackson2JsonRedisSerializer valueSerializer = new GenericJackson2JsonRedisSerializer();RedisCacheConfiguration config = RedisCacheConfiguration.defaultCacheConfig().entryTtl(Duration.ofMinutes(30)) // 默认30分钟过期.serializeKeysWith(RedisSerializationContext.SerializationPair.fromSerializer(keySerializer)).serializeValuesWith(RedisSerializationContext.SerializationPair.fromSerializer(valueSerializer)).disableCachingNullValues(); // 不缓存null值（避免缓存穿透）// 针对不同业务设置不同过期时间Map<String, RedisCacheConfiguration> cacheConfigs = new HashMap<>();cacheConfigs.put("product", config.entryTtl(Duration.ofHours(1))); // 商品缓存1小时cacheConfigs.put("user", config.entryTtl(Duration.ofMinutes(10))); // 用户缓存10分钟return RedisCacheManager.builder(factory).cacheDefaults(config).withInitialCacheConfigurations(cacheConfigs).build();}
}

3. 多级缓存查询实现

@Service
public class ProductService {@Autowiredprivate ProductMapper productMapper;@Autowiredprivate Cache<String, Object> localCache; // Caffeine本地缓存@Autowiredprivate RedisCacheManager redisCacheManager;/*** 商品详情查询：先查本地缓存，再查Redis，最后查数据库*/public ProductDTO getProductDetail(Long productId) {String cacheKey = "product:" + productId;ProductDTO result;// 1. 查本地缓存（Caffeine）result = (ProductDTO) localCache.getIfPresent(cacheKey);if (result != null) {log.info("从本地缓存获取商品：{}", productId);return result;}// 2. 查分布式缓存（Redis）RedisCache productCache = (RedisCache) redisCacheManager.getCache("product");result = productCache.get(cacheKey, ProductDTO.class);if (result != null) {log.info("从Redis获取商品：{}", productId);// 同步到本地缓存，减少下次查询开销localCache.put(cacheKey, result);return result;}// 3. 查数据库log.info("从数据库查询商品：{}", productId);Product product = productMapper.selectById(productId);if (product == null) {return null;}result = convertToDTO(product);// 4. 写入缓存（先写Redis，再写本地）productCache.put(cacheKey, result);localCache.put(cacheKey, result);return result;}// 数据库更新时，同步删除缓存（避免数据不一致）@Transactionalpublic void updateProduct(ProductDTO dto) {String cacheKey = "product:" + dto.getId();// 1. 更新数据库Product product = convertToEntity(dto);productMapper.updateById(product);// 2. 删除缓存（避免脏数据）localCache.invalidate(cacheKey); // 清除本地缓存RedisCache productCache = (RedisCache) redisCacheManager.getCache("product");productCache.evict(cacheKey); // 清除Redis缓存}
}

多级缓存的性能提升

某电商商品详情接口优化前后对比（日均1000万访问）：

指标	仅用Redis	多级缓存（Caffeine+Redis）	提升幅度
平均响应时间	35ms	8ms	77%
Redis访问量	1000万次/天	300万次/天	70%
数据库访问量	100万次/天	30万次/天	70%
缓存命中率	90%	97%	7%

二、缓存失效策略：避免雪崩、击穿、穿透的"三板斧"

缓存失效是导致系统故障的常见原因，三种典型问题需针对性解决：

1. 缓存雪崩：大量缓存同时失效导致数据库压垮

问题场景：若所有商品缓存都设置在凌晨2点过期，凌晨2点后大量请求会直接冲击数据库，导致数据库宕机。

解决方案：过期时间加随机偏移量，避免"集体失效"。

// 错误：所有缓存使用固定过期时间
redisTemplate.opsForValue().set(cacheKey, value, 30, TimeUnit.MINUTES);// 正确：添加随机偏移量（±5分钟）
int baseExpire = 30; // 基础过期时间30分钟
int random = new Random().nextInt(10) - 5; // -5到5的随机数
redisTemplate.opsForValue().set(cacheKey, value, baseExpire + random, TimeUnit.MINUTES);

进阶方案：使用Redis集群+持久化，避免缓存服务整体宕机；数据库添加限流保护（如Sentinel）。

2. 缓存击穿：热点数据过期瞬间被高并发穿透

问题场景：某秒杀商品缓存过期瞬间，10万并发请求直接查询数据库，导致数据库过载。

解决方案：互斥锁+双重检查，只让一个请求去数据库加载数据。

/*** 带互斥锁的缓存查询（解决缓存击穿）*/
public ProductDTO getSeckillProduct(Long productId) {String cacheKey = "seckill:product:" + productId;ProductDTO result;// 1. 先查缓存result = (ProductDTO) redisTemplate.opsForValue().get(cacheKey);if (result != null) {return result;}// 2. 缓存不存在，获取互斥锁String lockKey = "lock:" + cacheKey;boolean locked = false;try {// 尝试获取锁（3秒过期，避免死锁）locked = redisTemplate.opsForValue().setIfAbsent(lockKey, "1", 3, TimeUnit.SECONDS);if (locked) {// 3. 双重检查：再次查缓存（防止其他线程已加载）result = (ProductDTO) redisTemplate.opsForValue().get(cacheKey);if (result != null) {return result;}// 4. 只有一个线程能走到这里，查数据库result = loadFromDb(productId);if (result != null) {// 热点数据设置较长过期时间（如1小时）redisTemplate.opsForValue().set(cacheKey, result, 60, TimeUnit.MINUTES);}return result;} else {// 5. 未获取到锁，等待100ms后重试Thread.sleep(100);return getSeckillProduct(productId); // 递归重试}} finally {// 6. 释放锁if (locked) {redisTemplate.delete(lockKey);}}
}

更优方案：使用Redisson的分布式锁（自带自动续期，避免锁提前释放）：

@Autowired
private RedissonClient redissonClient;public ProductDTO getSeckillProduct(Long productId) {String cacheKey = "seckill:product:" + productId;ProductDTO result = (ProductDTO) redisTemplate.opsForValue().get(cacheKey);if (result != null) return result;RLock lock = redissonClient.getLock("lock:" + cacheKey);try {// 尝试获取锁（等待1秒，10秒自动释放）if (lock.tryLock(1, 10, TimeUnit.SECONDS)) {// 双重检查+加载数据（同上）// ...} else {// 重试或返回默认值Thread.sleep(100);return getSeckillProduct(productId);}} finally {if (lock.isHeldByCurrentThread()) {lock.unlock();}}
}

3. 缓存穿透：查询不存在的数据导致缓存失效

问题场景：黑客恶意查询不存在的商品ID（如-1、999999），由于缓存不存这些数据，所有请求都会穿透到数据库，导致数据库压力过大。

解决方案：布隆过滤器拦截无效请求 + 空值缓存。

步骤1：初始化布隆过滤器（启动时加载所有有效ID）

@Component
public class ProductBloomFilterInitializer implements CommandLineRunner {@Autowiredprivate ProductMapper productMapper;@Autowiredprivate RedissonClient redissonClient;// 布隆过滤器预期插入量（根据实际商品数调整）private static final long EXPECTED_INSERTIONS = 10_000_000;// 误判率（0.01 = 1%）private static final double FALSE_POSITIVE_RATE = 0.01;@Overridepublic void run(String... args) throws Exception {// 获取Redis布隆过滤器RBloomFilter<Long> bloomFilter = redissonClient.getBloomFilter("product:id:bloom");// 初始化布隆过滤器bloomFilter.tryInit(EXPECTED_INSERTIONS, FALSE_POSITIVE_RATE);// 批量加载所有商品ID（分批查询，避免OOM）int batchSize = 1000;long total = productMapper.count();for (long i = 0; i < total; i += batchSize) {List<Long> ids = productMapper.selectIds(i, i + batchSize);ids.forEach(bloomFilter::add);}log.info("布隆过滤器初始化完成，加载商品ID总数：{}", total);}
}

步骤2：查询时先通过布隆过滤器拦截

public ProductDTO getProductDetail(Long productId) {// 1. 布隆过滤器快速判断：不存在的ID直接返回RBloomFilter<Long> bloomFilter = redissonClient.getBloomFilter("product:id:bloom");if (!bloomFilter.contains(productId)) {log.warn("无效商品ID：{}，布隆过滤器拦截", productId);return null;}String cacheKey = "product:" + productId;ProductDTO result;// 2. 查缓存（本地+Redis）// ...（同上）// 3. 数据库查询结果为空时，缓存空值（设置短期过期）if (result == null) {log.info("商品{}不存在，缓存空值", productId);redisTemplate.opsForValue().set(cacheKey, null, 5, TimeUnit.MINUTES); // 空值缓存5分钟localCache.put(cacheKey, null);return null;}// 4. 写入缓存（正常流程）// ...
}

效果：无效请求被布隆过滤器拦截，数据库访问量减少99%。

三、热点数据预热：把"流量尖峰"扼杀在缓存里

缓存预热是指在流量到来前，主动将热点数据加载到缓存中，避免缓存未命中时的数据库压力。

预热时机与场景

预热时机	适用场景	实现方式
系统启动时	基础数据（如商品分类、地区信息）	CommandLineRunner/ApplicationRunner
定时任务	周期性热点数据（如每日热销商品）	@Scheduled
流量增长前	促销活动、秒杀商品	接口触发/消息通知

实战1：系统启动预热基础数据

@Component
public class BasicDataPreloader implements CommandLineRunner {@Autowiredprivate CategoryService categoryService;@Autowiredprivate Cache<String, Object> localCache;@Autowiredprivate RedisCacheManager redisCacheManager;@Overridepublic void run(String... args) throws Exception {log.info("开始预热基础数据...");long startTime = System.currentTimeMillis();// 1. 加载所有商品分类List<CategoryDTO> categories = categoryService.getAllCategories();RedisCache categoryCache = (RedisCache) redisCacheManager.getCache("category");// 2. 写入缓存for (CategoryDTO category : categories) {String cacheKey = "category:" + category.getId();categoryCache.put(cacheKey, category);localCache.put(cacheKey, category);}long cost = System.currentTimeMillis() - startTime;log.info("基础数据预热完成，加载分类{}个，耗时{}ms", categories.size(), cost);}
}

实战2：秒杀活动前预热商品数据

@Service
public class SeckillPreheatService {@Autowiredprivate ProductMapper productMapper;@Autowiredprivate RedisTemplate<String, Object> redisTemplate;/*** 预热秒杀商品数据（活动开始前10分钟调用）*/public void preheatSeckillProducts(List<Long> productIds) {log.info("开始预热秒杀商品：{}", productIds);// 1. 批量查询商品数据List<Product> products = productMapper.selectBatchIds(productIds);if (CollectionUtils.isEmpty(products)) {log.warn("无秒杀商品需要预热");return;}// 2. 批量写入Redis（使用pipeline减少网络开销）redisTemplate.executePipelined((RedisCallback<Object>) connection -> {for (Product product : products) {String cacheKey = "seckill:product:" + product.getId();ProductDTO dto = convertToDTO(product);// 序列化对象byte[] key = redisTemplate.getStringSerializer().serialize(cacheKey);byte[] value = redisTemplate.getValueSerializer().serialize(dto);// 设置过期时间为2小时（覆盖活动时间）connection.setEx(key, 7200, value);}return null;});log.info("秒杀商品预热完成，共{}个", products.size());}
}// 定时任务：活动前10分钟触发预热
@Scheduled(cron = "0 50 23 * * ?") // 每天23:50执行（假设活动0点开始）
public void schedulePreheat() {List<Long> tomorrowSeckillProductIds = seckillService.getTomorrowProductIds();seckillPreheatService.preheatSeckillProducts(tomorrowSeckillProductIds);
}