分布式存储-Redis&常用数据库(Profile)
实际上我们使用Redis的初衷就是为了优化数据库，当我们用户的行为增加了，我们数据库的IO就增加了,Redis的数据是存储在内存中，而我们的传统的数据的数据是存储在磁盘中，就存储在内存这一方面Redis就优化了数据的读取速度。本篇中聊一聊常用的Redis数据结构、不同的存储数据带来的性能提升、常用的数据库优化手段
数据库层面的优化手段
【池化技术】：实现连接资源的复用（本质上是降低资源创建和销毁的开销），当我们去链接数据库的会发送一个TCP请求到数据库上，如果使用池化技术，那就节省了很多时间，提升了性能。
【数据库本身层面的优化】：
【索引】：当没有索引的时候，我们去查询数据，他会去扫描磁盘轨道，有了索引就相当于通过一个点直接进行定位，这样速度就快了很多
【数据量的传输】：我们可以尽量减少数据量的传输，少查询一些不必要的数据，肯定就提高性能。
【数据库的读写分离】：如果没有做读写分离，每个数据在进行事务操作的时候就会加锁，从而影响了查询的速度
常见的数据库类型
数据库的发展历史是->关系型数据库->NOSQL->NEWSQL
【KV数据库】：
- 键值形式
- 数据存储在内存中（无法支持海量存储）
- 时间复杂度是O(1)
【列式数据库】：比如一些实时报表、监控数据等场景适合
- 统计数据速度快（相同的数据存储在一起）
- 事务处理速度慢（需要在加载不同的存储块中数据进行处理，因为处理的是一条数据中的不用类型）
【 文档型】：把相关的一系列数据存储在一个文档中，平常我们查询用户、文章、用户评论三张表才能得到一个完整的信息，现在把这些都存储在一起，一下就能检索出来。
【NEWSQL】：NOSQL的下一个阶段衍生出来的一种思想；拥有传统的关系型数据库的的核心特性，也拥有NOSQL的特性
【图形数据库】：传统数据库中，可能在一个给定实体中有很多关系，比如一个专家评分，牵扯到标书表，招标表、投标表、专家组长表、专家类型表等等，而在图形数据库中这些就抽象成一个个节点，创建相应的关系即可，这些组合成专家评分的数据所需的表只是节点集中的节点。
Redis（K-V 数据库） http://doc.redisfans.com/（常用命令）
Redis已经是一个众所周知的技术了，这里就不讲他的安装以及介绍他的。安装的时候有一个坑的地方就是我们的GCC必须是5.3版本以上，要不安装Redis就会报错。用YUM默认是4.*，使用以下命令可以升级他的版本到9，就可以解决报错的问题
- # 升级到gcc 9.3：
- yum -y install centos-release-scl
- yum -y install devtoolset-9-gcc devtoolset-9-gcc-c++ devtoolset-9-binutils
- scl enable devtoolset-9 bash
- # 需要注意的是scl命令启用只是临时的，退出shell或重启就会恢复原系统gcc版本。
- # 如果要长期使用gcc 9.3的话：
- echo -e " source /opt/rh/devtoolset-9/enable" >>/etc/profile
这里用Jemeter压测了两个接口，一个是从数据库直接读取数据的，另外一个是把数据缓存在Redis中然后读取的，我们发现使用Redis查询数据的接口每秒的吞吐量多了一倍。所以这是我们使用他的一个原因。
【数据类型】
String:Redis是用c开发的，C中并没有string类型，所以他的底层实际上是使用了一个动态的sds(因为我们string的长度是不固定的，所以他用了一个动态的结构)，在sds的结构中才使用了一个char数组对我们的string进行存储
【常见命令】：
这里有一些特殊的命令
incr 和 decr：这个命令是原子的，他可以保证线程安全的特性。因为Redis是单线程的，所以他可以保证原子性,那我们就可以用这个来做分布式id。
setnx: 我们可以用这个特性做我们的分布式锁，我们知道锁的特性是排他的，那当返回0的时候，则证明有一个数据已经存在了，这样就巧妙的使用了这个功能。
【使用场景】：
【缓存应用】：缓存热点数据
【全局id】：使用incr 进行递增
【限流】:（比如设置一个key为一个用户id，然后value的值的过期时间设置60s（根据自己需要），然后配合incr 进行递增，当value的数值大于我们能接受的数据，我们就关闭访问通道）
【分布式session】:他等于是一个全局的视角，第三方的，所以我们的所有微服务都可以去这里获取数据。
List:是一个有序，且可重复的字符串链表，是一个栈+堆结构，可以支持非or阻塞的FIFO/LIFO，
简而言之：他是一个Quicklist结构（就是个双向链表，每个节点中存储的是一个ziplist（压缩列表，前面的线程篇章我们讲了cpu的做高速缓存的时候一次读取的一个缓存行的数据，为了防止伪共享，如果当前的位置不是满的，则自动补0，压缩列表就是让每个位置都存储有效的数据，而不是用0代替，这就让性能大大提升，让cpu每次读取的都是有效的数据，并且节省内存））
【常见命令】
【使用场景】：
【消息队列】：我们使用lpush入队一个数据，用rpop从右边出队一个数据
【发送红包场景】：我们在发送前面计算好红包的个数和金额，用lpush入队，然后抽取红包的时候使用rpop出队。其实秒杀也行，我们把库存数据直接放在Redis中，然后还是相同的操作
hash:当hash个数小于512的时候，以及所有的数值都小于64个字节的时候，默认情况下会通过ziplist存储多个数据元素，因为数据量小的时候，使用ziplist去存储可以节省内存空间，并且检索不会太慢，但是超过这个阈值的时候，他就会采用hashtable进行存储，因为hashtable的读写时间复杂度是o(1)
【常见命令】
【使用场景】：
购物车、商品详情数据、用户信息、计数器、so on
Set:是一个无序，并且唯一的集合 (https://www.cnblogs.com/xinhuaxuan/p/9256738.html) 如果set中存储的都会整形他都会使用intset进行存储，否则用hashtable进行存储
【使用场景】：
用户画像、标签管理
zset：他是一个有序的的集合，在每个value前面维护了一个score，基于每个score进行排序。看下面的命令我们发现，可以通过key和score进行检索数据，他的底层实际上是使用了hashtable和跳表进行存储的，如果我想通过key去检索数据，那就使用hashtable进行检索（他的时间复杂度是0（1）），而当我们使用score去检索的话，那就使用跳表进行检索（我们知道跳表有等级，当我们要检索某个数据的时候，他不在某个等级的话，就会跳到下一个等级去进行检索，他的时间复杂度是o(log)），实际上不管使用跳表还是hashtable他们都是一个指针指向原数据，这样就可以防止内存浪费
【常见命令】
【使用场景】：
用户点赞排行、热点话题排行，因为每个数据中都有score，用score我们就可以计算出排行
