• Redis笔记整理(三):进阶操作与高级部分


    Redis发布订阅

    Redis发布订阅(pub/sub)是一种消息通信模式:发送者(pub)发送消息,订阅者(sub)接收消息。
    Redis客户端可以订阅任意数量的频道。
    下图展示了频道channel1,以及订阅这个频道的三个客户端——client1client2client5之间的关系。
    当有新消息通过PUBLISH命令发送给频道channel1时,这个消息就会被发送给订阅它的三个客户端:

    相关操作命令如下:

    命令描述
    PSUBSCRIBE pattern [pattern …] 订阅一个或多个符合给定模式的频道
    PUSBSUB subcommand [argument [argument…]] 查看订阅与发布系统状态
    PUBLISH channel message 将消息发送到指定的频道
    PUNSUBSCRIBE [ pattern [pattern …]] 退订所有给定模式的频道
    SUBSCRIBE channel [channel …] 订阅给定的一个或多个频道的信息
    UNSUBSCRIBE [channel [channel …]] 指退订给定的频道

    举例如下:

    创建的订阅频道名为redisChat
    localhost:6379> SUBSCRIBE redisChat
    1) "subscribe"
    2) "redisChat
       重新打开一个新的redis客户端,然后在同一个频道redisChat发布两次消息,订阅者就能接收到相关消息。
    127.0.0.1:6379> PUBLISH redisChat "jack is handsome boy"
    这时在订阅端中很快就可以看到该消息。

    Redis事务

      Redis事务可以一次执行多个命令,并且带有以下两个重要的保证:
       事务是一个单独的隔离操作:事务中的所有命令都会序列化、按顺序地执行。
                              事务在执行的过程中,不会被其他客户端发送来的命令请求所打断。
       事务是一个原子操作:事务中的命令要么全部被执行,要么全部都不执行。
    
       一个事务从开始到执行会经历三个阶段:
          开始事务。
          命令入队。
          执行事务。

    其相关操作命令如下:

    命令描述
    DISCARD 取消事务,放弃执行事务块内的所有命令
    EXEC 执行所有事务块内的命令
    MULTI 标记一个事务块的开始
    UNWATCH 取消WATCH命令对所有key的监视
    WATCH key [key …] 监视一个或多个key,如果在事务执行之前这些key被其它命令所改动,那么事务将被打断

    举例如下:

    uplooking01:7001> get name
    "xpleaf"
    uplooking01:7001> MULTI
    OK
    uplooking01:7001> get name
    QUEUED
    uplooking01:7001> set name yyh
    QUEUED
    uplooking01:7001> get name
    QUEUED
    uplooking01:7001> EXEC
    1) "xpleaf"
    2) OK
    3) "yyh"

    Redis命令总结

    Redis的常用命令主要分为两个方面、一个是键值相关命令、一个是服务器相关命令
    1、键值相关命令
          keys * 取出当前所有的key
          exists name 查看redis是否有name这个key
          del name 删除key name
          expire confirm 100 设置confirm这个key100秒过期
          ttl confirm 获取confirm 这个key的有效时长
          select 0 选择到0数据库 redis默认的数据库是0~15一共16个数据库
          move confirm 1 将当前数据库中的key移动到其他的数据库中,
          persist confirm 移除confirm这个key的过期时间
          randomkey 随机返回数据库里面的一个key
          rename key2 key3 重命名key2 key3
          type key2 返回key的数据类型
    2、服务器相关命令
          ping PONG返回响应是否连接成功
          echo 在命令行打印一些内容
          select 0~15 编号的数据库
          quit  /exit 退出客户端
          dbsize 返回当前数据库中所有key的数量
          info 返回redis的相关信息
          config get dir/* 实时传储收到的请求
          flushdb 删除当前选择数据库中的所有key
          flushall 删除所有数据库中的数据库

    Redis安全

    我们可以通过redis的配置文件设置密码参数,这样客户端连接到redis服务就需要密码验证,这样可以让你的redis服务更安全。

    我们可以通过以下命令查看是否设置了密码验证:

    uplooking01:7001> config get requirepass
    1) "requirepass"
    2) ""

    默认情况下requirepass参数是空的,这就意味着无需密码验证就可以连接到redis服务。如果设置密码,客户端连接redis服务就需要密码验证。否则无法执行命令,有两方式完成认证:

    可以在连接时就指定密码:redis-cli -h uplooking03 -a uplooking
    也可以先连接,到终端后再认证:auth uplooking

    Redis管道与性能测试

       Redis是一种基于客户端-服务端模型以及请求/响应协议的TCP服务。这意味着通常情况下一个请求会遵循以下步骤:
       客户端向服务端发送一个查询请求,并监听scoket返回,通常是以阻塞模式,等待服务端响应。
       服务端处理命令,并将结果返回给客户端。
       Redis管道技术可以在服务端末响应时,客户端可以继续想服务端发送请求,并最终一次性读取所有服务端的相应。

    下面使用Java代码来进行测试:

    package com.uplooking.bigdata;
    
    import com.uplooking.bigdata.common.util.redis.JedisUtil;
    import org.junit.Test;
    import redis.clients.jedis.Jedis;
    import redis.clients.jedis.Pipeline;
    
    /**
     * 使用管道和不使用管道的性能测试对比
     */
    public class PipelineTest {
    
        @Test
        public void testPipeline() {
            int count = 10000;
            // 标记不使用管道操作时的开始时间
            long start = System.currentTimeMillis();
            // 不使用管道执行操作
            withoutPipeline(count);
            // 标记不使用管道操作时的结束时间
            long end = System.currentTimeMillis();
            // 输出不使用管道进行操作时所消耗的时间
            System.out.println("withoutPipeline: " + (end-start));
            // 标记使用管道操作时的开始时间
            start = System.currentTimeMillis();
            // 使用管道执行操作
            usePipeline(count);
            // 标记使用管道操作时的结束时间
            end = System.currentTimeMillis();
            // 输出使用管道进行操作时所消耗的时间
            System.out.println("usePipeline: " + (end-start));
        }
    
        private void withoutPipeline(int count) {
            JedisUtil.getJedis();
            Jedis jedis = JedisUtil.getJedis();
            for(int i =0; i < count; i++) {
                jedis.incr("testKey1");
            }
            cleanUp(jedis);
        }
    
        private void usePipeline(int count) {
            Jedis jedis = JedisUtil.getJedis();
            Pipeline pl = jedis.pipelined();
            for(int i =0; i < count; i++) {
                pl.incr("testKey1");
            }
            pl.sync();
            cleanUp(jedis);
        }
    
        public void cleanUp(Jedis jedis) {
            JedisUtil.returnJedis(jedis);
        }
    }

    JedisUtil可以查看前面的代码,这里就不再给出。

    输出结果如下:

    withoutPipeline: 1935
    usePipeline: 60

    测试结果还是有明显的差距,所以多次操作使用pipeline还是有明显的优势。

    Redis性能测试:读写能力查看

     Redis性能测试是通过同时执行多个命令实现的。
    语法
      redis-benchmark [option] [option-value]
    实例
      以下实例同时执行10000个请求来检测性能:
      1)、redis-benchmark -n 100000
      2)、redis-benchmark -h localhost -p 6379 -t set,lpush -n 100000 -q

    其常见的命令选项如下:

    选项描述默认值
    -h 指定服务器主机名 127.0.0.1
    -p 指定服务器端口 6379
    -s 指定服务器socket  
    -c 指定并发连接数 50
    -n 指定请求数 10000
    -d 以字节的形式指定set/get值的数据大小 2
    -k 1=keep alive 0=reconnect 1
    -r set/get/incr使用随机key,sadd使用随机值  
    -P 通过管道传输请求 1
    -q 强制退出redis。仅显示query/sec值  
    -csv 以CSV格式输出  
    -l 生产循环,永久执行测试  
    -t 仅运行以逗号分割的测试命令列表  
    -I Idle模式。仅打开N个idle连接并等待  

    完整测试案例

    [uplooking@uplooking01 ~]$ redis-benchmark -h uplooking01 -p 6379 -n 100000 -c 20
    ====== PING_INLINE ======
      100000 requests completed in 1.29 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.96% <= 1 milliseconds
    100.00% <= 1 milliseconds
    77459.34 requests per second
    
    ====== PING_BULK ======
      100000 requests completed in 1.33 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.95% <= 1 milliseconds
    99.96% <= 2 milliseconds
    100.00% <= 2 milliseconds
    75187.97 requests per second
    
    ====== SET ======
      100000 requests completed in 1.29 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.96% <= 1 milliseconds
    99.98% <= 2 milliseconds
    99.98% <= 4 milliseconds
    99.99% <= 5 milliseconds
    100.00% <= 5 milliseconds
    77339.52 requests per second
    
    ====== GET ======
      100000 requests completed in 1.35 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.98% <= 1 milliseconds
    100.00% <= 1 milliseconds
    74239.05 requests per second
    
    ====== INCR ======
      100000 requests completed in 1.29 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.98% <= 1 milliseconds
    100.00% <= 1 milliseconds
    77279.75 requests per second
    
    ====== LPUSH ======
      100000 requests completed in 1.28 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.98% <= 1 milliseconds
    100.00% <= 1 milliseconds
    77821.02 requests per second
    
    ====== RPUSH ======
      100000 requests completed in 1.28 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.94% <= 1 milliseconds
    100.00% <= 1 milliseconds
    77881.62 requests per second
    
    ====== LPOP ======
      100000 requests completed in 1.27 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.99% <= 1 milliseconds
    100.00% <= 1 milliseconds
    78616.35 requests per second
    
    ====== RPOP ======
      100000 requests completed in 1.27 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.92% <= 1 milliseconds
    100.00% <= 1 milliseconds
    78678.20 requests per second
    
    ====== SADD ======
      100000 requests completed in 1.34 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.99% <= 1 milliseconds
    100.00% <= 1 milliseconds
    74404.77 requests per second
    
    ====== SPOP ======
      100000 requests completed in 1.34 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.96% <= 1 milliseconds
    100.00% <= 1 milliseconds
    74738.41 requests per second
    
    ====== LPUSH (needed to benchmark LRANGE) ======
      100000 requests completed in 1.27 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.96% <= 1 milliseconds
    100.00% <= 1 milliseconds
    78492.93 requests per second
    
    ====== LRANGE_100 (first 100 elements) ======
      100000 requests completed in 2.81 seconds
      20 parallel clients
      3 bytes payload
      keep alive: 1
    
    99.87% <= 1 milliseconds
    99.98% <= 2 milliseconds
    100.00% <= 3 milliseconds
    35536.61 requests per second
    
    ====== LRANGE_300 (first 300 elements)======100000 requests completed in7.59 seconds
      20 parallel clients
      3 bytes payload
      keep alive:197.91%<=1 milliseconds
    99.83%<=2 milliseconds
    99.96%<=3 milliseconds
    100.00%<=4 milliseconds
    100.00%<=4 milliseconds
    13166.56 requests per second
    
    ====== LRANGE_500 (first 450 elements)======100000 requests completed in10.27 seconds
      20 parallel clients
      3 bytes payload
      keep alive:137.79%<=1 milliseconds
    99.54%<=2 milliseconds
    99.91%<=3 milliseconds
    99.97%<=4 milliseconds
    99.99%<=5 milliseconds
    100.00%<=6 milliseconds
    100.00%<=6 milliseconds
    9734.25 requests per second
    
    ====== LRANGE_600 (first 600 elements)======100000 requests completed in13.01 seconds
      20 parallel clients
      3 bytes payload
      keep alive:10.72%<=1 milliseconds
    98.59%<=2 milliseconds
    99.76%<=3 milliseconds
    99.94%<=4 milliseconds
    99.98%<=5 milliseconds
    100.00%<=6 milliseconds
    7689.35 requests per second
    
    ====== MSET (10 keys)======100000 requests completed in1.69 seconds
      20 parallel clients
      3 bytes payload
      keep alive:199.98%<=1 milliseconds
    100.00%<=1 milliseconds
    59241.71 requests per second

    可以看到执行了多个命令进行测试,如果只是希望测试部分命令的性能情况,可以参考下面的部分测试案例。

    部分测试案例

    [uplooking@uplooking01 ~]$ redis-benchmark -h uplooking01 -p 6379 -t set,lpush -n 100000 -q
    SET: 75301.21 requests per second
    LPUSH: 77101.00 requests per second

    通过上面的测试,我们就可以知道我们的Redis环境的读写能力究竟如何。

    Redis数据持久化

    RDB(默认)

    rdb方式的持久化是通过快照完成的,当符合一定条件时redis会自动将内存中的所有数据执行快照操作并存储到硬盘上。
    默认存储在dump.rdb文件中。(文件名在配置文件中dbfilename)
    redis进行快照的时机(在配置文件redis.conf中)
    save 900 1:表示900秒内至少一个键被更改则进行快照。
    save 300 10
    save 60 10000
    redis自动实现快照的过程,见下面的文档内容)
    
    手动执行save或者bgsave命令让redis执行快照。
    两个命令的区别在于,save是由主进程进行快照操作,会阻塞其它请求。bgsave是由redis执行fork函数复制出一个子进程来进行快照操作。
    文件修复:redis-check-dump
    
    rdb的优缺点
    优点:由于存储的有数据快照文件,恢复数据很方便。
    缺点:会丢失最后一次快照以后更改的所有数据。

    redis实现快照的过程:

    1redis使用fork函数复制一份当前进程的副本(子进程)
    2:父进程继续接收并处理客户端发来的命令,而子进程开始将内存中的数据写入硬盘中的临时文件
    3:当子进程写入完所有数据后会用该临时文件替换旧的RDB文件,至此,一次快照操作完成。
    
    注意:redis在进行快照的过程中不会修改RDB文件,只有快照结束后才会将旧的文件替换成新的,也就是说任何时候RDB文件都是完整的。
    这就使得我们可以通过定时备份RDB文件来实现redis数据库的备份
    RDB文件是经过压缩的二进制文件,占用的空间会小于内存中的数据,更加利于传输。

    AOF

    AOF基本配置

    aof方式的持久化是通过日志文件的方式。默认情况下redis没有开启aof,可以通过参数appendonly参数开启。
        appendonly yes
    
    aof文件的保存位置和rdb文件的位置相同,都是dir参数设置的,默认的文件名是appendonly.aof,可以通过         appendfilename参数修改
        appendfilename appendonly.aof

    redis写命令同步的时机:

    #appendfsync always 每次都会执行
    appendfsync everysec 默认 每秒执行一次同步操作(推荐,默认)
    #appendfsync no不主动进行同步,由操作系统来做,30秒一次

    另外查看aof日志文件,它的内容如下:

    [uplooking@uplooking01 redis]$ tail -f appendonly.aof
    single
    $2
    no
    *3
    $3
    SET
    $3
    age
    $2
    18

    其相关符号的说明如下:

    *<参数数量>
    $<参数 1 的字节数量> 
    <参数 1 的数据> 
    ...
    $<参数 N 的字节数量> 
    <参数 N 的数据>

    aof日志文件重写

      auto-aof-rewrite-percentage 100(当目前aof文件大小超过上一次重写时的aof文件大小的百分之多少时会再次进行重写,如果之前没有重写,则以启动时的aof文件大小为依据)
      auto-aof-rewrite-min-size 64mb
      手动执行bgrewriteaof进行重写
      重写的过程只和内存中的数据有关,和之前的aof文件无关。
      所谓的“重写”其实是一个有歧义的词语, 实际上, 
      AOF 重写并不需要对原有的 AOF 文件进行任何写入和读取, 它针对的是数据库中键的当前值。
    
    文件修复:redis-check-aof

    对于aof日志文件重写的概念再进一步说明:

    所谓“重写”其实是一个有歧义的词语,实际上,AOF重写并不需要对原有AOF文件进行任何写入和读取,
    它针对的是数据库中键的当前值。
    
    假设服务器对键list执行了以下四条命令:
    127.0.0.1:6379[1]> RPUSH list 1 2 3 4    //[1,2,3,4]
    127.0.0.1:6379[1]> RPOP list                    //[1,2,3]
    127.0.0.1:6379[1]> LPOP list            //[2,3]
    当前列表键list在数据库中的值就为[2,3]。要保存这个列表的当前状态,并且尽量减少使用的命令数,
    最简单的方式不是去AOF文件分析前面执行的三条命令,而是直接读取list键在数据库中的当前值,
    然后用一条RPUSH 23代替前面的三条命令。
    
    根据键的类型,使用适当的写入命令来重现键的当前值,这就是AOF重写的实现原理

    rdb切换到aof

    动态切换redis持久方式,从RDB切换到AOF(支持Redis 2.2及以上)
      CONFIG SET appendonly yes
      CONFIG SET save ""(可选)
    
    注意:当redis启动时,如果rdb持久化和aof持久化都打开了,那么程序会使用aof方式来恢复数据集,
    因为aof方式所保存的数据通常是最完整的。如果aof文件丢失了,则启动之后数据库内容为空。
    
    注意:如果想把正在运行的redis数据库,从RDB切换到AOF,建议先使用动态切换方式,再修改配置文件,重启数据库。
    (不能自己修改配置文件,重启数据库,否则数据库中数据就为空了。因为此时会直接读取aof文件的数据,
    rdb的数据文件还存在,但是redis只会加载aof日志文件。)

    在实际测试时,效果跟上面的描述是一样的:

    1.先使用rdb的方式作为数据的持久化方式
    2.redis中添加数据
    3.动态执行CONFIG SET appendonly yes
    然后会发现在redis目录下动态生成一个aof文件,并且其数据就是当前redis内存中的数据。
    
    并且通过测试发现,假如age这个key是原来rdb中存在的数据,一旦动态切换,原来rdb的数据都会备份到aof日志文件中,
    这样也就验证了,其实动态切换的过程,会把当前redis内存中的数据都保存到aof日志文件中。

    Redis优化

    Redis内存占用情况

     100万个键值对(键是0999999值是字符串“hello world”)在32位操作系统的笔记本上用了100MB
    使用64位的操作系统的话,相对来说占用的内存会多一点,这是因为64位的系统里指针占用了8个字节,
    但是64位系统也能支持更大的内存,所以运行大型的redis服务还是建议使用64位服务器
    
    一个Redis实例最多能存放多少keys
       理论上Redis可以处理多达232-1keys,并且在实际中进行了测试,每个实例至少存放了2亿5千万的keys
       也可以说Redis的存储极限是系统中的可用内存值。

    Redis优化1:基本优化

    1.精简键名和键值
      键名:尽量精简,但是也不能单纯为了节约空间而使用不易理解的键名。
      键值:对于键值的数量固定的话可以使用01这样的数字来表示,(例如:male/femaleright/wrong
    
    2.当业务场景不需要数据持久化时,关闭所有的持久化方式可以获得最佳的性能
    
    3.内部编码优化(了解)
        redis为每种数据类型都提供了两种内部编码方式,在不同的情况下redis会自动调整合适的编码方式。(如图所示)
    
    4.SLOWLOG [get/reset/len]
      slowlog-log-slower-than 它决定要对执行时间大于多少微秒(microsecond1 = 1,000,000 微秒)的命令进行记录
      slowlog-max-len 它决定 slowlog 最多能保存多少条日志
      当发现redis性能下降的时候可以查看下是哪些命令导致的

    Redis优化2:内存使用优化

    1.限制redis的内存大小
      通过redisinfo命令查看内存使用情况
      如果不设置maxmemory或者设置为064位系统不限制内存,32位系统最多使用3GB内存。
      修改配置文件中的maxmemorymaxmemory-policy
      maxmemory:最大内存
      maxmemory-policy:内存不足时,数据清除策略
    
    1.如果可以确定数据总量不大,并且内存足够的情况下不需要限制redis使用的内存大小。
      如果数据量不可预估,并且内存也有限的话,尽量限制下redis使用的内存大小,这样可以避免redis使用swap分区。
    
    注意:如果不限制内存,当物理内存使用完之后,会使用swap分区,这样性能较低,如果限制了内存,
         当到达指定内存之后就不能添加数据了,否则会报OOM错误。
         可以设置maxmemory-policy,内存不足时删除数据。

    更详细的说明如下:

    在硬盘上进行读写操作要比在内存上进行读写操作,时间上慢了近5个数量级,内存是0.1μs(微秒)、而硬盘是10ms(毫秒)。如果Redis进程上发生内存交换,那么Redis和依赖Redis上数据的应用会受到严重的性能影响。 通过查看used_memory指标可知道Redis正在使用的内存情况,如果used_memory>可用最大内存,那就说明Redis实例正在进行内存交换或者已经内存交换完毕。管理员根据这个情况,执行相对应的应急措施。
    
    排查方案:若是在使用Redis期间没有开启rdb快照或aof持久化策略,那么缓存数据在Redis崩溃时就有丢失的危险。因为当Redis内存使用率超过可用内存的95%时,部分数据开始在内存与swap空间来回交换,这时就可能有丢失数据的危险。当开启并触发快照功能时,Redisfork一个子进程把当前内存中的数据完全复制一份写入到硬盘上。因此若是当前使用内存超过可用内存的45%时触发快照功能,那么此时进行的内存交换会变的非常危险(可能会丢失数据)。 倘若在这个时候实例上有大量频繁的更新操作,问题会变得更加严重。
    
    通过减少Redis的内存占用率,来避免这样的问题,或者使用下面的技巧来避免内存交换发生:1:尽可能的使用Hash数据结构。因为Redis在储存小于100个字段的Hash结构上,其存储效率是非常高的。所以在不需要集合(set)操作或listpush/pop操作的时候,尽可能的使用Hash结构。比如,在一个web应用程序中,需要存储一个对象表示用户信息,使用单个key表示一个用户,其每个属性存储在Hash的字段里,这样要比给每个属性单独设置一个key-value要高效的多。 通常情况下倘若有数据使用string结构,用多个key存储时,那么应该转换成单key多字段的Hash结构。 如上述例子中介绍的Hash结构应包含,单个对象的属性或者单个用户各种各样的资料。Hash结构的操作命令是HSET(key, fields, value)和HGET(key, field),使用它可以存储或从Hash中取出指定的字段。
    
    2:设置key的过期时间。一个减少内存使用率的简单方法就是,每当存储对象时确保设置key的过期时间。倘若key在明确的时间周期内使用或者旧key不大可能被使用时,就可以用Redis过期时间命令(expire,expireat, pexpire, pexpireat)去设置过期时间,这样Redis会在key过期时自动删除key 假如你知道每秒钟有多少个新key-value被创建,那可以调整key的存活时间,并指定阀值去限制Redis使用的最大内存。
    
    3:回收key。在Redis配置文件中(一般叫Redis.conf),通过设置“maxmemory”属性的值可以限制Redis最大使用的内存,修改后重启实例生效。也可以使用客户端命令config set maxmemory 去修改值,这个命令是立即生效的,但会在重启后会失效,需要使用config rewrite命令去刷新配置文件。 若是启用了Redis快照功能,应该设置“maxmemory”值为系统可使用内存的45%,因为快照时需要一倍的内存来复制整个数据集,也就是说如果当前已使用45%,在快照期间会变成95%(45%+45%+5%),其中5%是预留给其他的开销。 如果没开启快照功能,maxmemory最高能设置为系统可用内存的95%。
    
    当内存使用达到设置的最大阀值时,需要选择一种key的回收策略,可在Redis.conf配置文件中修改“maxmemory-policy”属性值。 若是Redis数据集中的key都设置了过期时间,那么“volatile-ttl”策略是比较好的选择。但如果key在达到最大内存限制时没能够迅速过期,或者根本没有设置过期时间。那么设置为“allkeys-lru”值比较合适,它允许Redis从整个数据集中挑选最近最少使用的key进行删除(LRU淘汰算法)。Redis还提供了一些其他淘汰策略,如下:volatile-lru:使用LRU算法从已设置过期时间的数据集合中淘汰数据。volatile-ttl:从已设置过期时间的数据集合中挑选即将过期的数据淘汰。volatile-random:从已设置过期时间的数据集合中随机挑选数据淘汰。allkeys-lru:使用LRU算法从所有数据集合中淘汰数据。allkeys-random:从数据集合中任意选择数据淘汰no-enviction:禁止淘汰数据。
    
    通过设置maxmemory为系统可用内存的45%或95%(取决于持久化策略)和设置“maxmemory-policy”为“volatile-ttl”或“allkeys-lru”(取决于过期设置),可以比较准确的限制Redis最大内存使用率,在绝大多数场景下使用这2种方式可确保Redis不会进行内存交换。倘若你担心由于限制了内存使用率导致丢失数据的话,可以设置noneviction值禁止淘汰数据。

    Redis优化3

    Redis是个单线程模型,客户端过来的命令是按照顺序执行的,所以想要一次添加多条数据的时候可以使用管道(可以理解为批处理),或者使用一次可以添加多条数据的命令,例如:

    setmset
    get mget
    lindex lrange
    hset hmset
    hget hmget
  • 相关阅读:
    Django的路由系统
    Django框架简介
    域名与网站名的区别
    简单的链接样式-CSS
    用Javascript获取样式注意的地方
    null和undefined区别
    addLoadEvent(func)详解
    《Javascrip DOM 编程艺术》学习笔记-Chapter5
    某夜凌晨4点所感所悟——未来前端路
    win7-32bit-virtualbox安装问题及解决方式
  • 原文地址:https://www.cnblogs.com/henrylinux/p/11516965.html
Copyright © 2020-2023  润新知