導語：當面臨存儲選型時是選擇關系型還是非關系型數據庫？ 如果選擇了非關系型的redis，redis常用數據類型占用內存大小如何估算的？ redis的性能瓶頸又在哪里？

創(chuàng)新互聯網站建設公司一直秉承“誠信做人，踏實做事”的原則，不欺瞞客戶，是我們最起碼的底線！ 以服務為基礎，以質量求生存，以技術求發(fā)展，成交一個客戶多一個朋友！專注中小微企業(yè)官網定制，成都網站建設、網站制作，塑造企業(yè)網絡形象打造互聯網企業(yè)效應。

背景

前段時間接手了一個業(yè)務，響應時間達到 10s左右。 閱讀源碼后發(fā)現，每一次請求都是查詢多個分表數據（task1,task2….），然后再join其他表(course,teacher..)， 時間全部花在了大量磁盤I/O上。 腦袋一拍，重構，上redis！

為什么選擇redis

拍腦袋做技術方案肯定是不行的，得用數據和邏輯說服別人才可以。

時延

時延=后端發(fā)起請求db（用戶態(tài)拷貝請求到內核態(tài)）+ 網絡時延 + 數據庫尋址和讀取 如果想要降低時延，只能減少請求數（合并多個后端請求）和減少數據庫尋址和讀取得時間。 從降低時延的角度，基于 單線程和內存的redis，每秒10萬次得讀寫性能肯定遠遠勝過磁盤讀寫性能。

數據規(guī)模

以redis一組K-V為例（”hello” -> “world”），一個簡單的set命令最終會產生4個消耗內存的結構。

關于Redis數據存儲的細節(jié)，又要涉及到內存分配器（如jemalloc），簡單說就是存儲170字節(jié)，其實內存分配器會分配192字節(jié)存儲。

那么總的花費就是

• 一個dictEntry，24字節(jié)，jemalloc會分配32字節(jié)的內存塊

• 一個redisObject，16字節(jié)，jemalloc會分配16字節(jié)的內存塊

• 一個key，5字節(jié)，所以SDS(key)需要5+9=14個字節(jié)，jemalloc會分配16字節(jié)的內存塊

• 一個value，5字節(jié)，所以SDS(value)需要5+9=14個字節(jié)，jemalloc會分配16字節(jié)的內存塊

綜上，一個dictEntry需要32+16+16+16=80個字節(jié)。

上面這個算法只是舉個例子，想要更深入計算出redis所有數據結構的內存大小，可以參考 這篇文章 。 筆者使用的是哈希結構，這個業(yè)務需求大概一年的數據量是200MB，從使用redis成本上考慮沒有問題。

需求特點

筆者這個需求背景讀多寫少，冷數據占比比較大，但數據結構又很復雜（涉及多個維度數據總和），因此只要啟動定時任務離線增量寫入redis，請求到達時直接讀取redis中的數據，無疑可以減少響應時間。

[ 最終方案 ]

redis瓶頸和優(yōu)化

HGETALL

最終存儲到redis中的數據結構如下圖。

采用同步的方式對三個月（90天）進行HGETALL操作，每一天花費30ms，90次就是2700ms！ redis操作讀取應該是ns級別的，怎么會這么慢？ 利用多核cpu計算會不會更快？

常識告訴我，redis指令執(zhí)行速度 >> 網絡通信(內網) > read/write等系統(tǒng)調用。 因此這里其實是I/O密集型場景，就算利用多核cpu，也解決不到根本的問題，最終影響redis性能， **其實是網卡收發(fā)數據 和用戶態(tài)內核態(tài)數據拷貝 **。

pipeline

這個需求qps很小，所以網卡也不是瓶頸了，想要把需求優(yōu)化到1s以內，減少I/O的次數是關鍵。 換句話說， 充分利用帶寬，增大系統(tǒng)吞吐量。

于是我把代碼改了一版，原來是90次I/O，現在通過redis pipeline操作，一次請求半個月，那么3個月就是6次I/O。 很開心，時間一下子少了1000ms。

pipeline攜帶的命令數

代碼寫到這里，我不經反問自己，為什么一次pipeline攜帶15個HGETALL命令，不是30個，不是40個？ 換句話說，一次pipeline攜帶多少個HGETALL命令才會發(fā)起一次I/O？

我使用是golang的 redisgo  的客戶端，翻閱源碼發(fā)現，redisgo執(zhí)行pipeline邏輯是 把命令和參數寫到golang原生的bufio中，如果超過bufio默認大值（4096字節(jié)），就發(fā)起一次I/O，flush到內核態(tài)。

redisgo編碼pipeline規(guī)則 如下圖， *表示后面參數加命令的個數，$表示后面的字符長度 ，一條HGEALL命令實際占45字節(jié)。

那其實90天數據，一次I/O就可以搞定了（90 * 45 < 4096字節(jié)）!

果然，又快了1000ms，耗費時間達到了1秒以內

對吞吐量和qps的取舍

筆者需求任務算是完成了，可是再進一步思考，redis的pipeline一次性帶上多少HGETALL操作的key才是合理的呢？ 換句話說，服務器吞吐量大了，可能就會導致qps急劇下降（網卡大量收發(fā)數據和redis內部協(xié)議解析，redis命令排隊堆積，從而導致的緩慢），而想要qps高，服務器吞吐量可能就要降下來，無法很好的利用帶寬。 對兩者之間的取舍，同樣是不能拍腦袋決定的，用壓測數據說話！

簡單寫了一個壓測程序，通過比較請求量和qps的關系，來看一下吞吐量和qps的變化，從而選擇一個適合業(yè)務需求的值。

package main
import (
    "crypto/rand"
    "fmt"
    "math/big"
    "strconv"
    "time"
    "github.com/garyburd/redigo/redis"
)
const redisKey = "redis_test_key:%s"
func main() {
    for i := 1; i < 10000; i++ {
        testRedisHGETALL(getPreKeyAndLoopTime(i))
    }
}
func testRedisHGETALL(keyList [][]string) {
    Conn, err := redis.Dial("tcp", "127.0.0.1:6379")
    if err != nil {
        fmt.Println(err)
        return
    }
    costTime := int64(0)
    start := time.Now().Unix()
    for _, keys := range keyList {
        for _, key := range keys {
            Conn.Send("HGETALL", fmt.Sprintf(redisKey, key))
        }
        Conn.Flush()
    }
    end := time.Now().Unix()
    costTime = end - start
    fmt.Printf("cost_time=[%+v]ms,qps=[%+v],keyLen=[%+v],totalBytes=[%+v]",
        1000*int64(len(keyList))/costTime, costTime/int64(len(keyList)), len(keyList), len(keyList)*len(keyList[0])*len(redisKey))
}
//根據key的長度，設置不同的循環(huán)次數，平均計算，取除網絡延遲帶來的影響
func getPreKeyAndLoopTime(keyLen int) [][]string {
    loopTime := 1000
    if keyLen < 10 {
        loopTime *= 100
    } else if keyLen < 100 {
        loopTime *= 50
    } else if keyLen < 500 {
        loopTime *= 10
    } else if keyLen < 1000 {
        loopTime *= 5
    }
    return generateKeys(keyLen, loopTime)
}
func generateKeys(keyLen, looTime int) [][]string {
    keyList := make([][]string, 0)
    for i := 0; i < looTime; i++ {
        keys := make([]string, 0)
        for i := 0; i < keyLen; i++ {
            result, _ := rand.Int(rand.Reader, big.NewInt(100))
            keys = append(keys, strconv.FormatInt(result.Int64(), 10))
        }
        keyList = append(keyList, keys)
    }
    return keyList
}

windows上單機版redis結果如下：

擴展 （分布式方案下pipeline操作）

需求最終是完成了，可是轉念一想，現在都是集群版的redis，pipeline批量請求的key可能分布在不同的機器上，但pipeline請求最終可能只被一臺redis server處理，那不就是會讀取數據失敗嗎？ 于是，筆者查找?guī)讉€通用的redis 分布式方案，看看他們是如何處理這pipeline問題的。

redis cluster

redis cluster 是官方給出的分布式方案。 Redis Cluster在設計中沒有使用一致性哈希，而是使用數據分片（Sharding）引入哈希槽（hash slot）來實現。 一個 Redis Cluster包含16384（0~16383）個哈希槽，存儲在Redis Cluster中的所有鍵都會被映射到這些slot中，集群中的每個鍵都屬于這16384個哈希槽中的一個，集群使用公式slot=CRC16 key/16384來計算key屬于哪個槽。 比如redis cluster有5個節(jié)點，每個節(jié)點就負責一部分哈希槽， 如果參數的多個key在不同的slot，在不同的主機上，那么必然會出錯。
因此redis cluster分布式方案是不支持pipeline操作，如果想要做，只有客戶端緩存slot和redis節(jié)點的關系，在批量請求時，就通過key算出不同的slot以及redis節(jié)點，并行的進行pipeline。

github.com/go-redis就是這樣做的，有興趣可以閱讀下源碼。

codis

市面上還流行著一種在客戶端和服務端之間增設代理的方案，比如codis就是這樣。 對于上層應用來說，連接 Codis-Proxy 和直接連接 原生的 Redis-Server 沒有的區(qū)別，也就是說codis-proxy會幫你做上面并行分槽請求redis server，然后合并結果在一起的操作，對于使用者來說無感知。

總結

在做需求的過程中，發(fā)現了很多東西不能拍腦袋決定，而是前期做技術方案的時候，想清楚，調研好，用數據和邏輯去說服自己。

標題名稱：redis實踐及思考-創(chuàng)新互聯
網頁鏈接：http://jinyejixie.com/article30/djegpo.html

成都網站建設公司_創(chuàng)新互聯，為您提供企業(yè)建站、標簽優(yōu)化、自適應網站、商城網站、App開發(fā)、企業(yè)網站制作

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯