Redis+Caffeine两级缓存

逃离我推掉我的手 2024-03-16 11:50 38阅读 0赞

## 1、前言 ##

> 在高性能的服务架构设计中，缓存是一个不可或缺的环节。在实际的项目中，我们通常会将一些热点数据存储到Redis或MemCache这类缓存中间件中，只有当缓存的访问没有命中时再查询数据库。在提升访问速度的同时，也能降低数据库的压力。

> 随着不断的发展，这一架构也产生了改进，在一些场景下可能单纯使用Redis类的远程缓存已经不够了，还需要进一步配合本地缓存使用，例如Guava cache或Caffeine，从而再次提升程序的响应速度与服务性能。于是，就产生了使用本地缓存作为一级缓存，再加上远程缓存作为二级缓存的两级缓存架构。

> 在先不考虑并发等复杂问题的情况下，两级缓存的访问流程可以用下面这张图来表示：  
> ![在这里插入图片描述][054e8d18d5f049da9db90f107706b68d.png]  
> 优点与问题  
> 那么，使用两级缓存相比单纯使用远程缓存，具有什么优势呢？  
> 本地缓存基于本地环境的内存，访问速度非常快，对于一些变更频率低、实时性要求低的数据，可以放在本地缓存中，提升访问速度  
> 使用本地缓存能够减少和Redis类的远程缓存间的数据交互，减少网络I/O开销，降低这一过程中在网络通信上的耗时  
> 但是在设计中，还是要考虑一些问题的，例如数据一致性问题。首先，两级缓存与数据库的数据要保持一致，一旦数据发生了修改，在修改数据库的同时，本地缓存、远程缓存应该同步更新。

> 另外，如果是分布式环境下，一级缓存之间也会存在一致性问题，当一个节点下的本地缓存修改后，需要通知其他节点也刷新本地缓存中的数据，否则会出现读取到过期数据的情况，这一问题可以通过类似于Redis中的发布/订阅功能解决。

> 此外，缓存的过期时间、过期策略以及多线程访问的问题也都需要考虑进去，不过我们今天暂时先不考虑这些问题，先看一下如何简单高效的在代码中实现两级缓存的管理。

## 2、准备工作 ##

> 在简单梳理了一下要面对的问题后，下面开始两级缓存的代码实战，我们整合号称最强本地缓存的Caffeine作为一级缓存、性能之王的Redis作为二级缓存。首先建一个springboot项目，引入缓存要用到的相关的依赖：

<dependency>
    <groupId>com.github.ben-manes.caffeine</groupId>
    <artifactId>caffeine</artifactId>
    <version>2.9.2</version>
    </dependency>
    <dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-redis</artifactId>
    </dependency>
    <dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-cache</artifactId>
    </dependency>
    <dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-pool2</artifactId>
    <version>2.8.1</version>
    </dependency>

spring:
        redis:
            host: 127.0.0.1
            port: 6379
            database: 0
            timeout: 10000ms
            lettuce:
           pool:
           max-active: 8
           max-wait: -1ms
           max-idle: 8
           min-idle: 0

> 在下面的例子中，我们将使用RedisTemplate来对redis进行读写操作，RedisTemplate使用前需要配置一下ConnectionFactory和序列化方式，这一过程比较简单就不贴出代码了.  
> 下面我们在单机环境下，将按照对业务侵入性的不同程度，分三个版本来实现两级缓存的使用。

## 3、 V1.0版本 ##

> 我们可以通过手动操作Caffeine中的Cache对象来缓存数据，它是一个类似Map的数据结构，以key作为索引，value存储数据。在使用Cache前，需要先配置一下相关参数：

@Configuration
        public class CaffeineConfig {
        
            @Bean
            public Cache<String,Object> caffeineCache(){
        
                return Caffeine.newBuilder()
                    .initialCapacity(128)//初始大小
                    .maximumSize(1024)//最大数量
                    .expireAfterWrite(60, TimeUnit.SECONDS)//过期时间
                    .build();
            }
        }

> 简单解释一下Cache相关的几个参数的意义：  
> initialCapacity：初始缓存空大小  
> maximumSize：缓存的最大数量，设置这个值可以避免出现内存溢出  
> expireAfterWrite：指定缓存的过期时间，是最后一次写操作后的一个时间，这里  
> 此外，缓存的过期策略也可以通过expireAfterAccess或refreshAfterWrite指定。

> 在创建完成Cache后，我们就可以在业务代码中注入并使用它了。在没有使用任何缓存前，一个只有简单的Service层代码是下面这样的，只有crud操作：

@Service
    @AllArgsConstructor
    public class OrderServiceImpl implements OrderService {
        
            private final OrderMapper orderMapper;
    
            @Override
            public Order getOrderById(Long id) {
        
                Order order = orderMapper.selectOne(new LambdaQueryWrapper<Order>()
                    .eq(Order::getId, id));
                return order;
            }
    
            @Override
            public void updateOrder(Order order) {
        
                orderMapper.updateById(order);
            }
    
            @Override
            public void deleteOrder(Long id) {
        
                orderMapper.deleteById(id);
            }
        }

> 接下来，对上面的OrderService进行改造，在执行正常业务外再加上操作两级缓存的代码，先看改造后的查询操作：

public Order getOrderById(Long id) {
        
            String key = CacheConstant.ORDER + id;
            Order order = (Order) cache.get(key,
                k -> {
        
                    //先查询 Redis
                    Object obj = redisTemplate.opsForValue().get(k);
                    if (Objects.nonNull(obj)) {
        
                        log.info("get data from redis");
                        return obj;
                    }
    
                    // Redis没有则查询 DB
                    log.info("get data from database");
                    Order myOrder = orderMapper.selectOne(new LambdaQueryWrapper<Order>()
                        .eq(Order::getId, id));
                    redisTemplate.opsForValue().set(k, myOrder, 120, TimeUnit.SECONDS);
                    return myOrder;
                });
            return order;
        }

> 在Cache的get方法中，会先从缓存中进行查找，如果找到缓存的值那么直接返回。如果没有找到则执行后面的方法，并把结果加入到缓存中。

> 因此上面的逻辑就是先查找Caffeine中的缓存，没有的话查找Redis，Redis再不命中则查询数据库，写入Redis缓存的操作需要手动写入，而Caffeine的写入由get方法自己完成。

> 在上面的例子中，设置Caffeine的过期时间为60秒，而Redis的过期时间为120秒，下面进行测试，首先看第一次接口调用时，进行了数据库的查询：

![在这里插入图片描述][2fe0fa58d9714d3ba50a586677760a2e.png]

> 而在之后60秒内访问接口时，都没有打印打任何sql或自定义的日志内容，说明接口没有查询Redis或数据库，直接从Caffeine中读取了缓存。  
> 等到距离第一次调用接口进行缓存的60秒后，再次调用接口：

![在这里插入图片描述][9d5e1e8cc1ab42c49ef534891813b989.png]

> 可以看到这时从Redis中读取了数据，因为这时Caffeine中的缓存已经过期了，但是Redis中的缓存没有过期仍然可用。  
> 下面再来看一下修改操作，代码在原先的基础上添加了手动修改Redis和Caffeine缓存的逻辑：

public void updateOrder(Order order) {
        
        log.info("update order data");
        String key=CacheConstant.ORDER + order.getId();
        orderMapper.updateById(order);
        //修改 Redis
        redisTemplate.opsForValue().set(key,order,120, TimeUnit.SECONDS);
        // 修改本地缓存
        cache.put(key,order);
    }

> 看可以看到在更新数据后，同步刷新了缓存中的内容，再之后的访问接口时不查询数据库，也可以拿到正确的结果：

> 最后再来看一下删除操作，在删除数据的同时，手动移除Reids和Caffeine中的缓存：

public void deleteOrder(Long id) {
        
        log.info("delete order");
        orderMapper.deleteById(id);
        String key= CacheConstant.ORDER + id;
        redisTemplate.delete(key);
        cache.invalidate(key);
    }

> 我们在删除某个缓存后，再次调用之前的查询接口时，又会出现重新查询数据库的情况：  
> ![在这里插入图片描述][d273506b66ce4e06b21702f5b341399b.png]  
> 简单的演示到此为止，可以看到上面这种使用缓存的方式，虽然看起来没什么大问题，但是对代码的入侵性比较强。在业务处理的过程中要由我们频繁的操作两级缓存，会给开发人员带来很大负担。那么，有什么方法能够简化这一过程呢？我们看看下一个版本。

## 4、V2.0版本 ##

> 在spring项目中，提供了CacheManager接口和一些注解，允许让我们通过注解的方式来操作缓存。先来看一下常用几个注解说明：  
> @Cacheable：根据键从缓存中取值，如果缓存存在，那么获取缓存成功之后，直接返回这个缓存的结果。如果缓存不存在，那么执行方法，并将结果放入缓存中。  
> @CachePut：不管之前的键对应的缓存是否存在，都执行方法，并将结果强制放入缓存  
> @CacheEvict：执行完方法后，会移除掉缓存中的数据。  
> 如果要使用上面这几个注解管理缓存的话，我们就不需要配置V1版本中的那个类型为Cache的Bean了，而是需要配置spring中的CacheManager的相关参数，具体参数的配置和之前一样：

@Configuration
    public class CacheManagerConfig {
        
    @Bean
    public CacheManager cacheManager(){
        
        CaffeineCacheManager cacheManager=new CaffeineCacheManager();
        cacheManager.setCaffeine(Caffeine.newBuilder()
        .initialCapacity(128).maximumSize(1024).expireAfterWrite(60, TimeUnit.SECONDS));
        return cacheManager;
       }
    }

> 然后在启动类上再添加上@EnableCaching注解，就可以在项目中基于注解来使用Caffeine的缓存支持了。下面，再次对Service层代码进行改造。  
> 首先，还是改造查询方法，在方法上添加@Cacheable注解：

@Cacheable(value = "order",key = "#id")
    //@Cacheable(cacheNames = "order",key = "#p0")
    public Order getOrderById(Long id) {
        
    String key= CacheConstant.ORDER + id;
        //先查询 Redis
        Object obj = redisTemplate.opsForValue().get(key);
        if (Objects.nonNull(obj)){
        
            log.info("get data from redis");
            return (Order) obj;
        }
       // Redis没有则查询 DB
       log.info("get data from database");
       Order myOrder = orderMapper.selectOne(new LambdaQueryWrapper<Order>()
       .eq(Order::getId, id));
        redisTemplate.opsForValue().set(key,myOrder,120, TimeUnit.SECONDS);
        return myOrder;
    }

> @Cacheable注解的属性多达9个，好在我们日常使用时只需要配置两个常用的就可以了。其中value和cacheNames互为别名关系，表示当前方法的结果会被缓存在哪个Cache上，应用中通过cacheName来对Cache进行隔离，每个cacheName对应一个Cache实现。value和cacheNames可以是一个数组，绑定多个Cache。

> 而另一个重要属性key，用来指定缓存方法的返回结果时对应的key，这个属性支持使用SpringEL表达式。通常情况下，我们可以使用下面几种方式作为key：

> \#参数名  
> \#参数对象.属性名  
> \#p参数对应下标  
> 在上面的代码中，我们看到添加了@Cacheable注解后，在代码中只需要保留原有的业务处理逻辑和操作Redis部分的代码即可，Caffeine部分的缓存就交给spring处理了。  
> 下面，我们再来改造一下更新方法，同样，使用@CachePut注解后移除掉手动更新Cache的操作：

@CachePut(cacheNames = "order",key = "#order.id")
    public Order updateOrder(Order order) {
        
        log.info("update order data");
        orderMapper.updateById(order);
        //修改 Redis
        redisTemplate.opsForValue().set(CacheConstant.ORDER + order.getId(),
          order, 120, TimeUnit.SECONDS);
        return order;
    }

> 注意，这里和V1版本的代码有一点区别，在之前的更新操作方法中，是没有返回值的void类型，但是这里需要修改返回值的类型，否则会缓存一个空对象到缓存中对应的key上。当下次执行查询操作时，会直接返回空对象给调用方，而不会执行方法中查询数据库或Redis的操作。  
> 最后，删除方法的改造就很简单了，使用@CacheEvict注解，方法中只需要删除Redis中的缓存即可：

@CacheEvict(cacheNames = "order",key = "#id")
    public void deleteOrder(Long id) {
        
        log.info("delete order");
        orderMapper.deleteById(id);
        redisTemplate.delete(CacheConstant.ORDER + id);
    }

> 可以看到，借助spring中的CacheManager和Cache相关的注解，对V1版本的代码经过改进后，可以把全手动操作两级缓存的强入侵代码方式，改进为本地缓存交给spring管理，Redis缓存手动修改的半入侵方式。那么，还能进一步改造，使之成为对业务代码完全无入侵的方式吗？

## 5、V3.0版本 ##

> 模仿spring通过注解管理缓存的方式，我们也可以选择自定义注解，然后在切面中处理缓存，从而将对业务代码的入侵降到最低。  
> 首先定义一个注解，用于添加在需要操作缓存的方法上：

@Target(ElementType.METHOD)
    @Retention(RetentionPolicy.RUNTIME)
    @Documented
    public @interface DoubleCache {
        
        String cacheName();
        String key(); //支持springEl表达式
        long l2TimeOut() default 120;
        CacheType type() default CacheType.FULL;
    }

> 我们使用cacheName + key作为缓存的真正key（仅存在一个Cache中，不做CacheName隔离），l2TimeOut为可以设置的二级缓存Redis的过期时间，type是一个枚举类型的变量，表示操作缓存的类型，枚举类型定义如下：

public enum CacheType {
        
        FULL, //存取
        PUT, //只存
        DELETE //删除
    }

> 因为要使key支持springEl表达式，所以需要写一个方法，使用表达式解析器解析参数：

public static String parse(String elString, TreeMap<String,Object> map){
        
        elString=String.format("#{%s}",elString);
        //创建表达式解析器
        ExpressionParser parser = new SpelExpressionParser();
        //通过evaluationContext.setVariable可以在上下文中设定变量。
        EvaluationContext context = new StandardEvaluationContext();
        map.entrySet().forEach(entry->
        context.setVariable(entry.getKey(),entry.getValue())
    );
    
    //解析表达式
    Expression expression = parser.parseExpression(elString, new TemplateParserContext());
    //使用Expression.getValue()获取表达式的值，这里传入了Evaluation上下文
    String value = expression.getValue(context, String.class);
    return value;
    }

参数中的elString对应的就是注解中key的值，map是将原方法的参数封装后的结果。简单进行一下测试：

public void test() {
        
        String elString="#order.money";
        String elString2="#user";
        String elString3="#p0"; 
    
        TreeMap<String,Object> map=new TreeMap<>();
        Order order = new Order();
        order.setId(111L);
        order.setMoney(123D);
        map.put("order",order);
        map.put("user","Hydra");
    
        String val = parse(elString, map);
        String val2 = parse(elString2, map);
        String val3 = parse(elString3, map);
    
        System.out.println(val);
        System.out.println(val2);
        System.out.println(val3);
    }

> 执行结果如下，可以看到支持按照参数名称、参数对象的属性名称读取，但是不支持按照参数下标读取，暂时留个小坑以后再处理。  
> 123.0  
> Hydra  
> null

> 至于Cache相关参数的配置，我们沿用V1版本中的配置即可。准备工作做完了，下面我们定义切面，在切面中操作Cache来读写Caffeine的缓存，操作RedisTemplate读写Redis缓存。

@Slf4j @Component @Aspect 
    @AllArgsConstructor
    public class CacheAspect {
        
    
    private final Cache cache;
    private final RedisTemplate redisTemplate;
    
    @Pointcut("@annotation(com.cn.dc.annotation.DoubleCache)")
    public void cacheAspect() {
        
    }
    
    @Around("cacheAspect()")
    public Object doAround(ProceedingJoinPoint point) throws Throwable {
        
        MethodSignature signature = (MethodSignature) point.getSignature();
        Method method = signature.getMethod();
    
        //拼接解析springEl表达式的map
        String[] paramNames = signature.getParameterNames();
        Object[] args = point.getArgs();
        TreeMap<String, Object> treeMap = new TreeMap<>();
        for (int i = 0; i < paramNames.length; i++) {
        
            treeMap.put(paramNames[i],args[i]);
        }
    
        DoubleCache annotation = method.getAnnotation(DoubleCache.class);
        String elResult = ElParser.parse(annotation.key(), treeMap);
        String realKey = annotation.cacheName() + CacheConstant.COLON + elResult;
    
        //强制更新
        if (annotation.type()== CacheType.PUT){
        
            Object object = point.proceed();
            redisTemplate.opsForValue().set(realKey, object,annotation.l2TimeOut(), TimeUnit.SECONDS);
            cache.put(realKey, object);
            return object;
         }
        //删除
         else if (annotation.type()== CacheType.DELETE){
        
             redisTemplate.delete(realKey);
             cache.invalidate(realKey);
             return point.proceed();
         }
    
        //读写，查询Caffeine
        Object caffeineCache = cache.getIfPresent(realKey);
        if (Objects.nonNull(caffeineCache)) {
        
            log.info("get data from caffeine");
            return caffeineCache;
         }
    
        //查询Redis
        Object redisCache = redisTemplate.opsForValue().get(realKey);
        if (Objects.nonNull(redisCache)) {
        
            log.info("get data from redis");
            cache.put(realKey, redisCache);
            return redisCache;
        }
    
        log.info("get data from database");
        Object object = point.proceed();
        if (Objects.nonNull(object)){
        
        //写入Redis
        redisTemplate.opsForValue().set(realKey, object,annotation.l2TimeOut(), TimeUnit.SECONDS);
        //写入Caffeine
        cache.put(realKey, object); 
       }
       return object;
      }
    }

> 切面中主要做了下面几件工作：  
> 通过方法的参数，解析注解中key的springEl表达式，组装真正缓存的key  
> 根据操作缓存的类型，分别处理存取、只存、删除缓存操作  
> 删除和强制更新缓存的操作，都需要执行原方法，并进行相应的缓存删除或更新操作  
> 存取操作前，先检查缓存中是否有数据，如果有则直接返回，没有则执行原方法，并将结果存入缓存  
> 修改Service层代码，代码中只保留原有业务代码，再添加上我们自定义的注解就可以了：

@DoubleCache(cacheName = "order", key = "#id",type = CacheType.FULL)
    public Order getOrderById(Long id) {
        
        Order myOrder = orderMapper.selectOne(new LambdaQueryWrapper<Order>()
        .eq(Order::getId, id));
        return myOrder;
    }
    
    @DoubleCache(cacheName = "order",key = "#order.id",type = CacheType.PUT)
    public Order updateOrder(Order order) {
        
        orderMapper.updateById(order);
         return order;
    }
    
    @DoubleCache(cacheName = "order",key = "#id",type = CacheType.DELETE)
    public void deleteOrder(Long id) {
        
        orderMapper.deleteById(id);
    }

> 到这里，基于切面操作缓存的改造就完成了，Service的代码也瞬间清爽了很多，让我们可以继续专注于业务逻辑处理，而不用费心去操作两级缓存了。

> 总结  
> 本文按照对业务入侵的递减程度，依次介绍了三种管理两级缓存的方法。至于在项目中是否需要使用二级缓存，需要考虑自身业务情况，如果Redis这种远程缓存已经能够满足你的业务需求，那么就没有必要再使用本地缓存了。毕竟实际使用起来远没有那么简单，本文中只是介绍了最基础的使用，实际中的并发问题、事务的回滚问题都需要考虑，还需要思考什么数据适合放在一级缓存、什么数据适合放在二级缓存等等的其他问题。

[054e8d18d5f049da9db90f107706b68d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/16/f3a438a8124d4026b5771079e7f2f61f.png
[2fe0fa58d9714d3ba50a586677760a2e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/16/919c9b0b85ae4b6b85d1c286154886ac.png
[9d5e1e8cc1ab42c49ef534891813b989.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/16/445b9577323c4edbaaab38eaa741c229.png
[d273506b66ce4e06b21702f5b341399b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/16/3ba88ed2b672466497ed65cdc2386f0b.png