Java 教程 Redis

Redis 最佳实践

介绍了Redis键值设计、批处理优化、服务端优化、集群最佳实践

本文基于黑马2022的Redis课程高级篇编写，课程地址：黑马程序员Redis入门到实战教程，深度透析redis底层原理+redis分布式锁+企业解决方案+黑马点评实战项目

课程资料：https://pan.baidu.com/s/1189u6u4icQYHg_9_7ovWmA&pwd=eh11

本文中若未特意提及，则默认Linux环境用Ubuntu 24.04，Redis用6.2.6版本，本地主机用Windows

Redis键值设计

优雅的key结构

Redis的Key虽然可以自定义，但最好遵循下面的几个最佳实践约定：

  • 遵循基本格式：[业务名称]:[数据名]:[id]
  • 长度不超过44字节
  • 不包含特殊字符

例如：我们的登录业务，保存用户信息，其key可以设计成如下格式：

image-20260521225827338

这样设计的好处：

  • 可读性强
  • 避免key冲突
  • 方便管理
  • 更节省内存：key是string类型，底层编码包含int、embstr和raw三种。embstr在小于44字节使用，采用连续内存空间，内存占用更小。当字节数大于44字节时，会转为raw模式存储，在raw模式下，内存空间不是连续的，而是采用一个指针指向了另外一段内存空间，在这段空间里存储SDS内容，这样空间不连续，访问的时候性能也就会受到影响，还有可能产生内存碎片

image-20260521230442475

拒绝BigKey

什么是BigKey

BigKey通常以Key的大小和Key中成员的数量来综合判定，例如：

  • Key本身的数据量过大：一个String类型的Key，它的值为5 MB
  • Key中的成员数过多：一个ZSET类型的Key，它的成员数量为10,000个
  • Key中成员的数据量过大：一个Hash类型的Key，它的成员数量虽然只有1,000个但这些成员的Value（值）总大小为100 MB

*那么如何判断元素的大小呢？*redis也给我们提供了命令

image-20260521230615156

推荐值：

  • 单个key的value小于10KB
  • 对于集合类型的key，建议元素数量小于1000

BigKey的危害

  • 网络阻塞
    • 对BigKey执行读请求时，少量的QPS就可能导致带宽使用率被占满，导致Redis实例，乃至所在物理机变慢
  • 数据倾斜
    • BigKey所在的Redis实例内存使用率远超其他实例，无法使数据分片的内存资源达到均衡
  • Redis阻塞
    • 对元素较多的hash、list、zset等做运算会耗时较旧，使主线程被阻塞
  • CPU压力
    • 对BigKey的数据序列化和反序列化会导致CPU的使用率飙升，影响Redis实例和本机其它应用

如何发现BigKey

1）redis-cli –bigkeys

利用redis-cli提供的–bigkeys参数，可以遍历分析所有key，并返回Key的整体统计信息与每个数据的Top1的big key

命令：redis-cli -a 密码 --bigkeys

image-20260521231240899

2）scan扫描

自己编程，利用scan扫描Redis中的所有key，利用strlen、hlen等命令判断key的长度（此处不建议使用MEMORY USAGE）

Redis 的 SCAN 命令用于基于游标（Cursor）进行增量式迭代。其返回结果是一个包含两个元素的数组：

  1. 下一次迭代的游标：
    • 第一次调用时，需将游标设置为 0 以开启新的迭代。
    • 命令返回的第一个值即为下一次调用时需要传入的游标。
    • 当命令返回的游标再次变为 0 时，表示整个遍历过程已结束。
  2. 当前批次的数据：
    • 返回的第二个值是一个数组（List），包含本次迭代扫描到的键（Keys）或元素。
    • 数组的大小受 COUNT 参数控制（例如下图中设置了 COUNT 2，即每次尝试返回约 2 个元素；若不设置，默认约为 10 个）。

image-20260521231528572

参考代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86

import com.heima.jedis.util.JedisConnectionFactory;
import org.junit.jupiter.api.AfterEach;
import org.junit.jupiter.api.BeforeEach;
import org.junit.jupiter.api.Test;
import redis.clients.jedis.Jedis;
import redis.clients.jedis.ScanResult;

import java.util.HashMap;
import java.util.List;
import java.util.Map;

public class JedisTest {
    private Jedis jedis;

    @BeforeEach
    void setUp() {
        // 1.建立连接
        // jedis = new Jedis("192.168.150.101", 6379);
        jedis = JedisConnectionFactory.getJedis();
        // 2.设置密码
        jedis.auth("123321");
        // 3.选择库
        jedis.select(0);
    }

    final static int STR_MAX_LEN = 10 * 1024;
    final static int HASH_MAX_LEN = 500;

    @Test
    void testScan() {
        int maxLen = 0;
        long len = 0;

        String cursor = "0";
        do {
            // 扫描并获取一部分key
            ScanResult<String> result = jedis.scan(cursor);
            // 记录cursor
            cursor = result.getCursor();
            List<String> list = result.getResult();
            if (list == null || list.isEmpty()) {
                break;
            }
            // 遍历
            for (String key : list) {
                // 判断key的类型
                String type = jedis.type(key);
                switch (type) {
                    case "string":
                        len = jedis.strlen(key);
                        maxLen = STR_MAX_LEN;
                        break;
                    case "hash":
                        len = jedis.hlen(key);
                        maxLen = HASH_MAX_LEN;
                        break;
                    case "list":
                        len = jedis.llen(key);
                        maxLen = HASH_MAX_LEN;
                        break;
                    case "set":
                        len = jedis.scard(key);
                        maxLen = HASH_MAX_LEN;
                        break;
                    case "zset":
                        len = jedis.zcard(key);
                        maxLen = HASH_MAX_LEN;
                        break;
                    default:
                        break;
                }
                // 打印BigKey
                if (len >= maxLen) {
                    System.out.printf("Found big key : %s, type: %s, length or size: %d %n", key, type, len);
                }
            }
        } while (!cursor.equals("0"));
    }
    
    @AfterEach
    void tearDown() {
        if (jedis != null) {
            jedis.close();
        }
    }
}

3）第三方工具

利用第三方工具，如 Redis-Rdb-Tools 分析RDB快照文件，全面分析内存使用情况

4）网络监控

自定义工具，监控进出Redis的网络数据，超出预警值时主动告警，一般阿里云搭建的云服务器就有相关监控页面

image-20260521232456696

如何删除BigKey

BigKey内存占用较多，即便时删除这样的key也需要耗费很长时间，导致Redis主线程阻塞，引发一系列问题

  • redis 3.0 及以下版本

如果是集合类型，则遍历BigKey的元素，先逐个删除子元素，最后删除BigKey。Redis也有提供专门对集合的scan：

image-20260521232758871

  • Redis 4.0以后

Redis在4.0后提供了异步删除的命令：unlink

恰当的数据类型

选择存储方式

比如存储一个User对象，有三种存储方式，应该选择哪种？

①方式一：json字符串

image-20260521233842511

优点：实现简单粗暴

缺点：数据耦合，不够灵活

②方式二：字段打散

image-20260521233855111

优点：可以灵活访问对象任意字段

缺点：占用空间大、没办法做统一控制

③方式三：hash（推荐）

image-20260521233923804

优点：底层使用ziplist压缩内存，空间占用小，可以灵活访问对象的任意字段

缺点：代码相对复杂

优化hash类型key

假如有hash类型的key，其中有100万对field和value，field是自增id，这个key存在什么问题？如何优化？

image-20260521234311158

存在的问题：

  • hash的entry数量超过500时，会使用哈希表而不是ZipList，内存占用较多。例如图中100万条大概会占60M
  • 可以通过hash-max-ziplist-entries配置entry上限。但是如果entry过多就会导致BigKey问题

方案一：

拆分为string类型：

image-20260521234826578

存在的问题：

  • string结构底层没有太多内存优化，内存占用较多，现在大约会占近80M
  • 想要批量获取这些数据比较麻烦

方案二：

拆分为小的hash，将 id / 100 作为key，将id % 100 作为field，这样每100个元素为一个Hash（不一定要是100，只要entry小于hash-max-ziplist-entries配置的entry上限即可）

image-20260521235201458

这种方案占用的内存在25M左右

总结

  • Key的最佳实践
    • 固定格式：[业务名]:[数据名]:[id]
    • 足够简短：不超过44字节
    • 不包含特殊字符
  • Value的最佳实践：
    • 合理的拆分数据，拒绝BigKey
    • 选择合适数据结构
    • Hash结构的entry数量不要超过hash-max-ziplist-entries配置的entry上限
    • 设置合理的超时时间

批处理优化

Pipeline

Redis 的 Pipeline（管道）本质上是一种批量命令优化机制。它的核心作用非常单一且明确：通过减少客户端与 Redis 服务器之间的网络往返次数（RTT, Round-Trip Time），来大幅提升批量操作的吞吐量。

我们的客户端与redis服务器是这样交互的：

单个命令的执行流程↓

image-20260522120119044

N条命令的执行流程↓

image-20260522120133924

redis处理指令是很快的，主要花费的时候在于网络传输。于是乎很容易想到将多条指令批量的传输给redis

image-20260522120203843

MSet

Redis提供了很多Mxxx这样的命令，可以实现批量插入数据，例如：

  • mset
  • hmset

利用mset批量插入10万条数据，参考代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

@Test
void testMxx() {
    String[] arr = new String[2000];
    int j;
    long b = System.currentTimeMillis();
    for (int i = 1; i <= 100000; i++) {
        j = (i % 1000) << 1;
        arr[j] = "test:key_" + i;
        arr[j + 1] = "value_" + i;
        if (j == 0) {
            jedis.mset(arr);
        }
    }
    long e = System.currentTimeMillis();
    System.out.println("time: " + (e - b));
}

注意：不要在一次批处理中传输太多命令，否则单次命令占用带宽过多，会导致网络阻塞

Pipeline

MSET虽然可以批处理，但是却只能操作部分数据类型，因此如果有对复杂数据类型的批处理需要，建议使用Pipeline

利用pipeline批量插入10万条数据，参考代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

@Test
void testPipeline() {
    // 创建管道
    Pipeline pipeline = jedis.pipelined();
    long b = System.currentTimeMillis();
    for (int i = 1; i <= 100000; i++) {
        // 放入命令到管道
        pipeline.set("test:key_" + i, "value_" + i);
        if (i % 1000 == 0) {
            // 每放入1000条命令，批量执行
            pipeline.sync();
        }
    }
    long e = System.currentTimeMillis();
    System.out.println("time: " + (e - b));
}

集群下的批处理

在 Redis 集群模式下，执行 MSET 或 Pipeline 等批处理操作时，存在一个关键限制：所有涉及的 Key 必须通过哈希槽（Hash Slot）计算并映射到同一个节点上。如果批处理中的多个 Key 分散在不同的节点，集群将无法在单次请求中完成路由，从而导致执行失败。

这一限制在实际开发中往往带来极大的挑战。因为在常规的批量写入场景中，业务数据通常是随机或自然分布的，很难天然地满足“全部落在同一插槽”的苛刻条件。这极易引发跨槽（Cross-slot）错误，导致批量操作无法顺利执行。

有4种解决方案：

image-20260522133538156

第一种方案：串行执行，所以这种方式没有什么意义，当然，执行起来就很简单了，缺点就是耗时过久。

第二种方案：串行slot，简单来说，就是执行前，客户端先计算一下对应的key的slot，一样slot的key就放到一个组里边，不同的，就放到不同的组里边，然后对每个组执行pipeline的批处理，他就能串行执行各个组的命令，这种做法比第一种方法耗时要少，但是缺点是相对来说复杂一点，所以这种方案还需要优化一下

第三种方案：并行slot，相较于第二种方案在分组完成后串行执行，第三种方案就变成了并行执行各个命令，所以他的耗时就非常短，但是实现也更加复杂。

第四种方案：hash_tag，redis计算key的slot的时候，其实是根据key的有效部分来计算的，通过这种方式就能一次处理所有的key，这种方式耗时最短，实现也简单，但是如果通过操作key的有效部分，那么就会导致所有的key都落在一个节点上，产生数据倾斜的问题，所以推荐使用第三种方式。

Spring封装的StringRedisTemplate在集群环境下批处理就是用的第三种方案

1
2
3
4
5

Map<String, String> map = new HashMap<>(3);
map.put("name", "Rose");
map.put("age", "21");
map.put("sex", "Female");
stringRedisTemplate.opsForValue().multiSet(map); // multiSet方法底层就是用第三种方案实现的

服务端优化

持久化配置

Redis的持久化虽然可以保证数据安全，但也会带来很多额外的开销，因此持久化请遵循下列建议：

  • 用来做缓存的Redis实例尽量不要开启持久化功能
  • 推荐使用混合持久化（Hybrid Persistence）。开启 aof-use-rdb-preamble yes（Redis 4.0+支持）
  • 利用脚本定期在slave节点做RDB，实现数据备份
  • 设置合理的rewrite阈值，避免频繁的bgrewrite
  • 配置no-appendfsync-on-rewrite = yes，禁止在rewrite期间做aof，避免因AOF引起的阻塞（根据安全或性能做取舍，对性能要求高就yes，对安全要求高就no，不确定就用默认的no）
  • 部署有关建议：
    • Redis实例的物理机要预留足够内存，应对fork和rewrite
    • 单个Redis实例内存上限不要太大，例如4G或8G。可以加快fork的速度、减少主从同步、数据迁移压力
    • 不要与CPU密集型应用部署在一起
    • 不要与高硬盘负载应用一起部署。例如：数据库、消息队列

慢查询优化

什么是慢查询

并不是很慢的查询才是慢查询，而是：在Redis执行时耗时超过某个阈值的命令，称为慢查询

慢查询的危害：由于Redis是单线程的，所以当客户端发出指令后，他们都会进入到redis底层的queue来执行，如果此时有一些慢查询的数据，就会导致大量请求阻塞，从而引起报错，所以我们需要解决慢查询问题。

慢查询的阈值可以通过配置指定：

slowlog-log-slower-than：慢查询阈值，单位是微秒。默认是10000，建议1000

慢查询会被放入慢查询日志中，日志的长度有上限，可以通过配置指定：

slowlog-max-len：慢查询日志（本质是一个队列）的长度。默认是128，建议1000

image-20260522143119749

修改这两个配置可以使用：config set

image-20260522143139231

如何查看慢查询

知道了以上内容之后，那么如何查看慢查询日志列表呢?

  • slowlog len：查询慢查询日志长度
  • slowlog get [n]：读取n条慢查询日志
  • slowlog reset：清空慢查询列表

image-20260522143527499

命令及安全配置

安全可以说是服务器端一个非常重要的话题，如果安全出现了问题，一旦漏洞被恶意攻击者利用，就会给我们的系统带来巨大的损失。所以这小节就来解决这个问题。

Redis 默认会绑定在 0.0.0.0:6379，这会将 Redis 服务直接暴露在公网上。如果 Redis 没有做身份认证，将会出现严重的安全漏洞。 漏洞重现方式：https://cloud.tencent.com/developer/article/1039000

为什么会出现不需要密码也能登录的情况呢？这里的核心原理其实是攻击者利用了 Redis 的权限去篡改了 Linux 系统的 SSH 免密登录配置。SSH 免密登录需要在服务器的 authorized_keys 文件中存入客户端的公钥。而 Redis 的漏洞在于，攻击者可以在未授权登录的情况下，利用 Redis 的持久化功能，强行把自己的 SSH 公钥“写入”到 Linux 服务器的 /root/.ssh/authorized_keys 文件中，从而直接获取服务器的最高权限。

漏洞出现的核心原因有以下几点：

  • Redis 未设置密码（未授权访问）
  • 攻击者利用了 Redis 的 config set 命令动态修改 Redis 的持久化路径和文件名
  • 使用了 Root 账号权限启动 Redis，导致 Redis 有权限向系统核心目录写入文件

所以：如何解决呢？我们可以采用如下几种方案

为了避免这样的漏洞，这里给出一些建议：

  • Redis 一定要设置强密码（requirepass）
  • 禁止线上使用高危命令：keys、flushall、flushdb、config set 等。可以利用 rename-command 重命名或直接禁用。
  • bind：限制网卡绑定，禁止外网网卡直接访问，仅允许内网或本机访问
  • 开启防火墙，严格限制 6379 端口的访问来源 IP
  • 不要使用 Root 账户启动 Redis，应使用权限受限的普通用户
  • 尽量不使用默认的 6379 端口，改为其他非常用端口

内存划分和内存配置

当Redis内存不足时，可能导致Key频繁被删除、响应时间变长、QPS不稳定等问题。当内存使用率达到90%以上时就需要我们警惕，并快速定位到内存占用的原因。

有关碎片问题分析

Redis底层分配并不是这个key有多大，他就会分配多大，而是有他自己的分配策略，比如8、16、32、48等，假定当前key只需要10个字节，此时分配8肯定不够，那么他就会分配16个字节，多出来的6个字节就成为内部碎片（该分配单元内无法被当前 key 使用的空间），这就是我们常说的碎片问题

进程内存问题分析：

这片内存，通常我们都可以忽略不计

缓冲区内存问题分析：

一般包括客户端缓冲区、AOF缓冲区、复制缓冲区等。客户端缓冲区又包括输入缓冲区和输出缓冲区两种。这部分内存占用波动较大，所以这部分内存是我们需要重点分析的。

内存占用 说明
数据内存 是Redis最主要的部分，存储Redis的键值信息。主要问题是BigKey问题、内存碎片问题
进程内存 Redis主进程本身运⾏肯定需要占⽤内存，如代码、常量池等等；这部分内存⼤约⼏兆，在⼤多数⽣产环境中与Redis数据占⽤的内存相⽐可以忽略。
缓冲区内存 一般包括客户端缓冲区、AOF缓冲区、复制缓冲区等。客户端缓冲区又包括输入缓冲区和输出缓冲区两种。这部分内存占用波动较大，不当使用BigKey，可能导致内存溢出。

于是我们就需要通过一些命令，可以查看到Redis目前的内存分配状态：

  • info memory：查看内存分配的情况

image-20260522152618196

  • memory usage ：查看key的主要占用情况

image-20260522152614995

看到了这些配置，最关键的缓存区内存应该如何定位和解决呢？

内存缓冲区常见的有三种：

  • 复制缓冲区：主从复制的repl_backlog_buf，如果太小可能导致频繁的全量复制，影响性能。通过repl-backlog-size来设置，默认1MB
  • AOF缓冲区：AOF刷盘之前的缓存区域，AOF执行rewrite的缓冲区。没有直接可配置的容量上限
  • 客户端缓冲区：分为输入缓冲区和输出缓冲区，输入缓冲区最大1G且不能设置。输出缓冲区可以设置

以上复制缓冲区和AOF缓冲区通常不会有问题，最关键就是客户端缓冲区的问题

客户端缓冲区：指的就是我们发送命令时，客户端用来缓存命令的一个缓冲区，也就是我们向redis输入数据的输入端缓冲区和redis向客户端返回数据的响应缓存区，输入缓冲区最大1G且不能设置，所以这一块我们根本不用担心，如果超过了这个空间，redis会直接断开该客户端连接，因为本来此时此刻就代表着redis处理不过来了，我们需要担心的就是输出端缓冲区，其配置如下

image-20260522160357202

我们在使用Redis过程中，如果处理大量的big value，那么会导致我们的输出结果过多，如果输出缓冲区过大，会导致Redis直接断开。而默认配置下，普通客户端的输出缓冲区默认是没有大小限制的，这其实是一个巨大的隐患。一旦遇到BigKey或慢客户端，缓冲区就会无节制地膨胀，疯狂吞噬服务器内存。当内存占用达到物理极限时，不仅会触发操作系统的 OOM Killer 导致 Redis 进程崩溃，Redis自身的保护机制也可能强制断开连接。所以解决方案有两个：

  1. 设置一个大小（即设置输出缓冲区的硬限制和软限制）。
  2. 增加我们带宽的大小，可以缓解传输压力，但根本还是要合理设置输出缓冲区大小或控制big value的数量。

集群最佳实践

集群完整性问题

在Redis的默认配置中，如果发现任意一个插槽不可用，则整个集群都会停止对外服务：

image-20260522162502446

为了保证高可用特性，这里建议将 cluster-require-full-coverage 配置为 false

集群带宽问题

集群节点之间会不断的互相Ping来确定集群中其它节点的状态。每次Ping携带的信息至少包括：

  • 插槽信息
  • 集群状态信息

集群中节点越多，集群状态信息数据量也越大，例如10个节点的相关信息可能达到1kb左右，此时每次节点间通信需要的带宽会非常高，这样会导致集群中大量的带宽都会被ping信息所占用，这是一个非常可怕的问题，所以我们需要去解决这样的问题

解决途径：

  • 避免大集群，集群节点数不要太多，最好少于1000，如果业务庞大，则建立多个集群。
  • 避免在单个物理机中运行太多Redis实例
  • 配置合适的cluster-node-timeout值

命令的集群兼容性问题

有关这个问题前面已经探讨过了，当我们使用批处理的命令时，redis要求我们的key必须落在相同的slot上，大量的key同时操作时，是无法完成的，所以客户端必须要对这样的数据进行处理，这些方案之前已经探讨过了，所以不再这个地方赘述了。

lua和事务的问题

Lua和事务都需要保证原子性。如果你的key不在同一个节点（即属于不同slot），那么Redis无法执行该Lua脚本或事务。所以在集群模式下，只有当你操作的key全部落在同一个节点时，才能成功执行Lua脚本和事务。

选主从还是集群

单体Redis（主从Redis）已经能达到万级别的QPS，并且也具备很强的高可用特性。如果主从能满足业务需求的情况下，不是万不得已尽量不搭建Redis集群

© 2025 - 2026 缘鱼
本站于2025年3月26日建立
使用 Hugo 构建
主题 Stack 由 Jimmy 设计