背景：

最近系统内缓存CPU使用率一直报警，超过设置的70%报警阀值，针对此场景，需要对应解决缓存是否有大key使用问题，扫描缓存集群的大key，针对每个key做优化处理。

以下是扫描出来的大key，此处只放置了有效关键信息。





图1

大key介绍:

想要解决大key，首先我们得知道什么定义为大key。

什么是大KEY：

大key 并不是指 key 的值很大，而是 key 对应的 value 很大（非常占内存）。此处为中间件给出的定义：

•单个String类型的Key大小达到20KB并且OPS高

•单个String达到100KB

•集合类型的Key总大小达到1MB

•集合类型的Key中元素超过5000个

大KEY带来的影响：

知道了大key的定义，那么我们也得知道大key的带来的影响：

•客户端超时阻塞。 Redis 执行命令是单线程处理，然后在大 key处理时会比较耗时，那么就会发生阻塞 ，期间就会各种业务超时出现。

•引发网络阻塞。每次获取大 key 产生的网络流量较大，如果一个 key 的大小是 1 MB，每秒访问量为 1000，那么每秒会产生 1000MB 的流量，这对于服务器来说是灾难性的。

•阻塞工作线程。如果使用 del 删除大 key 时，会阻塞工作线程，无法处理后续的命令。

•内存分布不均。集群各分片内存使用不均。某个分片占用内存较高或OOM，发送缓存区增大等，导致该分片其他Key被逐出，同时也会造成其他分片的资源浪费。

大KEY解决手段：

1、历史key未使用

场景描述：

针对这种key场景，其实存在着历史原因，可能是伴随着某个业务下线或者不使用，往往对应实现的缓存操作代码会删除，但是对于缓存数据往往不会做任何处理，久而久之，这种脏数据会一直堆积，占用着资源。那么如果确定已经无使用，并且可以确认有持久化数据（如mysql、es等）备份的话，可以直接将对应key删除。

实例经验：

如图1上面的元素个数488649，其实整个系统查看了下，没有使用的地方，最近也没有访问，相信也是因为一直没有用到， 否则系统内一旦用了这个key来操作hgetall、smembers等，那么缓存服务应该就会不可用了。

2、元素数过多

场景描述：

针对于Set、HASH这种场景，如果元素数量超过5000就视为大的key,以上面图1为例，可以看到元素个数有的甚至达到了1万以上。针对这种的如果对应value值不大，我们可以采取平铺的形式，

实例经验：

比如系统内历史的设计是存储下每个品牌对应的名称，那么就设置了统一的key，然后不同的品牌id作为fild，操作了hSet和hGet来存储获取数据，降低查询外围服务的频率。但是随着品牌数量的增长，导致元素逐步增多，元素个数就超过了大key的预设值了。这种根据场景，我们其实存储本身只有一个品牌名称，那么我们就针对于品牌id对应加上一个统一前缀作为唯一key，采用平铺方式缓存对应数据即可。那么针对这种数据的替换，我这里也总结了下具体要实现的步骤：

修改代码查询和赋值逻辑：

•把原始的hGet的逻辑修改为get获取；

•把原始hSet的逻辑修改为set赋值。

历史数据刷新到新缓存key：

为了避免上线之后出现缓存雪崩，因为替换了新的key，我们需要通过现有的HASH的数据刷新到新的缓存中，所以需要历史数据处理。

通过hGetAll获取所以元素数据

循环缓存元素数据操作存储新的缓存key和value。

1public String refreshHistoryData(){
2    try {
3        String key = "historyKey";
4        Map<String, String> redisInfoMap= redisUtils.hGetAll(key);
5        if (redisInfoMap.isEmpty()){
6            return "查询缓存无数据";
7        }
8        for (Map.Entry<String, String> entry : redisInfoMap.entrySet()) {
9            String redisVal = entry.getValue();
10            String filedKey = entry.getKey();
11            String newDataRedisKey = "newDataKey"+filedKey;
12            redisUtils.set(newDataRedisKey,redisVal);
13        }
14        return "success";
15    }catch (Exception e){
16        LOG.error("refreshHistoryData 异常:",e);
17    }
18    return "failed";
19}

注意:这里一定要先刷历史数据，再上线代码业务逻辑的修改。防止引发****缓存雪崩

3、大对象转换存储形式

场景描述：

复杂的大对象可以尝试将对象分拆成几个key-value， 使用mGet和mSet操作对应值或者pipeline的形式，最后拼装成需要返回的大对象。这样意义在于可以分散单次操作的压力，将操作压力平摊到多个redis实例中，降低对单个redis的IO影响；

实例经验：

这里以系统内订单对象为例：订单对象Order基础属性有几十个，如订单号、金额、时间、类型等，除此之外还要包含订单下的商品OrderSub、预售信息PresaleOrder、发票信息OrderInvoice、订单时效OrderPremiseInfo、订单轨迹OrderTrackInfo、订单详细费用OrderFee等信息。

那么对于每个订单相关信息，我们可以设置为单独的key，把订单信息和几个相关的关联数据每个按照单独key存储，接着通过mGet方式获取每个信息之后，最后封装成整体Order对象。下面仅展示关键伪代码以mSet和mGet实现：

缓存定义：

1public enum CacheKeyConstant {
2
3    /**
4     * 订单基础缓存key
5     */
6    REDIS_ORDER_BASE_INFO("ORDER_BASE_INFO"),
7
8    /**
9     * 订单商品缓存key
10     */
11    ORDER_SUB_INFO("ORDER_SUB_INFO"),
12
13    /**
14     * 订单预售信息缓存key
15     */
16    ORDER_PRESALE_INFO("ORDER_PRESALE_INFO"),
17
18    /**
19     * 订单履约信息缓存key
20     */
21    ORDER_PREMISE_INFO("ORDER_PREMISE_INFO"),
22
23    /**
24     * 订单发票信息缓存key
25     */
26    ORDER_INVOICE_INFO("ORDER_INVOICE_INFO"),
27
28    /**
29     * 订单轨迹信息缓存key
30     */
31    ORDER_TRACK_INFO("ORDER_TRACK_INFO"),
32
33    /**
34     * 订单详细费用信息缓存key
35     */
36    ORDER_FEE_INFO("ORDER_FEE_INFO"),
37    ;
38    /**
39     * 前缀
40     */
41    private String prefix;
42
43    /**
44     * 项目统一前缀
45     */
46    public static final String COMMON_PREFIX = "XXX";
47
48
49    CacheKeyConstant(String prefix){
50        this.prefix = prefix;
51    }
52
53    public String getPrefix(String subKey) {
54        if(StringUtil.isNotEmpty(subKey)){
55            return COMMON_PREFIX + prefix + "_" + subKey;
56        }
57        return COMMON_PREFIX + prefix;
58    }
59
60    public String getPrefix() {
61        return COMMON_PREFIX + prefix;
62    }
63}

缓存存储：

1/**
2 * @description 刷新订单到缓存
3 * @param order 订单信息
4 */
5public boolean refreshOrderToCache(Order order){
6     if(order == null || order.getOrderId() == null){
7        return ;
8    }
9    String orderId = order.getOrderId().toString();
10    //设置存储缓存数据
11    Map<String,String> cacheOrderMap = new HashMap<>(16);
12    cacheOrderMap.put(CacheKeyConstant.ORDER_BASE_INFO.getPrefix(orderId), JSON.toJSONString(buildBaseOrderVo(order)));
13    cacheOrderMap.put(CacheKeyConstant.ORDER_SUB_INFO.getPrefix(orderId), JSON.toJSONString(order.getCustomerOrderSubs()));
14    cacheOrderMap.put(CacheKeyConstant.ORDER_PRESALE_INFO.getPrefix(orderId), JSON.toJSONString(order.getPresaleOrderData()));
15    cacheOrderMap.put(CacheKeyConstant.ORDER_INVOICE_INFO.getPrefix(orderId), JSON.toJSONString(order.getOrderInvoice()));
16    cacheOrderMap.put(CacheKeyConstant.ORDER_TRACK_INFO.getPrefix(orderId), JSON.toJSONString(order.getOrderTrackInfo()));
17    cacheOrderMap.put(CacheKeyConstant.ORDER_PREMISE_INFO.getPrefix(orderId), JSON.toJSONString( order.getPresaleOrderData()));
18    cacheOrderMap.put(CacheKeyConstant.ORDER_FEE_INFO.getPrefix(orderId), JSON.toJSONString(order.getOrderFeeVo()));
19    superRedisUtils.mSetString(cacheOrderMap);
20}

缓存获取：

1/**
2 * @description 通过订单号获取缓存数据
3 * @param orderId 订单号
4 * @return Order 订单实体信息
5 */
6public Order getOrderFromCache(String orderId){
7    if(StringUtils.isBlank(orderId)){
8            return null;
9    }
10    //定义查询缓存集合key
11    List<String> queryOrderKey = Arrays.asList(CacheKeyConstant.ORDER_BASE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_SUB_INFO.getPrefix(orderId),
12            CacheKeyConstant.ORDER_PRESALE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_INVOICE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_TRACK_INFO.getPrefix(orderId),
13            CacheKeyConstant.ORDER_PREMISE_INFO.getPrefix(orderId),CacheKeyConstant.ORDER_FEE_INFO.getPrefix(orderId));
14
15    //查询结果
16    List<String> result = redisUtils.mGet(queryOrderKey);
17    //基础信息
18    if(CollectionUtils.isEmpty(result)){
19        return null;
20    }
21    String[] resultInfo = result.toArray(new String[0]);
22
23    //基础信息
24    if(StringUtils.isBlank(resultInfo[0])){
25        return null;
26    }
27    BaseOrderVo baseOrderVo = JSON.parseObject(resultInfo[0],BaseOrderVo.class);
28    Order order = coverBaseOrderVoToOrder(baseOrderVo);
29
30    //订单商品
31    if(StringUtils.isNotBlank(resultInfo[1])){
32        List<OrderSub> orderSubs =JSON.parseObject(result.get(1), new TypeReference<List<OrderSub>>(){});
33        order.setCustomerOrderSubs(orderSubs);
34    }
35    //订单预售
36    if(StringUtils.isNotBlank(resultInfo[2])){
37        PresaleOrderData presaleOrderData = JSON.parseObject(resultInfo[2],PresaleOrderData.class);
38        order.setPresaleOrderData(presaleOrderData);
39    }
40    //订单发票
41    if(StringUtils.isNotBlank(resultInfo[3])){
42        OrderInvoice orderInvoice = JSON.parseObject(resultInfo[3],OrderInvoice.class);
43        order.setOrderInvoice(orderInvoice);
44    }
45    //订单轨迹
46    if(StringUtils.isNotBlank(resultInfo[5])){
47        OrderTrackInfo orderTrackInfo = JSON.parseObject(resultInfo[5],OrderTrackInfo.class);
48        order.setOrderTrackInfo(orderTrackInfo);
49    }
50    //订单履约信息
51    if(StringUtils.isNotBlank(resultInfo[6])){
52        List<OrderPremiseInfo> orderPremiseInfos =JSON.parseObject(result.get(6), new TypeReference<List<OrderPremiseInfo>>(){});
53        order.setPremiseInfos(orderPremiseInfos);
54    }
55    //订单费用明细信息
56    if(StringUtils.isNotBlank(resultInfo[7])){
57        OrderFeeVo orderFeeVo = JSON.parseObject(resultInfo[7],OrderFeeVo.class);
58        order.setOrderFeeVo(orderFeeVo);
59    }
60    return order;
61}

注意：获取缓存的结果跟传入的key的顺序保持对应即可。

缓存util方法封装：

1/**
2 *
3 * @description 同时将多个 key-value (域-值)对设置到缓存中。
4 * @param mappings 需要插入的数据信息
5 */
6public void mSetString(Map<String, String> mappings) {
7    CallerInfo callerInfo = Ump.methodReg(UmpKeyConstants.REDIS.REDIS_STATUS_READ_MSET);
8    try {
9        redisClient.getClientInstance().mSetString(mappings);
10    } catch (Exception e) {
11        Ump.funcError(callerInfo);
12    }finally {
13        Ump.methodRegEnd(callerInfo);
14    }
15}
16/**
17 *
18 * @description 同时将多个key的结果返回。
19 * @param queryKeys 查询的缓存key集合
20 */
21public List<String> mGet(List<String> queryKeys) {
22    CallerInfo callerInfo = Ump.methodReg(UmpKeyConstants.REDIS.REDIS_STATUS_READ_MGET);
23    try {
24        return redisClient.getClientInstance().mGet(queryKeys.toArray(new String[0]));
25    } catch (Exception e) {
26        Ump.funcError(callerInfo);
27    }finally {
28        Ump.methodRegEnd(callerInfo);
29    }
30    return new ArrayList<String>(queryKeys.size());
31}

这里附上通过pipeline的util封装，可参考。

1/**
2 * @description pipeline放松查询数据
3 * @param redisKeyList
4 * @return java.util.List<java.lang.String>
5 */
6public List<String> getValueByPipeline(List<String> redisKeyList) {
7        if(CollectionUtils.isEmpty(redisKeyList)){
8            return null;
9        }
10        List<String> resultInfo = new ArrayList<>(redisKeyList);
11        CallerInfo callerInfo = Ump.methodReg(UmpKeyConstants.REDIS.REDIS_STATUS_READ_GET);
12        try {
13
14            PipelineClient pipelineClient = redisClient.getClientInstance().pipelineClient();
15
16            //添加批量查询任务
17            List<JimFuture> futures = new ArrayList<>();
18            redisKeyList.forEach(redisKey -> {
19                futures.add(pipelineClient.get(redisKey.getBytes()));
20            });
21            //处理查询结果
22            pipelineClient.flush();
23            //可以等待future的返回结果，来判断命令是否成功。
24            for (JimFuture future : futures) {
25                resultInfo.add(new String((byte[])future.get()));
26            }
27
28        } catch (Exception e) {
29            log.error("getValueByPipeline error:",e);
30            Ump.funcError(callerInfo);
31            return new ArrayList<>(redisKeyList.size());
32        }finally {
33            Ump.methodRegEnd(callerInfo);
34        }
35        return resultInfo;
36    }

注意：Pipeline不建议用来设置缓存值，因为本身不是原子性的操作。

4、压缩存储数据

压缩方法结果：

单个元素时：





四百个元素集合：





四万个元素集合时：





压缩代码样例

DefaultOutputStream

1public static byte[] compressToByteArray(String text) throws IOException {
2    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
3    Deflater deflater = new Deflater();
4    DeflaterOutputStream deflaterOutputStream = new DeflaterOutputStream(outputStream, deflater);
5
6    deflaterOutputStream.write(text.getBytes());
7    deflaterOutputStream.close();
8
9    return outputStream.toByteArray();
10}

1public static String decompressFromByteArray(byte[] bytes) throws IOException {
2    ByteArrayInputStream inputStream = new ByteArrayInputStream(bytes);
3    Inflater inflater = new Inflater();
4    InflaterInputStream inflaterInputStream = new InflaterInputStream(inputStream, inflater);
5    ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
6
7    byte[] buffer = new byte[1024];
8    int length;
9    while ((length = inflaterInputStream.read(buffer)) != -1) {
10        outputStream.write(buffer, 0, length);
11    }
12
13    inflaterInputStream.close();
14    outputStream.close();
15
16    byte[] decompressedData = outputStream.toByteArray();
17    return new String(decompressedData);
18}

GZIPOutputStream

1public static byte[] compressGzip(String str) {
2        ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
3        GZIPOutputStream gzipOutputStream = null;
4        try {
5            gzipOutputStream = new GZIPOutputStream(outputStream);
6        } catch (IOException e) {
7            throw new RuntimeException(e);
8        }
9        try {
10            gzipOutputStream.write(str.getBytes("UTF-8"));
11        } catch (IOException e) {
12            throw new RuntimeException(e);
13        }finally {
14            try {
15                gzipOutputStream.close();
16            } catch (IOException e) {
17                throw new RuntimeException(e);
18            }
19        }
20        return outputStream.toByteArray();
21    }

1 public static String decompressGzip(byte[] compressed) throws IOException {
2        ByteArrayInputStream inputStream = new ByteArrayInputStream(compressed);
3        GZIPInputStream gzipInputStream = new GZIPInputStream(inputStream);
4        ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
5        byte[] buffer = new byte[1024];
6        int length;
7        while ((length = gzipInputStream.read(buffer)) > 0) {
8            outputStream.write(buffer, 0, length);
9        }
10        gzipInputStream.close();
11        outputStream.close();
12        return outputStream.toString("UTF-8");
13    }

ZlibCompress

1 public  byte[] zlibCompress(String message) throws Exception {
2        String chatacter = "UTF-8";
3        byte[] input = message.getBytes(chatacter);
4        BigDecimal bigDecimal = BigDecimal.valueOf(0.25f);
5        BigDecimal length = BigDecimal.valueOf(input.length);
6        byte[] output = new byte[input.length + 10 + new Double(Math.ceil(Double.parseDouble(bigDecimal.multiply(length).toString()))).intValue()];
7        Deflater compresser = new Deflater();
8        compresser.setInput(input);
9        compresser.finish();
10        int compressedDataLength = compresser.deflate(output);
11        compresser.end();
12        return Arrays.copyOf(output, compressedDataLength);
13    }

1public static String zlibInfCompress(byte[] data) {
2        String s = null;
3
4        Inflater decompresser = new Inflater();
5        decompresser.reset();
6        decompresser.setInput(data);
7        ByteArrayOutputStream o = new ByteArrayOutputStream(data.length);
8        try {
9            byte[] buf = new byte[1024];
10            while (!decompresser.finished()) {
11                int i = decompresser.inflate(buf);
12                o.write(buf, 0, i);
13            }
14            s = o.toString("UTF-8");
15        } catch (Exception e) {
16            e.printStackTrace();
17        } finally {
18            try {
19                o.close();
20            } catch (IOException e) {
21                e.printStackTrace();
22            }
23        }
24        decompresser.end();
25        return s;
26    }

可以看到压缩效率比较好，压缩效率可以从几百kb压缩到几kb内；当然也是看具体场景。不过这里就是最好是避免调用量大的场景使用，毕竟解压和压缩数据量大会比较耗费cpu性能。如果是黄金链路使用，还需要具体配合压测，对比前后接口性能。

5、替换存储方案

如果数据量庞大，那么其实本身是不是就不太适合redis这种缓存存储了。可以考虑es或者mongo这种文档式存储结构，存储大的数据格式。

总结：

redis缓存的使用是一个支持业务和功能高并发的很好的使用方案，但是随着使用场景的多样性以及数据的增加，可能逐渐的会出现大key，日常使用中都可以注意以下几点：

1.分而治之：如果需要存储大量的数据，避免直接放到缓存中。可以将其拆分成多个小的value。就像是咱们日常吃饭，盛到碗里，一口一口的吃，俗话说的好呀：“细嚼慢咽”。

2.避免使用不必要的数据结构。例如，如果只需要存储一个字符串结构的数据，就不要过度设计，使用Hash或者List等数据结构。

3.定期清理过期的key。如果Redis中存在大量的过期key，就会导致Redis的性能下降，或者场景非必要以缓存来持久存储的，可以添加过期时间，定时清理过期的key，就像是家中的日常垃圾类似，定期的清洁和打扫，居住起来咱们才会更加舒服和方便。

4.对象压缩。将大的数据压缩成更小的数据，也是一种好的解决方案，不过要注意压缩和解压的频率，毕竟是比较耗费cpu的。

以上是我根据现有实际场景总结出的一些解决手段，记录了这些大key的优化经验，希望可以在日常场景中帮助到大家。大家有其他的好的经验，也可以分享出来。