掌握这些Redis技巧，让你的程序运行速度翻倍

来源：https://dwz.cn/RseclNiY

一、Redis封装架构讲解

实际上NewLife.Redis是一个完整的Redis协议功能的实现，但是Redis的核心功能并没有在这里面，而是在NewLife.Core里面。

这里可以打开看一下，NewLife.Core里面有一个NewLife.Caching的命名空间，里面有一个Redis类，里面实现了Redis的基本功能；另一个类是RedisClient是Redis的客户端。

Redis的核心功能就是有这两个类实现，RedisClient代表着Redis客户端对服务器的一个连接。Redis真正使用的时候有一个Redis连接池，里面存放着很多个RedisClient对象。

所以我们Redis的封装有两层，一层是NewLife.Core里面的Redis以及RedisClient；另一层就是NewLife.Redis。这里面的FullRedis是对Redis的实现了Redis的所有的高级功能。

这里你也可以认为NewLife.Redis是Redis的一个扩展。

二、Test实例讲解Redis的基本使用

1、实例

打开Program.cs看下代码：

这里XTrace.UseConsole();是向控制台输出日志，方便调试使用查看结果。

接下来看第一个例子Test1，具体的我都在代码中进行了注释，大家可以看下：

Set的时候，如果是字符串或者字符数据的话，Redis会直接保存起来（字符串内部机制也是保存二进制），如果是其他类型，会默认进行json序列化然后再保存起来。

Get的时候，如果是字符串或者字符数据会直接获取，如果是其他类型会进行json反序列化。

Set第三个参数过期时间单位是秒。

vs调试小技巧，按F5或者直接工具栏“启动”会编译整个解决方案会很慢（VS默认），可以选中项目然后右键菜单选择调试->启动新实例，会只编译将会用到的项目，这样对调试来说会快很多。

大家运行调试后可以看到控制台输出的内容：向右的箭头=》是ic.Log=XTrace.Log输出的日志。

字典的使用：对象的话，需要把json全部取出来，然后转换成对象，而字典的话，就可以直接取某个字段。

队列是List结构实现的，上游数据太多，下游处理不过来的时候，就可以使用这个队列。上游的数据发到队列，然后下游慢慢的消费。另一个应用，跨语言的协同工作，比方说其他语言实现的程序往队列里面塞数据，然后另一种语言来进行消费处理。这种方式类似MQ的概念，虽然有点low，但是也很好用。

集合，用的比较多的是用在一个需要精确判断的去重功能。像我们每天有三千万订单，这三千万订单可以有重复。这时候我想统计下一共有订单，这时候直接数据库group by是不大可能的，因为数据库中分了十几张表，这里分享个实战经验：

比方说揽收，商家发货了，网点要把件收回来，但是收回来之前网点不知道自己有多少货，这时候我们做了一个功能，也就是订单会发送到我们公司来。我们会建一个time_site的key的集合，而且集合本身有去重的功能，而且我们可以很方便的通过set.Count功能来统计数量，当件被揽收以后，我们后台把这个件从集合中Remove掉。然后这个Set中存在的就是网点还没有揽收的件，这时候通过Count就会知道这个网点今天还有多少件没有揽收。实际使用中这个数量比较大，因为有几万个网点。

Redis中布隆过滤器，去重的，面试的时候问的比较多。

小经验分享：

数据库中不合法的时间处理：判断时间中的年份是否大于2000年，如果小于2000就认为不合法；习惯大于小于号不习惯用等于号，这样可以处理很多意外的数据；

Set的时候最好指定过期时间，防止有些需要删除的数据我们忘记删了；

Redis异步尽量不用，因为Redis延迟本身很小，大概在100us-200us，再一个就是Redis本身是单线程的，异步任务切换的耗时比网络耗时还要大；

List用法：物联网中数据上传，量比较大时，我们可以把这些数据先放在Redis的List中，比如说一秒钟1万条，然后再批量取出来然后批量插入数据库中。这时候要设置好key，可以前缀+时间，对已处理的List可以进行remove移除。

2、压力测试

接下来看第四个例子，我们直接做压力测试，代码如下：

运行的结果如下图所示：

测试就是进行get,set remove,累加等的操作。大家可以看到在我本机上轻轻松松的到了六十万，多线程的时候甚至到了一百多万。

为什么会达到这么高的Ops呢？下面给大家说一下：

Bench会分根据线程数分多组进行添删改压力测试；

rand参数，是否随机产生key/value；

batch批大小，分批执行读写操作，借助GetAll/SetAll进行优化。

3、Redis中NB的函数来提升性能

上面的操作如果大家都掌握了就基本算Redis入门了，接下来进行进阶。如果能全然吃透，差不多就会比别人更胜一筹了。

GetAll()与SetAll()

GetAll：比方说我要取十个key，这个时候可以用getall。这时候Redis就执行了一次命令。比方说我要取10个key那么用get的话要取10次，如果用getall的话要用1次。1次getall时间大概是get的一点几倍，但是10次get的话就是10倍的时间，这个账你应该会算吧？强烈推荐大家用getall。

setall跟getall相似，批量设置K-V。

setall与getall性能很恐怖，官方公布的Ops也就10万左右，为什么我们的测试轻轻松松到五十万甚至上百万？因为我们就用了setall,getall。如果get,set两次以上，建议用getall,setall。

Redis管道Pipeline

比如执行10次命令会打包成一个包集体发过去执行，这里实现的方式是StartPipeline()开始，StopPipeline()结束中间的代码就会以管道的形式执行。

这里推荐使用更强的武器，AutoPipeline自动管道属性。管道操作到一定数量时，自动提交，默认0。使用了AutoPipeline，就不需要StartPipeline，StopPipeline指定管道的开始结束了。

Add与Replace

Add：Redis中没有这个Key就添加，有了就不要添加，返回false；

Replace：有则替换，还会返回原来的值，没有则不进行操作。

Add跟Replace就是实现Redis分布式锁的关键。

三、Redis使用技巧，经验分享

在项目的Readme中，这里摘录下：

1、特性

在ZTO大数据实时计算广泛应用，200多个Redis实例稳定工作一年多，每天处理近1亿包裹数据，日均调用量80亿次；

低延迟，Get/Set操作平均耗时200~600us（含往返网络通信）；

大吞吐，自带连接池，最大支持1000并发；

高性能，支持二进制序列化（默认用的json，json很低效，转成二进制性能会提升很多）。

2、Redis经验分享

在Linux上多实例部署，实例个数等于处理器个数，各实例最大内存直接为本机物理内存，避免单个实例内存撑爆（比方说8核心处理器，那么就部署8个实例）。

把海量数据（10亿+）根据key哈希（Crc16/Crc32）存放在多个实例上，读写性能成倍增长。

采用二进制序列化，而非常见的Json序列化。

合理设计每一对Key的Value大小，包括但不限于使用批量获取，原则是让每次网络包控制在1.4k字节附近，减少通信次数（实际经验几十k，几百k也是没问题的）。

Redis客户端的Get/Set操作平均耗时200~600us（含往返网络通信），以此为参考评估网络环境和Redis客户端组件（达不到就看一下网络，序列化方式等等）。

使用管道Pipeline合并一批命令。

Redis的主要性能瓶颈是序列化、网络带宽和内存大小，滥用时处理器也会达到瓶颈。

在此我向大家推荐一个架构学习交流圈：681065582 帮助突破J瓶颈 提升思维能力

其它可查优化技巧。

以上经验，源自于300多个实例4T以上空间一年多稳定工作的经验，并按照重要程度排了先后顺序，可根据场景需要酌情采用。

3、缓存Redis的兄弟姐妹

Redis实现ICache接口，它的孪生兄弟MemoryCache，内存缓存，千万级吞吐率。

各应用强烈建议使用ICache接口编码设计，小数据时使用MemoryCache实现；数据增大（10万）以后，改用Redis实现，不需要修改业务代码。

四、关于一些疑问的回复

这一Part我们会来聊聊大数据中Redis使用的经验：

Q1：一条数据多个key怎么设置比较合理？

A1：如果对性能要求不是很高直接用json序列化实体就好，没必要使用字典进行存储。

Q2：队列跟List有什么区别？左进右出的话用List还是用队列比较好？

A2：队列其实就是用List实现的，也是基于List封装的。左进右出的话直接队列就好。Redis的List结构比较有意思，既可以左进右出，也能右进左出。所以它既可以实现列表结构，也能队列，还能实现栈。

Q3：存放多个字段的类性能一样吗？

A3：大部分场景都不会有偏差，可能对于大公司数据量比较大的场景会有些偏差。

Q4：大数据写入到数据库之后，比如数据到亿以上的时候，统计分析、查询这块，能不能分享些经验。

A4：分表分库，拆分到一千万以内。

Q5：CPU为何暴涨？

A5：程序员终极理念——CPU达到百分百，然后性能达到最优，尽量不要浪费。最痛恨的是——如果CPU不到百分百，性能没法提升了，说明代码有问题。

虽然Redis大家会用，但是我们可能平时不会有像这样的大数据使用场景。希望本文能够给大家一些值得借鉴的经验。