**谷粒随享** ## 第6章详情优化 **学习目标：** - 微服务**分布式链路追踪组件**应用（微服务基础组件） - 针对于相对高并发业务场景进行性能优化 - 采用分布式缓存Redis - 缓存击穿（**分布式锁**） - 缓存穿透（**分布式布隆过滤器**） - 缓存雪崩（分布式集群） - 缓存一致性（**基于MySQL-BinLog**数据最终一致） - 采用异步任务+线程池 - 代码优化：利用AOP将冗余代码抽取-提供自定义缓存注解 # 1、链路追踪Zipkin 一个看起来很简单的应用，背后可能需要数十或数百个服务来支撑，一个请求就要多次服务调用。当请求变慢、或者不能使用时，我们是不知道是哪个后台服务引起的。这时，我们使用 Zipkin 就能解决这个问题。由于业务访问量的增大，业务复杂度增加，以及微服务架构和容器技术的兴起，要对系统进行各种拆分。微服务系统拆分后，我们可以使用 Zipkin 链路，来快速定位追踪有故障的服务点。 **Zipkin/SkyWalking** 是一款开源的分布式实时数据追踪系统（Distributed Tracking System），能够收集服务间调用的时序数据，提供调用链路的追踪。 **Zipkin** 其主要功能是聚集来自各个异构系统的实时监控数据，在微服务架构下，十分方便地用于服务响应延迟等问题的定位。 **Zipkin** 每一个调用链路通过一个 trace id 来串联起来，只要你有一个 trace id ，就能够直接定位到这次调用链路，并且可以根据服务名、标签、响应时间等进行查询，过滤那些耗时比较长的链路节点。 **Zipkin 分布式跟踪系统**就能非常好地解决该问题，**主要解决以下3点问题：** - 1. 动态展示服务的链路； - 2. 分析服务链路的瓶颈并对其进行调优； - 3. 快速进行服务链路的故障发现; 在优化前通过Zipkin链路追踪进行查看接口耗时 1. 在`service-util`工具模块pom.xml中新增Zipkin相关依赖 ```xml io.micrometer micrometer-tracing-bridge-brave io.zipkin.reporter2 zipkin-reporter-brave io.micrometer micrometer-observation org.springframework.boot spring-boot-starter-actuator org.springframework.cloud spring-cloud-starter-zipkin 2.2.8.RELEASE io.github.openfeign feign-micrometer 12.5 ``` 2. 在Nacos配置`common.yaml`中新增配置（**已完成**） ```yaml management: zipkin: tracing: endpoint: http://192.168.200.6:9411/api/v2/spans tracing: sampling: probability: 1.0 # 记录速率100% ``` 3. 解决异步任务+多线程导致异步Feign请求无法被链路追踪，故需要未线程池设置装饰器（将当前线程内上下文中trace_id传递到子线程中），故将当日资料中复制到`service-util`且设置Spring线程池对象装饰器

```java //设置解决zipkin链路追踪不完整装饰器对象 taskExecutor.setTaskDecorator(new ZipkinTaskDecorator(zipkinHelper)); ``` 4. 访问专辑详情接口、或查看专辑页面进行测试 http://localhost:8502/doc.html#/web-api/%E4%B8%93%E8%BE%91%E8%AF%A6%E6%83%85%E7%AE%A1%E7%90%86/getItem 5. 通过Zipkin管理页面查看接口耗时

# 2、详情优化虽然咱们实现了页面需要的功能，但是考虑到该页面是被用户高频访问的，所以性能需要优化。一般一个系统最大的性能瓶颈，就是数据库的io操作。从数据库入手也是调优性价比最高的切入点。一般分为两个层面： - 一是提高数据库sql本身的性能 - 单表 - 全值匹配我最爱、最左前缀要遵守/带头大哥不能死、中间兄弟不能断 - 索引列上少计算、LIKE符号写最右、 - 多表 - 小表（驱动表，在查询条件列上建立索引）驱动大表（被驱动表，关联字段，查询条件，上建立索引） - 减少子查询,优先使用关联查询 - 关联字段类型一致、表编码一致 - 二是尽量避免直接查询数据库。重点要讲的是第二个层面：尽量避免直接查询数据库。解决办法就是：**分布式缓存** ## 2.1 缓存常见问题缓存最常见的4个问题： 1. 缓存穿透 2. 缓存雪崩 3. 缓存击穿 4. 缓存一致性 **缓存穿透**: 是指查询一个**不存在的数据**，由于缓存无法命中，将去查询数据库，但是数据库也无此记录，并且出于容错考虑，我们没有将这次查询的null写入缓存，这将导致这个不存在的数据每次请求都要到存储层去查询，失去了缓存的意义。在流量大时，可能DB就挂掉了，要是有人利用不存在的key频繁攻击我们的应用，这就是漏洞。 - 解决1 ：空结果也进行缓存，但它的过期时间会很短，最长不超过五分钟，但是不能防止随机穿透。 - 解决2 ：使用**布隆过滤器**来解决随机穿透问题。

**缓存雪崩**:是指在我们设置缓存时采用了相同的过期时间，导致缓存在某一时刻同时失效，请求全部转发到DB，DB瞬时压力过重雪崩。 - 解决1：原有的失效时间基础上增加一个随机值，比如1-5分钟随机，这样每一个缓存的过期时间的重复率就会降低，就很难引发集体失效的事件。 - 解决2：如果单节点宕机，可以采用集群部署方式防止雪崩 **缓存击穿**: 是指对于一些设置了过期时间的key，如果这些key可能会在某些时间点被超高并发地访问，是一种非常“热点”的数据。这个时候，需要考虑一个问题：如果这个key在大量请求同时进来之前正好失效，那么所有对这个key的数据查询都落到db，我们称为缓存击穿。与缓存雪崩的区别： 1. 击穿是一个热点key失效 2. 雪崩是很多key集体失效 - 解决：锁

## 2.2 缓存击穿解决方案 ### 2.2.1 分布式锁随着业务发展的需要，原单体单机部署的系统被演化成分布式集群系统后，由于分布式系统多线程、多进程并且分布在不同机器上，这将使原单机部署情况下的并发控制锁策略失效，单纯的Java API并不能提供分布式锁的能力。为了解决这个问题就需要一种**跨JVM的互斥机制**来控制**共享资源**的访问，这就是分布式锁要解决的问题！分布式锁主流的实现方案： 1. 基于数据库实现分布式锁 2. 基于缓存（ Redis等） 3. 基于Zookeeper 每一种分布式锁解决方案都有各自的优缺点： 1. 性能：Redis最高 2. 可靠性：Zookeeper最高(CAP定理-CP) ### 2.2.2 使用 Redisson 解决分布式锁 **Redisson是一个在Redis的基础上实现的Java驻内存数据网格**（In-Memory Data Grid）。它不仅提供了一系列的分布式的Java常用对象，还提供了许多分布式服务。其中包括(BitSet, Set, Multimap, SortedSet, Map, List, Queue, BlockingQueue, Deque, BlockingDeque, Semaphore, Lock, AtomicLong, CountDownLatch, Publish / Subscribe, Bloom filter, Remote service, Spring cache, Executor service, Live Object service, Scheduler service) Redisson提供了使用Redis的最简单和最便捷的方法。Redisson的**宗旨是促进使用者对Redis的关注分离**（Separation of Concern），从而让使用者能够将精力更集中地放在处理业务逻辑上。官方文档地址：[https://github.com/Redisson/Redisson/wiki](https://github.com/Redisson/Redisson/wiki "https://github.com/Redisson/Redisson/wiki") 实现步骤： 1. 在`service-util` 模块中解开redisson相关依赖（注释放开） ```xml org.redisson redisson-spring-boot-starter ``` 2. 在`service-util` 模块中添加配置类 ```java package com.atguigu.tingshu.common.config.redis; import lombok.Data; import org.apache.commons.lang3.StringUtils; import org.redisson.Redisson; import org.redisson.api.RedissonClient; import org.redisson.config.Config; import org.redisson.config.SingleServerConfig; import org.springframework.boot.context.properties.ConfigurationProperties; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; /** * redisson配置信息 */ @Data @Configuration @ConfigurationProperties("spring.data.redis") public class RedissonConfig { private String host; private String password; private String port; private int timeout = 3000; private static String ADDRESS_PREFIX = "redis://"; /** * 自动装配 */ @Bean RedissonClient redissonSingle() { Config config = new Config(); if (StringUtils.isBlank(host)) { throw new RuntimeException("host is empty"); } SingleServerConfig serverConfig = config.useSingleServer() .setAddress(ADDRESS_PREFIX + this.host + ":" + port) .setTimeout(this.timeout); if (StringUtils.isNotBlank(this.password)) { serverConfig.setPassword(this.password); } return Redisson.create(config); } } ``` 3. 优化代码 ```java package com.atguigu.tingshu.album.service.impl; import com.alibaba.cloud.commons.lang.StringUtils; import com.atguigu.tingshu.album.service.TestService; import org.redisson.api.RLock; import org.redisson.api.RedissonClient; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.data.redis.core.StringRedisTemplate; import org.springframework.stereotype.Service; /** * @author atguigu * @ClassName TestServiceImpl * @description: TODO * @date 2023年08月22日 * @version: 1.0 */ @Service public class TestServiceImpl implements TestService { @Autowired private StringRedisTemplate stringRedisTemplate; @Autowired private RedissonClient redissonClient; @Override public void testLock() { try { //先尝试获取分布式锁 1.创建锁对象 2.调用获取锁方法 RLock lock = redissonClient.getLock("lock"); //获取锁成功后，才执行业务 lock.lock(); //阻塞到获取锁成功为止 //lock.tryLock(5, TimeUnit.SECONDS); //参数1：等待锁获取最大时间参数2：时间单位获取锁失败返回false //lock.tryLock(3, 5, TimeUnit.SECONDS);//参数1：等待锁获取最大时间参数2：锁过期时间，参数3：时间单位获取锁失败返回false try { //1.从Redis缓存中获取key="num"的值保证redis中存在"num"(手动提前在redis中创建key) String value = redisTemplate.opsForValue().get("num"); if (StringUtils.isBlank(value)) { return; } //2.对获取到值进行+1操作 int num = Integer.parseInt(value); redisTemplate.opsForValue().set("num", String.valueOf(++num)); } finally { //业务执行完毕释放锁 lock.unlock(); } } catch (Exception e) { e.printStackTrace(); } } } ``` 分布式锁： ``` ab -n 5000 -c 100 http://192.168.200.1:8500/api/album/test/testLock ```

## 2.3 分布式锁整合业务 ```java @Autowired private RedisTemplate redisTemplate; @Autowired private RedissonClient redissonClient; /** * 根据专辑ID查询专辑信息（包括专辑标签列表） * 通过Redisson分布式锁解决缓存击穿问题 * * @param id 专辑ID * @return 专辑信息 */ @Override public AlbumInfo getAlbumInfo(Long id) { try { //1.优先从缓存Redis中获取业务数据 //1.1 构建专辑业务数据Key 形式：前缀+专辑ID String dataKey = RedisConstant.ALBUM_INFO_PREFIX + id; //1.2 查询缓存中专辑信息 AlbumInfo albumInfo = (AlbumInfo) redisTemplate.opsForValue().get(dataKey); if (albumInfo != null) { //2.如果命中缓存，直接返回业务数据即可（不需要查库） return albumInfo; } //3.如果未命中缓存，先获取分布式锁 //3.1 构建当前业务数据锁的Key 形式：业务key+锁的后缀 String lockKey = dataKey + RedisConstant.CACHE_LOCK_SUFFIX; //3.2 构建当前业务数据锁的对象 RLock lock = redissonClient.getLock(lockKey); //3.3 尝试获取分布式锁 tryLock默认锁过期时间30s底层还有看门狗机制进行锁自动续期 boolean flag = lock.tryLock(); if (flag) { try { //4.获取分布锁锁成功，执行查询数据库，并设置缓存 AlbumInfo albumInfoFromDB = this.getAlbumInfoFromDB(id); int ttl = RandomUtil.randomInt(100, 600); redisTemplate.opsForValue().set(dataKey, albumInfoFromDB, RedisConstant.ALBUM_TIMEOUT + ttl, TimeUnit.SECONDS); return albumInfoFromDB; } catch (Exception e) { throw new RuntimeException(e); } finally { //5.释放分布式锁 lock.unlock(); } } else { //6.获取分布式锁失败，进行自旋（自旋可能获取锁成功线程会将业务数据已经放入缓存） return this.getAlbumInfo(id); } } catch (Exception e) { log.error("[专辑服务]获取专辑信息锁服务异常异常：{},执行兜底处理方案：{}", e, "直接查询数据库"); return this.getAlbumInfoFromDB(id); } } /** * 抽取单独查询专辑数据业务方法 * * @param id * @return */ @Override public AlbumInfo getAlbumInfoFromDB(Long id) { //1.根据专辑ID查询专辑信息 AlbumInfo albumInfo = albumInfoMapper.selectById(id); //TODO 业务校验，校验专辑状态是否为下架状态，只有下架状态专辑才可以被修改 //2.根据专辑ID查询专辑标签列表 LambdaQueryWrapper queryWrapper = new LambdaQueryWrapper<>(); queryWrapper.eq(AlbumAttributeValue::getAlbumId, id); List albumAttributeValues = albumAttributeValueMapper.selectList(queryWrapper); if (CollectionUtil.isNotEmpty(albumAttributeValues)) { albumInfo.setAlbumAttributeValueVoList(albumAttributeValues); } return albumInfo; } ``` ## 2.4 AOP与分布式锁整合专辑详情中多项数据接口需要查询缓存，那么分布式锁的业务逻辑代码就会出现大量的重复。因此，我们可以参考Spring框架事务注解来实现简化代码。只要类上添加了一个注解，那么这个注解就会自带分布式锁的功能。实现如下： - 在`service-util` 模块中添加一个注解 - 提供切面类，采用环绕通知对自定义注解进行增强 ### 2.4.1 自定义注解 ```java package com.atguigu.tingshu.common.cache; import com.atguigu.tingshu.common.constant.RedisConstant; import java.lang.annotation.*; import java.util.concurrent.TimeUnit; @Target({ElementType.METHOD}) @Retention(RetentionPolicy.RUNTIME) @Inherited @Documented public @interface GuiGuCache { /** * 存入Redis业务数据以及锁的前缀 * @return */ String prefix() default ""; /** * 存入Redis缓存业务数据过期时间 * @return */ long ttl() default RedisConstant.ALBUM_TIMEOUT; /** * 时间单位 * @return */ TimeUnit unit() default TimeUnit.SECONDS; } ``` ### 2.4.2 自定义切面类 ```java package com.atguigu.tingshu.common.cache; import cn.hutool.core.util.RandomUtil; import com.atguigu.tingshu.common.constant.RedisConstant; import lombok.extern.slf4j.Slf4j; import org.aspectj.lang.ProceedingJoinPoint; import org.aspectj.lang.annotation.Around; import org.aspectj.lang.annotation.Aspect; import org.redisson.api.RLock; import org.redisson.api.RedissonClient; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.data.redis.core.RedisTemplate; import org.springframework.stereotype.Component; import java.util.Arrays; import java.util.concurrent.TimeUnit; import java.util.stream.Collectors; /** * @author: atguigu * @create: 2025-06-10 11:41 */ @Slf4j @Aspect @Component public class GuiGuCacheAspect { @Autowired private RedisTemplate redisTemplate; @Autowired private RedissonClient redissonClient; /** * 对所有方法上使用自定义缓存注解方法进行增强 * * @param joinPoint * @param guiGuCache * @return * @throws Throwable */ @Around("@annotation(guiGuCache)") public Object around(ProceedingJoinPoint joinPoint, GuiGuCache guiGuCache) throws Throwable { try { //1.优先从缓存中获取业务数据 //1.1 将方法参数采用"_"进行拼接作为Key的一部分 String params = "none"; Object[] args = joinPoint.getArgs(); if (args != null && args.length > 0) { params = Arrays.stream(args) .map(Object::toString) .collect(Collectors.joining("_")); } //1.2 构建缓存业务数据Key String dataKey = guiGuCache.prefix() + params; //1.3 查询Redis中缓存数据 Object result = redisTemplate.opsForValue().get(dataKey); if (result != null) { return result; } //2.获取分布式锁：基于Redisson框架提供分布式锁 //2.1 构建锁Key 形式=业务Key+锁后缀 String lockKey = dataKey + RedisConstant.CACHE_LOCK_SUFFIX; //2.2 基于RedissonClient对象创建锁对象 RLock lock = redissonClient.getLock(lockKey); //2.3 尝试获取分布式锁 boolean flag = lock.tryLock(1, TimeUnit.SECONDS); //3.获取锁成功，执行查库业务方法（目标方法） if (flag) { try { //3.1 执行目标查询数据库方法 result = joinPoint.proceed(); //3.2 将查询结果放入Redis中 long ttl = guiGuCache.ttl() + RandomUtil.randomInt(1200); redisTemplate.opsForValue().set(dataKey, result, ttl, guiGuCache.unit()); return result; } finally { //3.3 释放锁 lock.unlock(); } } else { //4.获取锁失败，自旋，可能就会命中缓存 Thread.sleep(500); return this.around(joinPoint, guiGuCache); } } catch (Throwable e) { //5.兜底处理：如果Redis服务不可用，则执行目标方法 log.error("Redis服务异常：{}", e.getMessage()); return joinPoint.proceed(); } } } ``` ### 2.4.3 测试分布式锁在这个实现类**AlbumInfoServiceImpl**中添加注解： ```java /*** * 根据专辑ID查询专辑信息包含专辑标签列表 * @param id 专辑ID * @return */ @Operation(summary = "根据专辑ID查询专辑信息包含专辑标签列表") @GetMapping("/albumInfo/getAlbumInfo/{id}") public Result getAlbumInfo(@PathVariable Long id) { //AlbumInfo albumInfo = albumInfoService.getAlbumInfo(id); AlbumInfo albumInfo = albumInfoService.getAlbumInfoFromDB(id); return Result.ok(albumInfo); } /*** * 根据专辑ID查询专辑信息包含专辑标签列表 * @param id 专辑ID * @return */ @Override @GuiGuCache(prefix = RedisConstant.ALBUM_INFO_PREFIX) public AlbumInfo getAlbumInfoFromDB(Long id) {...} /** * 根据专辑ID查询专辑统计信息 * * @param albumId 专辑ID * @return */ @Override @GuiGuCache(prefix = RedisConstant.ALBUM_INFO_PREFIX+":stat:") public AlbumStatVo getAlbumStatVo(Long albumId){...} ``` 在BaseCategoryServiceImpl实现类中添加注解： ```java /** * 根据一级分类Id获取分类标签以及标签值 * * @param category1Id * @return */ @Override @GuiGuCache(prefix="category:baseAttribute:") //将该方法执行查库结果放入缓存，采用分布式锁杜绝缓存击穿 public List getAttributeByCategory1Id(Long category1Id){} @Override @GuiGuCache(prefix = "category:categoryview:") public BaseCategoryView getCategoryView(Long category3Id){} /** * 根据1级分类ID查询该分类下前7个置顶3级分类列表 * * @param category1Id * @return */ @Override @GuiGuCache(prefix = "category:topcategory3:") public List getTopBaseCategory3(Long category1Id){} /** * 根据1级分类ID查询包含二级分类以及三级分类 * * @param category1Id * @return */ @Override @GuiGuCache(prefix = "category:categoryby1Id:") public JSONObject getBaseCategoryListByCategory1Id(Long category1Id){} ``` 在UserInfoServiceImpl实现类中添加注解： ```java @Override @GuiGuCache(prefix = "user:") public UserInfoVo getUserInfo(Long userId) {} ``` # 3、布隆过滤器 ## 3.1 什么是布隆过滤器布隆过滤器（Bloom Filter），是1970年，由一个叫布隆的小伙子提出的，距今已经五十年了。它实际上是一个很长的[二进制](https://baike.baidu.com/item/二进制/361457 "二进制")向量和**一系列随机映射函数**。布隆过滤器可以用于[检索](https://baike.baidu.com/item/检索/11003896 "检索")一个元素是否在一个[集合](https://baike.baidu.com/item/集合/2908117 "集合")中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。二进制大家应该都清楚，存储的数据不是0就是1，默认是0。主要用于判断一个元素是否在一个集合中，0代表不存在某个数据，1代表存在某个数据。总结： **判断一个元素一定不存在或者可能存在！** 存在一定的误判率{通过代码调节} Bit 数组： | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | | | | | | | | | | ### 3.1.1 使用场景大数据量的时候, 判断一个元素是否在一个集合中。解决缓存穿透问题 ### 3.1.2 原理 **存入过程 ** 布隆过滤器上面说了，就是一个二进制数据的集合。当一个数据加入这个集合时，经历如下：通过**K个哈希函数**计算该数据，返回**K个**计算出的**hash值** 这些K个hash值映射到对应的K个二进制的数组下标将K个下标对应的二进制数据改成1。如图所示：

查询过程布隆过滤器主要作用就是查询一个数据，在不在这个二进制的集合中，查询过程如下： 1、通过K个哈希函数计算该数据，对应计算出的K个hash值 2、通过hash值找到对应的二进制的数组下标 3、判断：如果存在一处位置的二进制数据是0，那么该数据不存在。如果都是1，该数据**可能**存在集合中。 ### 3.1.3 布隆过滤器的优缺点优点 1. 由于存储的是二进制数据，所以占用的空间很小 2. 它的插入和查询速度是非常快的，时间复杂度是O（K），空间复杂度：O (M)。 - K: 是哈希函数的个数 - M: 是二进制位的个数 3. 保密性很好，因为本身不存储任何原始数据，只有二进制数据缺点添加数据是通过计算数据的hash值，那么很有可能存在这种情况：两个不同的数据计算得到相同的hash值。

例如图中的“张三”和“张三丰”，假如最终算出hash值相同，那么他们会将同一个下标的二进制数据改为1。这个时候，你就不知道下标为1的二进制，到底是代表“张三”还是“张三丰”。一、存在误判假如上面的图没有存 "张三"，只存了 "张三丰"，那么用"张三"来查询的时候，会判断"张三"存在集合中。因为“张三”和“张三丰”的hash值是相同的，通过相同的hash值，找到的二进制数据也是一样的，都是1。误判率：受三个**因素影响**： **二进制位的个数m**, 哈希**函数**的个数k, **数据规模n** (添加到布隆过滤器中的函数)

已知误判率p, 数据规模n, 求二进制的个数m，哈希函数的个数k {m,k 程序会自动计算，你只需要告诉我数据规模，误判率就可以了}

ln: 自然对数是以常数e为[底数](https://baike.baidu.com/item/底数/5416651 "底数")的[对数](https://baike.baidu.com/item/对数/91326 "对数")，记作lnN（N>0）。在物理学，生物学等自然科学中有重要的意义，一般表示方法为lnx。数学中也常见以logx表示自然对数。二、删除困难还是用上面的举例，因为“张三”和“张三丰”的hash值相同，对应的数组下标也是一样的。如果你想去删除“张三”，将下标为1里的二进制数据，由1改成了0。那么你是不是连“张三丰”都一起删了呀。 ## 3.2 初始化布隆过滤器在`service-album` 模块的启动类中添加 ```java package com.atguigu.tingshu; import com.atguigu.tingshu.common.constant.RedisConstant; import jakarta.annotation.PostConstruct; import lombok.extern.slf4j.Slf4j; import org.redisson.api.RBloomFilter; import org.redisson.api.RedissonClient; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.boot.CommandLineRunner; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; import org.springframework.cloud.client.discovery.EnableDiscoveryClient; import org.springframework.cloud.openfeign.EnableFeignClients; import org.springframework.scheduling.annotation.EnableScheduling; @Slf4j @SpringBootApplication @EnableDiscoveryClient @EnableFeignClients @EnableScheduling //开启定时任务 public class ServiceAlbumApplication implements CommandLineRunner { public static void main(String[] args) { SpringApplication.run(ServiceAlbumApplication.class, args); } @Autowired private RedissonClient redissonClient; @PostConstruct public void initBloomFilter() { log.info("模拟初始化布隆过滤器开始..."); } /** * springboot启动后自动执行一次该方法 * 项目启动后自动初始化布隆过滤器 */ @Override public void run(String... args) throws Exception { //1.创建/获取布隆过滤器对象 RBloomFilter bloomFilter = redissonClient.getBloomFilter(RedisConstant.ALBUM_BLOOM_FILTER); //2.判断过滤过滤器是否存在 boolean exists = bloomFilter.isExists(); log.info("布隆过滤器是否存在：{}", exists); if (!exists) { boolean flag = bloomFilter.tryInit(10000L, 0.03); log.info("初始化布隆过滤器，完成结果：{}", flag); } } } ``` ### 上架专辑的时候，添加将数据添加到布隆过滤器中 `service-search`模块中**SearchServiceImpl**上架专辑方法**upperAlbum** ```java @Autowired private RedissonClient redissonClient; /** * 构建专辑索引库文档对象，新增专辑到索引库 * * @param albumId */ @Override public void upperAlbum(Long albumId) { //....省略代码 //9.将专辑ID存入布隆过滤器 RBloomFilter bloomFilter = redissonClient.getBloomFilter(RedisConstant.ALBUM_BLOOM_FILTER); if(bloomFilter.isExists()){ bloomFilter.add(albumId); } } ``` ### 查看专辑的时候判断布隆过滤器中是否存在 `service-search`模块中**ItemServiceImpl**汇总专辑方法**getItemInfo（）** ```java @Autowired private RedissonClient redissonClient; /** * 汇总专辑详情相关信息 * * @param albumId * @return */ @Override public Map getAlbumItem(Long albumId) { //0.采用布隆过滤器解决缓存穿透问题 RBloomFilter bloomFilter = redissonClient.getBloomFilter(RedisConstant.ALBUM_BLOOM_FILTER); boolean contains = bloomFilter.contains(albumId); if(!contains){ throw new GuiguException(404, "专辑不存在"); } //.....省略代码 } ``` ## 3.3 布隆过滤器扩容采用定时任务机制进行布隆过滤器扩容 ```java package com.atguigu.tingshu.album.task; import com.atguigu.tingshu.album.service.AlbumInfoService; import com.atguigu.tingshu.common.constant.RedisConstant; import com.atguigu.tingshu.common.constant.SystemConstant; import com.atguigu.tingshu.model.album.AlbumInfo; import com.baomidou.mybatisplus.core.conditions.query.LambdaQueryWrapper; import lombok.extern.slf4j.Slf4j; import org.redisson.api.RBloomFilter; import org.redisson.api.RedissonClient; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.scheduling.annotation.Scheduled; import org.springframework.stereotype.Component; import java.util.List; /** * @author: atguigu * @create: 2025-06-11 10:19 */ @Slf4j @Component public class RebuildBloomFilterTask { @Autowired private RedissonClient redissonClient; @Autowired private AlbumInfoService albumInfoService; /** * 公告：每月1号凌晨2~3点项目维护，避免数据不一致 * 每月1号2点：重建布隆过滤器 */ @Scheduled(cron = "0 0 2 1 * ?") //@Scheduled(cron = "0/5 * * * * ?") public void rebuildBloomFilter() { //1.获取现有布隆过滤器对象，得到配置信息：1.期望数据规模 2.误判率 3.现有元素数量(预估值) RBloomFilter oldBloomFilter = redissonClient.getBloomFilter(RedisConstant.ALBUM_BLOOM_FILTER); long expectedInsertions = oldBloomFilter.getExpectedInsertions(); double falseProbability = oldBloomFilter.getFalseProbability(); long count = oldBloomFilter.count(); //2.判断是否满足扩容条件：现有元素数量大于等于期望数据规模 if (count >= expectedInsertions) { log.info("满足扩容条件，开始扩容重建..."); //2.1 先初始化新的布隆过滤器，原有期望数据规模*2 RBloomFilter newBloomFilter = redissonClient.getBloomFilter(RedisConstant.ALBUM_BLOOM_FILTER + ":new"); if (!newBloomFilter.isExists()) { newBloomFilter.tryInit(expectedInsertions * 2, falseProbability); //2.2 将数据中先有合法专辑ID加入到新的布隆过滤器中 List list = albumInfoService.list( new LambdaQueryWrapper() .eq(AlbumInfo::getStatus, SystemConstant.ALBUM_STATUS_PASS) .select(AlbumInfo::getId) ); for (AlbumInfo albumInfo : list) { newBloomFilter.add(albumInfo.getId()); } //2.3 删除旧的布隆过滤器:布隆过滤器配置及位图 oldBloomFilter.delete(); //2.4 重命名布隆过滤器，改为原来名称 newBloomFilter.rename(RedisConstant.ALBUM_BLOOM_FILTER); } } else { log.info("不满足扩容条件，开始重建..."); //3.不满足扩容条件，做基本重建: 1.初始化布隆过滤器 2.将数据中先有合法专辑ID加入到布隆过滤器中 3.重命名布隆过滤器，改为原来名称 4.删除旧的布隆过滤器 //3.1 先初始化新的布隆过滤器 RBloomFilter newBloomFilter = redissonClient.getBloomFilter(RedisConstant.ALBUM_BLOOM_FILTER + ":new"); newBloomFilter.tryInit(expectedInsertions, falseProbability); //3.2 将数据中先有合法专辑ID加入到新的布隆过滤器中 List list = albumInfoService.list( new LambdaQueryWrapper() .eq(AlbumInfo::getStatus, SystemConstant.ALBUM_STATUS_PASS) .select(AlbumInfo::getId) ); for (AlbumInfo albumInfo : list) { newBloomFilter.add(albumInfo.getId()); } //3.3 删除旧的布隆过滤器:布隆过滤器配置及位图 oldBloomFilter.delete(); //3.4 重命名布隆过滤器，改为原来名称 newBloomFilter.rename(RedisConstant.ALBUM_BLOOM_FILTER); log.info("布隆过滤器重建完成..."); } } } ``` # 4、数据一致性方案 ## 4.1 缓存的更新方案(传统) 先更新DB还是先更新缓存？是更新缓存还是删除缓存？在常规情况下，怎么操作都可以，但一旦存在高并发场景，就需要采用合适的方案。 **1、先更新数据库再更新缓存**(双写策略1) 线程A：更新数据库（第1s）——> 更新缓存（第10s）线程B：更新数据库（第3s）——> 更新缓存（第5s）并发场景下，这样的情况是很容易出现的，每个线程的操作先后顺序不同，这样就导致请求B的缓存值被请求A给覆盖了，**数据库中是线程B的新值，缓存中是线程A的旧值**，并且会一直这么脏下去直到缓存失效（设置了过期时间）。

**2、先更新缓存再更新数据库(双写策略2)** 线程A：更新缓存（第1s）——> 更新数据库（第10s）线程B：更新缓存（第3s）——> 更新数据库（第5s）和前面一种情况相反，**缓存中是线程B的新值，而数据库中是线程A的旧值。**

前两种方式之所以会在并发场景下出现异常，**本质上是因为更新缓存和更新数据库是两个操作**，我们没有办法控制并发场景下两个操作之间先后顺序，也就是先开始操作的线程先完成自己的工作。 **3、先删除缓存再更新数据库** 通过这种方式，我们很惊喜地发现，前面困扰我们的并发场景的问题确实被解决了！两个线程都只修改数据库，不管谁先，数据库以之后修改的线程为准。但这个时候，我们来思考另一个场景：两个并发操作，一个是更新操作，另一个是查询操作，更新操作删除缓存后，查询操作没有命中缓存，先把老数据读出来后放到缓存中，然后更新操作更新了数据库。于是，在缓存中的数据还是老的数据，导致缓存中的数据是脏的。很显然，这种状况也不是我们想要的。

## 4.2 延时双删方案修改数据业务逻辑 1.删除缓存 2.更新数据库 **3.睡眠一段时间（500ms）** 4.再次删除缓存加了个睡眠时间，**主要是为了确保请求 A （更新）在睡眠的时候，请求 B （查询）能够在这这一段时间完成「从数据库读取数据，再把缺失的缓存写入缓存」的操作**，然后请求 B 睡眠完，再删除缓存。所以，请求 B 的睡眠时间就需要大于请求A「从数据库读取数据 + 写入缓存」的时间。但是具体睡眠多久其实是个**玄学**，很难评估出来，所以这个方案也只是尽可能保证一致性而已，极端情况下，依然也会出现缓存不一致的现象。因此，还是不太建议这种方案。

对于蓝色的文字，“删除缓存 10”必须在“回写缓存10”后面，那如何才能保证一定是在后面呢？**让请求 A 的最后一次删除，等待 500ms。** ## 4.3 分布式读写锁 - 读读允许并发 - 读写不允许并发 - 写读不允许并发 - 写写不允许并发依赖“锁”的机制，避免出现并发读写。弊端：性能低 **读数据方法（查询操作）** ```java @Autowired private RedissonClient redissonClient; /** * 读数据方法 * * @param id * @return */ @Override public Long read(Long id) { //1.创建读写锁对象锁名称前缀:数据标识 RReadWriteLock readWriteLock = redissonClient.getReadWriteLock("myLock:" + id); RLock lock = readWriteLock.readLock(); //2.获取读锁成功执行读操作读锁持有期间，不允许并发发写，允许并发读 try { lock.lock(5, TimeUnit.SECONDS); log.info(Thread.currentThread().getName() + "执行读数据操作"); return id; } finally { //3.释放读锁 //lock.unlock(); } } ``` **修改数据方法（修改操作）** ```java /** * 写数据方法 * * @param id */ @Override public void write(Long id) { //1.创建读写锁对象锁名称前缀:数据标识 RReadWriteLock readWriteLock = redissonClient.getReadWriteLock("myLock:" + id); //2.获取写锁成功执行写操作写锁持有期间，不允许并发读，并发写 RLock lock = readWriteLock.writeLock(); lock.lock(5, TimeUnit.SECONDS); try { log.info(Thread.currentThread().getName() + "执行写入操作"); } finally { //3.释放写锁 //lock.unlock(); } } ``` ## 4.4 Binlog方案 ### 4.4.1 Canal服务端「**先更新数据库，再删缓存**」的策略的第一步是更新数据库，那么更新数据库成功，就会产生一条变更日志，记录在 binlog 里。于是我们就可以通过订阅 binlog 日志，拿到具体要操作的数据，然后再执行缓存删除，阿里巴巴开源的 **Canal** 中间件就是基于这个实现的。 Canal 模拟 MySQL 主从复制的交互协议，把自己伪装成一个 MySQL 的从节点，向 MySQL 主节点发送 dump 请求，MySQL 收到请求后，就会开始推送 Binlog 给 Canal，Canal 解析 Binlog 字节流之后，转换为便于读取的结构化数据，供下游程序订阅使用。下图是 Canal 的工作原理：

所以，**如果要想保证「先更新数据库，再删缓存」策略第二个操作能执行成功，我们可以使用「消息队列来重试缓存的删除」，或者「订阅 MySQL binlog 再操作缓存」，这两种方法有一个共同的特点，都是采用异步操作缓存。** 1. 验证MySQL是否开启BinLog确保Value为 ON（已完成） ```shell show variables like '%log_bin%'; ```

2. 在**MySQL**新增用户用于监听Binlog日志，在Canal容器中要使用该用户（已完成） ```mysql #创建用户 CREATE USER canal IDENTIFIED BY '123456'; #给用户授权-所有库所有表主从同步权限 GRANT SELECT, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'canal'@'%'; #如果是MySQL8.X以上需要对加密方式进行设置 ALTER USER 'canal'@'%' IDENTIFIED WITH mysql_native_password BY '123456'; #刷新生效 FLUSH PRIVILEGES; ``` 2. 查询MySQL主节点状态；完成重置 ``` SHOW MASTER STATUS; reset master; ```

3. 采用Docker方式创建Canal服务端。以下为创建Canal容器命令，要修改要监听主MySQL数据库IP跟端口用户名以及密码确保正确(不需要执行) > -e canal.instance.filter.regex=.*\\..* 代表监控所有数据库表变更的日志 ```shell docker run -p 11111:11111 --name canal \ -e canal.destinations=tingshuTopic \ -e canal.instance.master.address=192.168.200.6:3306 \ -e canal.instance.dbUsername=canal \ -e canal.instance.dbPassword=123456 \ -e canal.instance.connectionCharset=UTF-8 \ -e canal.instance.tsdb.enable=true \ -e canal.instance.gtidon=false \ -d canal/canal-server:v1.1.8 ``` 4. 删除容器，重新创建canal容器，促使canal重新跟MySQL建立连接，从MySQL最新BinLog偏移量开始读取数据

5. Canal日志在容器 ``` /home/admin/canal-server/logs/tingshuTopic 日志路径 ```

### 4.4.2 Canal客户端 1. 在`service`父工程，下创建独立新模块`service-cdc`在java项目中引入依赖 ```xml service com.atguigu.tingshu 1.0 4.0.0 service-cdc 17 17 UTF-8 io.github.xizixuejie canal-spring-boot-starter 0.0.17 ``` 2. 提供启动类 ```java package com.atguigu.tingshu; import io.xzxj.canal.spring.annotation.EnableCanalListener; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; import org.springframework.boot.autoconfigure.jdbc.DataSourceAutoConfiguration; /** * @author: atguigu * @create: 2025-03-21 15:46 */ @EnableCanalListener @SpringBootApplication(exclude = DataSourceAutoConfiguration.class) public class CDCApplicaiton { public static void main(String[] args) { SpringApplication.run(CDCApplicaiton.class, args); } } ``` 3. 在Nacos创建配置文件`service-canal-dev.yaml` 内容如下：

```yaml server: port: 8601 canal: server: 192.168.200.6:11111 destination: tingshuTopic ``` 4. 项目本地创建 `bootstrap.properties` 配置文件 ```properties spring.application.name=service-canal spring.profiles.active=dev spring.main.allow-bean-definiton-overriding=true spring.cloud.nacos.discovery.server-addr=192.168.200.6:8848 spring.cloud.nacos.config.server-addr=192.168.200.6:8848 spring.cloud.nacos.config.prefix=${spring.application.name} spring.cloud.nacos.config.file-extension=yaml spring.cloud.nacos.config.shared-configs[0].data-id=common.yaml ``` 5. 监听到变更业务处理类-用户信息 ```java package com.atguigu.tingshu.listener; import com.atguigu.tingshu.model.user.UserInfo; import io.xzxj.canal.core.annotation.CanalListener; import io.xzxj.canal.core.listener.EntryListener; import lombok.extern.slf4j.Slf4j; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.data.redis.core.RedisTemplate; import java.util.Set; /** * @author: atguigu * @create: 2025-03-21 15:47 */ @Slf4j @CanalListener(destination = "tingshuTopic", schemaName = "tingshu_user", tableName = "user_info") public class UserListener implements EntryListener { @Autowired private RedisTemplate redisTemplate; /** * 监听用户表更新回调方法 * @param before * @param after * @param fields */ @Override public void update(UserInfo before, UserInfo after, Set fields) { log.info("[cdc]监听到变更数据"); String redisKey = "user:info:"+after.getId(); redisTemplate.delete(redisKey); } } ``` 6. 监听到变更业务处理类-专辑信息 ```java package com.atguigu.tingshu.listener; import com.atguigu.tingshu.model.album.AlbumInfo; import io.xzxj.canal.core.annotation.CanalListener; import io.xzxj.canal.core.listener.EntryListener; import lombok.extern.slf4j.Slf4j; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.data.redis.core.RedisTemplate; import java.util.Set; /** * @author: atguigu * @create: 2025-03-22 08:46 */ @Slf4j @CanalListener(destination = "tingshuTopic", schemaName = "tingshu_album", tableName = "album_info") public class AlbumListener implements EntryListener { @Autowired private RedisTemplate redisTemplate; /** * 监听到转机信息表更新 * @param before 变更前数据 * @param after 变更后的数据 * @param fields 变更字段 */ @Override public void update(AlbumInfo before, AlbumInfo after, Set fields) { log.info("[cdc]监听到变更数据，变更前：{}，变更后：{}", before, after); Long id = after.getId(); String redisKey = "album:info:"+id; redisTemplate.delete(redisKey); } } ``` **tips:如果启动canal客户端长时间未监听到变更数据，做以下操作** 1. 重置MySQL binglog ``` #重置MySQL主节点Binglog reset master; SHOW MASTER STATUS; ``` 2. 重新创建canal容器

第6章 详情优化

第6章详情优化