前言

當(dāng)我們在做數(shù)據(jù)庫與緩存數(shù)據(jù)同步時(shí)，究竟更新緩存，還是刪除緩存，究竟是先操作數(shù)據(jù)庫，還是先操作緩存？本文帶大家深度分析數(shù)據(jù)庫與緩存的雙寫問題，并且給出了所有方案的實(shí)現(xiàn)代碼方便大家參考。

本篇文章主要內(nèi)容

• 數(shù)據(jù)緩存

• • 為何要使用緩存

  • 哪類數(shù)據(jù)適合緩存

  • 緩存的利與弊

• 如何保證緩存和數(shù)據(jù)庫一致性

• • 不更新緩存，而是刪除緩存

  • 先操作緩存，還是先操作數(shù)據(jù)庫

  • 非要保證數(shù)據(jù)庫和緩存數(shù)據(jù)強(qiáng)一致該怎么辦

• 緩存和數(shù)據(jù)庫一致性實(shí)戰(zhàn)

• • 實(shí)戰(zhàn)：先刪除緩存，再更新數(shù)據(jù)庫

  • 實(shí)戰(zhàn)：先更新數(shù)據(jù)庫，再刪緩存

  • 實(shí)戰(zhàn)：緩存延時(shí)雙刪

  • 實(shí)戰(zhàn)：刪除緩存重試機(jī)制

  • 實(shí)戰(zhàn)：讀取binlog異步刪除緩存

數(shù)據(jù)緩存

在我們實(shí)際的業(yè)務(wù)場景中，一定有很多需要做數(shù)據(jù)緩存的場景，比如售賣商品的頁面，包括了許多并發(fā)訪問量很大的數(shù)據(jù)，它們可以稱作是是“熱點(diǎn)”數(shù)據(jù)，這些數(shù)據(jù)有一個(gè)特點(diǎn)，就是更新頻率低，讀取頻率高，這些數(shù)據(jù)應(yīng)該盡量被緩存，從而減少請求打到數(shù)據(jù)庫上的機(jī)會，減輕數(shù)據(jù)庫的壓力。

為何要使用緩存

緩存是為了追求“快”而存在的。我們用代碼舉一個(gè)例子。

我在自己的Demo代碼倉庫中增加了兩個(gè)查詢庫存的接口getStockByDB和getStockByCache，分別表示從數(shù)據(jù)庫和緩存查詢某商品的庫存量。

隨后我們用JMeter進(jìn)行并發(fā)請求測試。（JMeter的使用請參考我之前寫的文章：點(diǎn)擊這里）

需要聲明的是，我的測試并不嚴(yán)謹(jǐn)，只是作對比測試，不要作為實(shí)際服務(wù)性能的參考。

這是兩個(gè)接口的代碼：

/***?查詢庫存：通過數(shù)據(jù)庫查詢庫存*?@param?sid*?@return*/ @RequestMapping("/getStockByDB/{sid}") @ResponseBody public?String?getStockByDB(@PathVariable?int?sid)?{int?count;try?{count?=?stockService.getStockCountByDB(sid);}?catch?(Exception?e)?{LOGGER.error("查詢庫存失敗：[{}]",?e.getMessage());return?"查詢庫存失敗";}LOGGER.info("商品Id:?[{}]?剩余庫存為:?[{}]",?sid,?count);return?String.format("商品Id:?%d 剩余庫存為：%d",?sid,?count); }/***?查詢庫存：通過緩存查詢庫存*?緩存命中：返回庫存*?緩存未命中：查詢數(shù)據(jù)庫寫入緩存并返回*?@param?sid*?@return*/ @RequestMapping("/getStockByCache/{sid}") @ResponseBody public?String?getStockByCache(@PathVariable?int?sid)?{Integer?count;try?{count?=?stockService.getStockCountByCache(sid);if?(count?==?null)?{count?=?stockService.getStockCountByDB(sid);LOGGER.info("緩存未命中，查詢數(shù)據(jù)庫，并寫入緩存");stockService.setStockCountToCache(sid,?count);}}?catch?(Exception?e)?{LOGGER.error("查詢庫存失敗：[{}]",?e.getMessage());return?"查詢庫存失敗";}LOGGER.info("商品Id:?[{}]?剩余庫存為:?[{}]",?sid,?count);return?String.format("商品Id:?%d 剩余庫存為：%d",?sid,?count); }

首先設(shè)置為10000個(gè)并發(fā)請求的情況下，運(yùn)行JMeter，結(jié)果首先出現(xiàn)了大量的報(bào)錯(cuò)，10000個(gè)請求中98%的請求都直接失敗了。讓人很慌張~

打開日志，報(bào)錯(cuò)如下：

SpringBoot內(nèi)置的Tomcat最大并發(fā)數(shù)搞的鬼，其默認(rèn)值為200，對于10000的并發(fā)，單機(jī)服務(wù)實(shí)在是力不從心。當(dāng)然，你可以修改這里的并發(fā)數(shù)設(shè)置，但是你的小機(jī)器仍然可能會扛不住。

將其修改為如下配置后，我的小機(jī)器才在通過緩存拿庫存的情況下，保證了10000個(gè)并發(fā)的100%返回請求：

server.tomcat.max-threads=10000 server.tomcat.max-connections=10000

可以看到，不使用緩存的情況下，吞吐量為668個(gè)請求每秒：

使用緩存的情況下，吞吐量為2177個(gè)請求每秒：

在這種“十分不嚴(yán)謹(jǐn)”的對比下，有緩存對于一臺單機(jī)，性能提升了3倍多，如果在多臺機(jī)器，更多并發(fā)的情況下，由于數(shù)據(jù)庫有了更大的壓力，緩存的性能優(yōu)勢應(yīng)該會更加明顯。

測完了這個(gè)小實(shí)驗(yàn)，我看了眼我掛著MySql的小水管騰訊云服務(wù)器，生怕他被這么高流量搞掛。這種突發(fā)的流量，指不定會被檢測為異常攻擊流量呢~

我用的是騰訊云服務(wù)器1C4G2M，活動買的，很便宜。這里打個(gè)免費(fèi)的廣告，請騰訊云看到后聯(lián)系我給我打錢 ;)

哪類數(shù)據(jù)適合緩存

緩存量大但又不常變化的數(shù)據(jù)，比如詳情，評論等。對于那些經(jīng)常變化的數(shù)據(jù)，其實(shí)并不適合緩存，一方面會增加系統(tǒng)的復(fù)雜性（緩存的更新，緩存臟數(shù)據(jù)），另一方面也給系統(tǒng)帶來一定的不穩(wěn)定性（緩存系統(tǒng)的維護(hù)）。

但一些極端情況下，你需要將一些會變動的數(shù)據(jù)進(jìn)行緩存，比如想要頁面顯示準(zhǔn)實(shí)時(shí)的庫存數(shù)，或者其他一些特殊業(yè)務(wù)場景。這時(shí)候你需要保證緩存不能（一直）有臟數(shù)據(jù)，這就需要再深入討論一下。

緩存的利與弊

我們到底該不該上緩存的，這其實(shí)也是個(gè)trade-off（權(quán)衡）的問題。

上緩存的優(yōu)點(diǎn)：

• 能夠縮短服務(wù)的響應(yīng)時(shí)間，給用戶帶來更好的體驗(yàn)。

• 能夠增大系統(tǒng)的吞吐量，依然能夠提升用戶體驗(yàn)。

• 減輕數(shù)據(jù)庫的壓力，防止高峰期數(shù)據(jù)庫被壓垮，導(dǎo)致整個(gè)線上服務(wù)BOOM！

上了緩存，也會引入很多額外的問題：

• 緩存有多種選型，是內(nèi)存緩存，memcached還是redis，你是否都熟悉，如果不熟悉，無疑增加了維護(hù)的難度（本來是個(gè)純潔的數(shù)據(jù)庫系統(tǒng)）。

• 緩存系統(tǒng)也要考慮分布式，比如redis的分布式緩存還會有很多坑，無疑增加了系統(tǒng)的復(fù)雜性。

• 在特殊場景下，如果對緩存的準(zhǔn)確性有非常高的要求，就必須考慮緩存和數(shù)據(jù)庫的一致性問題。

本文想要重點(diǎn)討論的，就是緩存和數(shù)據(jù)庫的一致性問題，各位看官且往下看。

如何保證緩存和數(shù)據(jù)庫一致性

說了這么多緩存的必要性，那么使用緩存是不是就是一個(gè)很簡單的事情了呢，我之前也一直是這么覺得的，直到遇到了需要緩存與數(shù)據(jù)庫保持強(qiáng)一致的場景，才知道讓數(shù)據(jù)庫數(shù)據(jù)和緩存數(shù)據(jù)保持一致性是一門很高深的學(xué)問。

從遠(yuǎn)古的硬件緩存，操作系統(tǒng)緩存開始，緩存就是一門獨(dú)特的學(xué)問。這個(gè)問題也被業(yè)界探討了非常久，爭論至今。我翻閱了很多資料，發(fā)現(xiàn)其實(shí)這是一個(gè)權(quán)衡的問題。值得好好講講。

以下的討論會引入幾方觀點(diǎn)，我會跟著觀點(diǎn)來寫代碼驗(yàn)證所提到的問題。

不更新緩存，而是刪除緩存

大部分觀點(diǎn)認(rèn)為，做緩存不應(yīng)該是去更新緩存，而是應(yīng)該刪除緩存，然后由下個(gè)請求去去緩存，發(fā)現(xiàn)不存在后再讀取數(shù)據(jù)庫，寫入緩存。

觀點(diǎn)引用：《分布式之?dāng)?shù)據(jù)庫和緩存雙寫一致性方案解析》孤獨(dú)煙

原因一：線程安全角度

同時(shí)有請求A和請求B進(jìn)行更新操作，那么會出現(xiàn)

（1）線程A更新了數(shù)據(jù)庫

（2）線程B更新了數(shù)據(jù)庫

（3）線程B更新了緩存

（4）線程A更新了緩存

這就出現(xiàn)請求A更新緩存應(yīng)該比請求B更新緩存早才對，但是因?yàn)榫W(wǎng)絡(luò)等原因，B卻比A更早更新了緩存。這就導(dǎo)致了臟數(shù)據(jù)，因此不考慮。

原因二：業(yè)務(wù)場景角度

有如下兩點(diǎn)：

（1）如果你是一個(gè)寫數(shù)據(jù)庫場景比較多，而讀數(shù)據(jù)場景比較少的業(yè)務(wù)需求，采用這種方案就會導(dǎo)致，數(shù)據(jù)壓根還沒讀到，緩存就被頻繁的更新，浪費(fèi)性能。

（2）如果你寫入數(shù)據(jù)庫的值，并不是直接寫入緩存的，而是要經(jīng)過一系列復(fù)雜的計(jì)算再寫入緩存。那么，每次寫入數(shù)據(jù)庫后，都再次計(jì)算寫入緩存的值，無疑是浪費(fèi)性能的。顯然，刪除緩存更為適合。

其實(shí)如果業(yè)務(wù)非常簡單，只是去數(shù)據(jù)庫拿一個(gè)值，寫入緩存，那么更新緩存也是可以的。但是，淘汰緩存操作簡單，并且?guī)淼母弊饔弥皇窃黾恿艘淮蝐ache miss，建議作為通用的處理方式。

先操作緩存，還是先操作數(shù)據(jù)庫

那么問題就來了，我們是先刪除緩存，然后再更新數(shù)據(jù)庫，還是先更新數(shù)據(jù)庫，再刪緩存呢？

先來看看大佬們怎么說。

《【58沈劍架構(gòu)系列】緩存架構(gòu)設(shè)計(jì)細(xì)節(jié)二三事》58沈劍：

對于一個(gè)不能保證事務(wù)性的操作，一定涉及“哪個(gè)任務(wù)先做，哪個(gè)任務(wù)后做”的問題，解決這個(gè)問題的方向是：如果出現(xiàn)不一致，誰先做對業(yè)務(wù)的影響較小，就誰先執(zhí)行。

假設(shè)先淘汰緩存，再寫數(shù)據(jù)庫：第一步淘汰緩存成功，第二步寫數(shù)據(jù)庫失敗，則只會引發(fā)一次Cache miss。

假設(shè)先寫數(shù)據(jù)庫，再淘汰緩存：第一步寫數(shù)據(jù)庫操作成功，第二步淘汰緩存失敗，則會出現(xiàn)DB中是新數(shù)據(jù)，Cache中是舊數(shù)據(jù)，數(shù)據(jù)不一致。

沈劍老師說的沒有問題，不過沒完全考慮好并發(fā)請求時(shí)的數(shù)據(jù)臟讀問題，讓我們再來看看孤獨(dú)煙老師《分布式之?dāng)?shù)據(jù)庫和緩存雙寫一致性方案解析》：

先刪緩存，再更新數(shù)據(jù)庫

該方案會導(dǎo)致請求數(shù)據(jù)不一致

同時(shí)有一個(gè)請求A進(jìn)行更新操作，另一個(gè)請求B進(jìn)行查詢操作。那么會出現(xiàn)如下情形:

（1）請求A進(jìn)行寫操作，刪除緩存

（2）請求B查詢發(fā)現(xiàn)緩存不存在

（3）請求B去數(shù)據(jù)庫查詢得到舊值

（4）請求B將舊值寫入緩存

（5）請求A將新值寫入數(shù)據(jù)庫

上述情況就會導(dǎo)致不一致的情形出現(xiàn)。而且，如果不采用給緩存設(shè)置過期時(shí)間策略，該數(shù)據(jù)永遠(yuǎn)都是臟數(shù)據(jù)。

所以先刪緩存，再更新數(shù)據(jù)庫并不是一勞永逸的解決方案，再看看先更新數(shù)據(jù)庫，再刪緩存這種方案怎么樣？

先更新數(shù)據(jù)庫，再刪緩存這種情況不存在并發(fā)問題么？

不是的。假設(shè)這會有兩個(gè)請求，一個(gè)請求A做查詢操作，一個(gè)請求B做更新操作，那么會有如下情形產(chǎn)生

（1）緩存剛好失效

（2）請求A查詢數(shù)據(jù)庫，得一個(gè)舊值

（3）請求B將新值寫入數(shù)據(jù)庫

（4）請求B刪除緩存

（5）請求A將查到的舊值寫入緩存

ok，如果發(fā)生上述情況，確實(shí)是會發(fā)生臟數(shù)據(jù)。

然而，發(fā)生這種情況的概率又有多少呢？

發(fā)生上述情況有一個(gè)先天性條件，就是步驟（3）的寫數(shù)據(jù)庫操作比步驟（2）的讀數(shù)據(jù)庫操作耗時(shí)更短，才有可能使得步驟（4）先于步驟（5）。可是，大家想想，數(shù)據(jù)庫的讀操作的速度遠(yuǎn)快于寫操作的（不然做讀寫分離干嘛，做讀寫分離的意義就是因?yàn)樽x操作比較快，耗資源少），因此步驟（3）耗時(shí)比步驟（2）更短，這一情形很難出現(xiàn)。

先更新數(shù)據(jù)庫，再刪緩存依然會有問題，不過，問題出現(xiàn)的可能性會因?yàn)樯厦嬲f的原因，變得比較低！

所以，如果你想實(shí)現(xiàn)基礎(chǔ)的緩存數(shù)據(jù)庫雙寫一致的邏輯，那么在大多數(shù)情況下，在不想做過多設(shè)計(jì)，增加太大工作量的情況下，請先更新數(shù)據(jù)庫，再刪緩存!

我非要數(shù)據(jù)庫和緩存數(shù)據(jù)強(qiáng)一致怎么辦

那么，如果我非要保證絕對一致性怎么辦，先給出結(jié)論：

沒有辦法做到絕對的一致性，這是由CAP理論決定的，緩存系統(tǒng)適用的場景就是非強(qiáng)一致性的場景，所以它屬于CAP中的AP。

所以，我們得委曲求全，可以去做到BASE理論中說的最終一致性。

最終一致性強(qiáng)調(diào)的是系統(tǒng)中所有的數(shù)據(jù)副本，在經(jīng)過一段時(shí)間的同步后，最終能夠達(dá)到一個(gè)一致的狀態(tài)。因此，最終一致性的本質(zhì)是需要系統(tǒng)保證最終數(shù)據(jù)能夠達(dá)到一致，而不需要實(shí)時(shí)保證系統(tǒng)數(shù)據(jù)的強(qiáng)一致性

大佬們給出了到達(dá)最終一致性的解決思路，主要是針對上面兩種雙寫策略（先刪緩存，再更新數(shù)據(jù)庫/先更新數(shù)據(jù)庫，再刪緩存）導(dǎo)致的臟數(shù)據(jù)問題，進(jìn)行相應(yīng)的處理，來保證最終一致性。

緩存延時(shí)雙刪

問：先刪除緩存，再更新數(shù)據(jù)庫中避免臟數(shù)據(jù)？

答案：采用延時(shí)雙刪策略。

上文我們提到，在先刪除緩存，再更新數(shù)據(jù)庫的情況下，如果不采用給緩存設(shè)置過期時(shí)間策略，該數(shù)據(jù)永遠(yuǎn)都是臟數(shù)據(jù)。

那么延時(shí)雙刪怎么解決這個(gè)問題呢？

（1）先淘汰緩存

（2）再寫數(shù)據(jù)庫（這兩步和原來一樣）

（3）休眠1秒，再次淘汰緩存

這么做，可以將1秒內(nèi)所造成的緩存臟數(shù)據(jù)，再次刪除。

那么，這個(gè)1秒怎么確定的，具體該休眠多久呢？

針對上面的情形，讀者應(yīng)該自行評估自己的項(xiàng)目的讀數(shù)據(jù)業(yè)務(wù)邏輯的耗時(shí)。然后寫數(shù)據(jù)的休眠時(shí)間則在讀數(shù)據(jù)業(yè)務(wù)邏輯的耗時(shí)基礎(chǔ)上，加幾百ms即可。這么做的目的，就是確保讀請求結(jié)束，寫請求可以刪除讀請求造成的緩存臟數(shù)據(jù)。

如果你用了mysql的讀寫分離架構(gòu)怎么辦？

ok，在這種情況下，造成數(shù)據(jù)不一致的原因如下，還是兩個(gè)請求，一個(gè)請求A進(jìn)行更新操作，另一個(gè)請求B進(jìn)行查詢操作。

（1）請求A進(jìn)行寫操作，刪除緩存

（2）請求A將數(shù)據(jù)寫入數(shù)據(jù)庫了，

（3）請求B查詢緩存發(fā)現(xiàn)，緩存沒有值

（4）請求B去從庫查詢，這時(shí)，還沒有完成主從同步，因此查詢到的是舊值

（5）請求B將舊值寫入緩存

（6）數(shù)據(jù)庫完成主從同步，從庫變?yōu)樾轮?/p>

上述情形，就是數(shù)據(jù)不一致的原因。還是使用雙刪延時(shí)策略。只是，睡眠時(shí)間修改為在主從同步的延時(shí)時(shí)間基礎(chǔ)上，加幾百ms。

采用這種同步淘汰策略，吞吐量降低怎么辦？

ok，那就將第二次刪除作為異步的。自己起一個(gè)線程，異步刪除。這樣，寫的請求就不用沉睡一段時(shí)間后了，再返回。這么做，加大吞吐量。

所以在先刪除緩存，再更新數(shù)據(jù)庫的情況下，可以使用延時(shí)雙刪的策略，來保證臟數(shù)據(jù)只會存活一段時(shí)間，就會被準(zhǔn)確的數(shù)據(jù)覆蓋。

在先更新數(shù)據(jù)庫，再刪緩存的情況下，緩存出現(xiàn)臟數(shù)據(jù)的情況雖然可能性極小，但也會出現(xiàn)。我們依然可以用延時(shí)雙刪策略，在請求A對緩存寫入了臟的舊值之后，再次刪除緩存。來保證去掉臟緩存。

刪緩存失敗了怎么辦：重試機(jī)制

看似問題都已經(jīng)解決了，但其實(shí)，還有一個(gè)問題沒有考慮到，那就是刪除緩存的操作，失敗了怎么辦？比如延時(shí)雙刪的時(shí)候，第二次緩存刪除失敗了，那不還是沒有清除臟數(shù)據(jù)嗎？

解決方案就是再加上一個(gè)重試機(jī)制，保證刪除緩存成功。

參考孤獨(dú)煙老師給的方案圖：

方案一：

流程如下所示

（1）更新數(shù)據(jù)庫數(shù)據(jù)；

（2）緩存因?yàn)榉N種問題刪除失敗

（3）將需要?jiǎng)h除的key發(fā)送至消息隊(duì)列

（4）自己消費(fèi)消息，獲得需要?jiǎng)h除的key

（5）繼續(xù)重試刪除操作，直到成功

然而，該方案有一個(gè)缺點(diǎn)，對業(yè)務(wù)線代碼造成大量的侵入。于是有了方案二，在方案二中，啟動一個(gè)訂閱程序去訂閱數(shù)據(jù)庫的binlog，獲得需要操作的數(shù)據(jù)。在應(yīng)用程序中，另起一段程序，獲得這個(gè)訂閱程序傳來的信息，進(jìn)行刪除緩存操作。

方案二：

流程如下圖所示：

（1）更新數(shù)據(jù)庫數(shù)據(jù)

（2）數(shù)據(jù)庫會將操作信息寫入binlog日志當(dāng)中

（3）訂閱程序提取出所需要的數(shù)據(jù)以及key

（4）另起一段非業(yè)務(wù)代碼，獲得該信息

（5）嘗試刪除緩存操作，發(fā)現(xiàn)刪除失敗

（6）將這些信息發(fā)送至消息隊(duì)列

（7）重新從消息隊(duì)列中獲得該數(shù)據(jù)，重試操作。

而讀取binlog的中間件，可以采用阿里開源的canal

好了，到這里我們已經(jīng)把緩存雙寫一致性的思路徹底梳理了一遍，下面就是我對這幾種思路徒手寫的實(shí)戰(zhàn)代碼，方便有需要的朋友參考。

緩存和數(shù)據(jù)庫一致性實(shí)戰(zhàn)

實(shí)戰(zhàn)：先刪除緩存，再更新數(shù)據(jù)庫

終于到了實(shí)戰(zhàn)，我們在秒殺項(xiàng)目的代碼上增加接口：先刪除緩存，再更新數(shù)據(jù)庫

OrderController中新增：

/***?下單接口：先刪除緩存，再更新數(shù)據(jù)庫*?@param?sid*?@return*/ @RequestMapping("/createOrderWithCacheV1/{sid}") @ResponseBody public?String?createOrderWithCacheV1(@PathVariable?int?sid)?{int?count?=?0;try?{//?刪除庫存緩存stockService.delStockCountCache(sid);//?完成扣庫存下單事務(wù)orderService.createPessimisticOrder(sid);}?catch?(Exception?e)?{LOGGER.error("購買失敗：[{}]",?e.getMessage());return?"購買失敗，庫存不足";}LOGGER.info("購買成功，剩余庫存為:?[{}]",?count);return?String.format("購買成功，剩余庫存為：%d",?count); }

stockService中新增：

@Override public?void?delStockCountCache(int?id)?{String?hashKey?=?CacheKey.STOCK_COUNT.getKey()?+?"_"?+?id;stringRedisTemplate.delete(hashKey);LOGGER.info("刪除商品id：[{}]?緩存",?id); }

其他涉及的代碼都在之前三篇文章中有介紹，并且可以直接去Github拿到項(xiàng)目源碼，就不在這里重復(fù)貼了。

實(shí)戰(zhàn)：先更新數(shù)據(jù)庫，再刪緩存

如果是先更新數(shù)據(jù)庫，再刪緩存，那么代碼只是在業(yè)務(wù)順序上顛倒了一下，這里就只貼OrderController中新增：

/***?下單接口：先更新數(shù)據(jù)庫，再刪緩存*?@param?sid*?@return*/ @RequestMapping("/createOrderWithCacheV2/{sid}") @ResponseBody public?String?createOrderWithCacheV2(@PathVariable?int?sid)?{int?count?=?0;try?{//?完成扣庫存下單事務(wù)orderService.createPessimisticOrder(sid);//?刪除庫存緩存stockService.delStockCountCache(sid);}?catch?(Exception?e)?{LOGGER.error("購買失敗：[{}]",?e.getMessage());return?"購買失敗，庫存不足";}LOGGER.info("購買成功，剩余庫存為:?[{}]",?count);return?String.format("購買成功，剩余庫存為：%d",?count); }

實(shí)戰(zhàn)：緩存延時(shí)雙刪

如何做延時(shí)雙刪呢，最好的方法是開設(shè)一個(gè)線程池，在線程中刪除key，而不是使用Thread.sleep進(jìn)行等待，這樣會阻塞用戶的請求。

更新前先刪除緩存，然后更新數(shù)據(jù)，再延時(shí)刪除緩存。

OrderController中新增接口：

//?延時(shí)時(shí)間：預(yù)估讀數(shù)據(jù)庫數(shù)據(jù)業(yè)務(wù)邏輯的耗時(shí)，用來做緩存再刪除 private?static?final?int?DELAY_MILLSECONDS?=?1000;/***?下單接口：先刪除緩存，再更新數(shù)據(jù)庫，緩存延時(shí)雙刪*?@param?sid*?@return*/ @RequestMapping("/createOrderWithCacheV3/{sid}") @ResponseBody public?String?createOrderWithCacheV3(@PathVariable?int?sid)?{int?count;try?{//?刪除庫存緩存stockService.delStockCountCache(sid);//?完成扣庫存下單事務(wù)count?=?orderService.createPessimisticOrder(sid);//?延時(shí)指定時(shí)間后再次刪除緩存cachedThreadPool.execute(new?delCacheByThread(sid));}?catch?(Exception?e)?{LOGGER.error("購買失敗：[{}]",?e.getMessage());return?"購買失敗，庫存不足";}LOGGER.info("購買成功，剩余庫存為:?[{}]",?count);return?String.format("購買成功，剩余庫存為：%d",?count); }

OrderController中新增線程池：

//?延時(shí)雙刪線程池 private?static?ExecutorService?cachedThreadPool?=?new?ThreadPoolExecutor(0,?Integer.MAX_VALUE,?60L,?TimeUnit.SECONDS,new?SynchronousQueue<Runnable>());/***?緩存再刪除線程*/ private?class?delCacheByThread?implements?Runnable?{private?int?sid;public?delCacheByThread(int?sid)?{this.sid?=?sid;}public?void?run()?{try?{LOGGER.info("異步執(zhí)行緩存再刪除，商品id：[{}]，?首先休眠：[{}]?毫秒",?sid,?DELAY_MILLSECONDS);Thread.sleep(DELAY_MILLSECONDS);stockService.delStockCountCache(sid);LOGGER.info("再次刪除商品id：[{}]?緩存",?sid);}?catch?(Exception?e)?{LOGGER.error("delCacheByThread執(zhí)行出錯(cuò)",?e);}} }

來試驗(yàn)一下，請求接口createOrderWithCacheV3：

日志中，做到了兩次刪除：

實(shí)戰(zhàn)：刪除緩存重試機(jī)制

上文提到了，要解決刪除失敗的問題，需要用到消息隊(duì)列，進(jìn)行刪除操作的重試。這里我們?yōu)榱诉_(dá)到效果，接入了RabbitMq，并且需要在接口中寫發(fā)送消息，并且需要消費(fèi)者常駐來消費(fèi)消息。Spring整合RabbitMq還是比較簡單的，我把簡單的整合代碼也貼出來。

pom.xml新增RabbitMq的依賴：

<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-amqp</artifactId> </dependency>

寫一個(gè)RabbitMqConfig：

@Configuration public?class?RabbitMqConfig?{@Beanpublic?Queue?delCacheQueue()?{return?new?Queue("delCache");}}

添加一個(gè)消費(fèi)者：

@Component @RabbitListener(queues?=?"delCache") public?class?DelCacheReceiver?{private?static?final?Logger?LOGGER?=?LoggerFactory.getLogger(DelCacheReceiver.class);@Autowiredprivate?StockService?stockService;@RabbitHandlerpublic?void?process(String?message)?{LOGGER.info("DelCacheReceiver收到消息:?"?+?message);LOGGER.info("DelCacheReceiver開始刪除緩存:?"?+?message);stockService.delStockCountCache(Integer.parseInt(message));} }

OrderController中新增接口：

/***?下單接口：先更新數(shù)據(jù)庫，再刪緩存，刪除緩存重試機(jī)制*?@param?sid*?@return*/ @RequestMapping("/createOrderWithCacheV4/{sid}") @ResponseBody public?String?createOrderWithCacheV4(@PathVariable?int?sid)?{int?count;try?{//?完成扣庫存下單事務(wù)count?=?orderService.createPessimisticOrder(sid);//?刪除庫存緩存stockService.delStockCountCache(sid);//?延時(shí)指定時(shí)間后再次刪除緩存//?cachedThreadPool.execute(new?delCacheByThread(sid));//?假設(shè)上述再次刪除緩存沒成功，通知消息隊(duì)列進(jìn)行刪除緩存sendDelCache(String.valueOf(sid));}?catch?(Exception?e)?{LOGGER.error("購買失敗：[{}]",?e.getMessage());return?"購買失敗，庫存不足";}LOGGER.info("購買成功，剩余庫存為:?[{}]",?count);return?String.format("購買成功，剩余庫存為：%d",?count); }

訪問createOrderWithCacheV4：

可以看到，我們先完成了下單，然后刪除了緩存，并且假設(shè)延遲刪除緩存失敗了，發(fā)送給消息隊(duì)列重試的消息，消息隊(duì)列收到消息后再去刪除緩存。

實(shí)戰(zhàn)：讀取binlog異步刪除緩存

我們需要用到阿里開源的canal來讀取binlog進(jìn)行緩存的異步刪除。

我寫了一篇Canal的入門文章，其中用的入門例子就是讀取binlog刪除緩存。大家可以直接跳轉(zhuǎn)到這里：阿里開源MySQL中間件Canal快速入門

擴(kuò)展閱讀

更新緩存的的Design Pattern有四種：

• Cache aside

• Read through

• Write through

• Write behind caching，這里有陳皓的總結(jié)文章可以進(jìn)行學(xué)習(xí)。

https://coolshell.cn/articles/17416.html

小結(jié)

引用陳浩《緩存更新的套路》最后的總結(jié)語作為小結(jié)：

分布式系統(tǒng)里要么通過2PC或是Paxos協(xié)議保證一致性，要么就是拼命的降低并發(fā)時(shí)臟數(shù)據(jù)的概率

緩存系統(tǒng)適用的場景就是非強(qiáng)一致性的場景，所以它屬于CAP中的AP，BASE理論。

異構(gòu)數(shù)據(jù)庫本來就沒辦法強(qiáng)一致，只是盡可能減少時(shí)間窗口，達(dá)到最終一致性。

還有別忘了設(shè)置過期時(shí)間，這是個(gè)兜底方案

結(jié)束語

本文總結(jié)并探討了緩存數(shù)據(jù)庫雙寫一致性問題。

文章內(nèi)容大致可以總結(jié)為如下幾點(diǎn)：

• 對于讀多寫少的數(shù)據(jù)，請使用緩存。

• 為了保持?jǐn)?shù)據(jù)庫和緩存的一致性，會導(dǎo)致系統(tǒng)吞吐量的下降。

• 為了保持?jǐn)?shù)據(jù)庫和緩存的一致性，會導(dǎo)致業(yè)務(wù)代碼邏輯復(fù)雜。

• 緩存做不到絕對一致性，但可以做到最終一致性。

• 對于需要保證緩存數(shù)據(jù)庫數(shù)據(jù)一致的情況，請盡量考慮對一致性到底有多高要求，選定合適的方案，避免過度設(shè)計(jì)。

作者水平有限，寫文章過程中難免出現(xiàn)錯(cuò)誤和疏漏，請理性討論與指正。

參考

• https://cloud.tencent.com/developer/article/1574827

• https://www.jianshu.com/p/2936a5c65e6b

• https://www.cnblogs.com/rjzheng/p/9041659.html

• https://www.cnblogs.com/codeon/p/8287563.html

• https://www.jianshu.com/p/0275ecca2438

• https://www.jianshu.com/p/dc1e5091a0d8

• https://coolshell.cn/articles/17416.html

如果文章對你有幫助，不妨點(diǎn)贊，收藏起來~

往期推薦

磊哥工作十幾年了，竟沒有用過do-while！（文末送書）

2020-09-06

3種時(shí)間格式化的方法，SpringBoot篇！

2020-09-04

多圖證明，Java到底是值傳遞還是引用傳遞？

2020-09-02

阿里為什么推薦使用LongAdder，而不是volatile？

2020-08-25

關(guān)注下方二維碼，收獲更多干貨！

總結(jié)

以上是生活随笔為你收集整理的两难！先更新数据库再删缓存？还是先删缓存再更新数据库？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。