总结

缓存的场景：缓存 量大但又不常变化的数据，比如详情，评论等。对于那些经常变化的数据，其实并不适合缓存，除非是统计等需要计算的数据，经常变动，统计耗时，也需要进行缓存。这种缓存更适合由后台定时进行计算然后进行缓存。

大多是场景下，选择：先更新数据库，再删缓存 就可以，要求数据有比较高的一致性可以选择延时双删策略；

先删除缓存，后更新数据库：可能会出现删除缓存成功，数据库更新失败，不是非常热点的数据问题不大，由读请求重新获取缓存即可；还有一种并发情况，写操作先删除缓存，读操作读取了旧数据写入缓存，写操作完成之后，更新数据库，会造成数据不一致问题。读请求比写请求要快，所以读取到的脏数据并写入缓存的几率不低。不推荐这种方式。

先更新数据库，然后删除缓存：可能会出现数据更新成功，删除缓存失败，造成数据库中的是新数据，缓存中的是旧数据；数据不一致问题。比上面的方法好，一般访问量的系统推荐这种方式，因为删除缓存失败的几率并不高

延时双删：先删除缓存，后更新数据库，异步延时一会再次删除缓存；解决了 写读写顺序 造成的数据不一致问题。只会出现短时间的数据不一致问题。延时双删同样适用于主从架构，睡眠时间修改为在主从同步的延时时间基础上，加几百 ms。
异步删缓存失败了怎么办：重试机制

读操作：先读缓存，缓存中没有数据的话就去数据库读取，然后再存入缓存中，同时返回响应。

写操作：先更新数据库，后删除缓存

先更新数据库，然后删除缓存。读请求过来的时候，发现 Redis 中没有数据，就会去数据库里读取，然后写入缓存中。

为什么不更新缓存，而是删除缓存？

多个写操作执行顺序交叉问题

多个写操作执行顺序交叉，先到的写不一定先执行完，导致 最新的缓存数据被旧的写操作覆盖掉。出现数据不一致问题。且是大概率事件，需要加锁才能避免这种情况。

频繁更新浪费资源

你想想，如果修改库中的某个字段，一段时间内频繁进行更新。那么你修改多少次，缓存也跟着更新多少次。但是这个缓存数据在这段时间内也就被偶尔使用了几次。

缓存数据计算复杂

还有一种情况，如果这个缓存的数据计算成本比较高。比如为了一个数据，要通过多张表来计算才能得到结果。那么每修改一次，为了更新缓存还要再查询多张表来算一次，

缓存击穿问题

如果选择删除缓存，有读请求的时候在更新缓存，在缓存失效的时候，大量的读请求同时进来，发现key失效了，都去数据库读，也就是缓存击穿问题，怎么解决？
1 互斥锁方案，保证同一时间只有一个业务线程更新缓存。未能获取互斥锁的请求，要么等待锁释放后重新读取缓存，要么就返回空值或者默认值。
2 热点数据，写数据库操作的时候，不负责缓存的删除与更新。采用后台更新缓存的方式。如一分钟，每几秒更新一次热点数据。需要业务能接受短暂的数据不一致。
如果定时任务失败，那么过一小时后读取的还是旧数据，可以接受旧数据的话，是没问题的，如果不能的话，那需要重试检查机制，如给这个统计数据存入Redis中的时候增加一个更新时间字段，重试机制，每隔一个间隔检查这个更新时间和当前时间，是否大于一小时，大于的话就进行数据跟新。

问题：数据库更新成功，删除缓存失败，缓存中还是旧数据

虽然有可能会出现这种问题，但是删除缓存失败的可能性小
同理，先更新数据库，然后更新缓存；也存在更新缓存失败的可能性

先删除缓存，后更新数据库

问题：读写同时到来，写操作先删除了缓存，读操作更新了缓存，写操作事务完成更新数据库；此时就发送了缓存中的是旧数据，造成数据不一致问题

读请求比写请求要快，所以读取到的脏数据并写入缓存的几率不低。不推荐这种方式。
缓存与数据库一致性 - 图1

缓存延时双删策略：删除缓存-更新数据-删除缓存

写请求过来先把 Redis 缓存删掉，等数据库更新成功后，异步等待一段时间再次把缓存删掉。
这种方案只会出现短时间的脏数据。如果对数据一致性问题要求比较严格，又不想引入其它中间件如阿里开源的 canal和消息队列，可以使用这种方法；

缓存与数据库一致性 - 图2

参考：

(https://mp.weixin.qq.com/s/4JcMG9UpAgFqsI1SXaJA2A)

前言

本文由 简悦 SimpRead 转码， 原文地址 mp.weixin.qq.com

项目源码在这里

https://github.com/qqxx6661/miaosha

正文

缓存热点数据

在秒杀实际的业务中，一定有很多需要做缓存的场景，比如售卖的商品，包括名称，详情等。访问量很大的数据，可以算是 “热点” 数据了，尤其是一些读取量远大于写入量的数据，更应该被缓存，而不应该让请求打到数据库上。

为何要使用缓存

拿出我之前三篇文章的项目代码来，在其中增加两个查询库存的接口 getStockByDB 和 getStockByCache，分别表示从数据库和缓存查询某商品的库存量。

随后我们用 JMeter 进行并发请求测试。（JMeter 的使用请参考我的第一篇秒杀系统文章）

  1. /**  
  2.  * 查询库存：通过数据库查询库存  
  3.  * @param sid  
  4.  * @return  
  5.  */  
  6. @RequestMapping("/getStockByDB/{sid}")  
  7. @ResponseBody  
  8. public String getStockByDB(@PathVariable int sid) {  
  9.     int count;  
  10.     try {  
  11.         count = stockService.getStockCountByDB(sid);  
  12.     } catch (Exception e) {  
  13.         LOGGER.error("查询库存失败：[{}]", e.getMessage());  
  14.         return "查询库存失败";  
  15.     }  
  16.     LOGGER.info("商品Id: [{}] 剩余库存为: [{}]", sid, count);  
  17.     return String.format("商品Id: %d 剩余库存为：%d", sid, count);  
  18. }  
  20. /**  
  21.  * 查询库存：通过缓存查询库存  
  22.  * 缓存命中：返回库存  
  23.  * 缓存未命中：查询数据库写入缓存并返回  
  24.  * @param sid  
  25.  * @return  
  26.  */  
  27. @RequestMapping("/getStockByCache/{sid}")  
  28. @ResponseBody  
  29. public String getStockByCache(@PathVariable int sid) {  
  30.     Integer count;  
  31.     try {  
  32.         count = stockService.getStockCountByCache(sid);  
  33.         if (count == null) {  
  34.             count = stockService.getStockCountByDB(sid);  
  35.             LOGGER.info("缓存未命中，查询数据库，并写入缓存");  
  36.             stockService.setStockCountToCache(sid, count);  
  37.         }  
  38.     } catch (Exception e) {  
  39.         LOGGER.error("查询库存失败：[{}]", e.getMessage());  
  40.         return "查询库存失败";  
  41.     }  
  42.     LOGGER.info("商品Id: [{}] 剩余库存为: [{}]", sid, count);  
  43.     return String.format("商品Id: %d 剩余库存为：%d", sid, count);  
  44. }

在设置为 10000 个并发请求的情况下，运行 JMeter，结果首先出现了大量的报错，10000 个请求中 98% 的请求都直接失败了。打开日志，报错如下：

缓存与数据库一致性 - 图3

原来是 SpringBoot 内置的 Tomcat 最大并发数搞的鬼，其默认值为 200，对于 10000 的并发，单机服务实在是力不从心。当然，你可以修改这里的并发数设置，但是你的小机器仍然可能会扛不住。

缓存与数据库一致性 - 图4

将其修改为如下配置后，我的小机器才在通过缓存拿库存的情况下，保证了 10000 个并发的 100% 返回请求：

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

不使用缓存的情况下，吞吐量为 668 个请求每秒，并且有 5% 的请求由于服务压力实在太大，没有返回库存数据：

缓存与数据库一致性 - 图5

使用缓存的情况下，吞吐量为 2177 个请求每秒：

缓存与数据库一致性 - 图6

在这种 “不严谨” 的对比下，有缓存对于一台单机，性能提升了 3 倍多，如果在多台机器，更多并发的情况下，由于数据库有了更大的压力，缓存的性能优势应该会更加明显。

测完了这个小实验，我看了眼我挂着 Mysql 的小水管腾讯云服务器，生怕他被这么高流量搞挂。这种突发的流量，指不定会被检测为异常攻击流量呢~

缓存与数据库一致性 - 图7

我用的是腾讯云服务器 1C4G2M，活动买的，很便宜。

缓存与数据库一致性 - 图8

哪类数据适合缓存

缓存量大但又不常变化的数据，比如详情，评论等。对于那些经常变化的数据，其实并不适合缓存，一方面会增加系统的复杂性（缓存的更新，缓存脏数据），另一方面也给系统带来一定的不稳定性（缓存系统的维护）。

「但一些极端情况下，你需要将一些会变动的数据进行缓存，比如想要页面显示准实时的库存数，或者其他一些特殊业务场景。这时候你需要保证缓存不能（一直）有脏数据，这就需要再深入讨论一下。」

缓存的利与弊

我们到底该不该上缓存的，这其实也是个 trade-off 的问题。

上缓存的优点：

  • 能够缩短服务的响应时间，给用户带来更好的体验。
  • 能够增大系统的吞吐量，依然能够提升用户体验。
  • 减轻数据库的压力，防止高峰期数据库被压垮，导致整个线上服务 BOOM！

上了缓存，也会引入很多额外的问题：

  • 缓存有多种选型，是内存缓存，memcached 还是 redis，你是否都熟悉，如果不熟悉，无疑增加了维护的难度（本来是个纯洁的数据库系统）。
  • 缓存系统也要考虑分布式，比如 redis 的分布式缓存还会有很多坑，无疑增加了系统的复杂性。
  • 在特殊场景下，如果对缓存的准确性有非常高的要求，就必须考虑「缓存和数据库的一致性问题」。

「本文想要重点讨论的，就是缓存和数据库的一致性问题，客观且往下看。」

缓存和数据库双写一致性

说了这么多缓存的必要性，那么使用缓存是不是就是一个很简单的事情了呢，我之前也一直是这么觉得的，直到遇到了需要缓存与数据库保持强一致的场景，才知道让数据库数据和缓存数据保持一致性是一门很高深的学问。

从远古的硬件缓存，操作系统缓存开始，缓存就是一门独特的学问。这个问题也被业界探讨了非常久，争论至今。我翻阅了很多资料，发现其实这是一个权衡的问题。值得好好讲讲。

不使用更新缓存而是删除缓存

「大部分观点认为，做缓存不应该是去更新缓存，而是应该删除缓存，然后由下个请求去去缓存，发现不存在后再读取数据库，写入缓存。」

《分布式之数据库和缓存双写一致性方案解析》孤独烟：

❝ 「原因一：线程安全角度」 同时有请求 A 和请求 B 进行更新操作，那么会出现 （1）线程 A 更新了数据库 （2）线程 B 更新了数据库 （3）线程 B 更新了缓存 （4）线程 A 更新了缓存 这就出现请求 A 更新缓存应该比请求 B 更新缓存早才对，但是因为网络等原因，B 却比 A 更早更新了缓存。这就导致了脏数据，因此不考虑。 「原因二：业务场景角度」 有如下两点： （1）如果你是一个写数据库场景比较多，而读数据场景比较少的业务需求，采用这种方案就会导致，数据压根还没读到，缓存就被频繁的更新，浪费性能。 （2）如果你写入数据库的值，并不是直接写入缓存的，而是要经过一系列复杂的计算再写入缓存。那么，每次写入数据库后，都再次计算写入缓存的值，无疑是浪费性能的。显然，删除缓存更为适合。 ❞

「其实如果业务非常简单，只是去数据库拿一个值，写入缓存，那么更新缓存也是可以的。但是，淘汰缓存操作简单，并且带来的副作用只是增加了一次 cache miss，建议作为通用的处理方式。」

先删除缓存，还是先操作数据库？

孤独烟老师《分布式之数据库和缓存双写一致性方案解析》：

❝ 「先删缓存，再更新数据库」 该方案会导致请求数据不一致 同时有一个请求 A 进行更新操作，另一个请求 B 进行查询操作。那么会出现如下情形: （1）请求 A 进行写操作，删除缓存 （2）请求 B 查询发现缓存不存在 （3）请求 B 去数据库查询得到旧值 （4）请求 B 将旧值写入缓存 （5）请求 A 将新值写入数据库 上述情况就会导致不一致的情形出现。而且，如果不采用给缓存设置过期时间策略，该数据永远都是脏数据。 ❞

「所以先删缓存，再更新数据库并不是一劳永逸的解决方案，再看看先更新数据库，再删缓存」

❝ 「先更新数据库，再删缓存」这种情况不存在并发问题么？ 不是的。假设这会有两个请求，一个请求 A 做查询操作，一个请求 B 做更新操作，那么会有如下情形产生 （1）缓存刚好失效 （2）请求 A 查询数据库，得一个旧值 （3）请求 B 将新值写入数据库 （4）请求 B 删除缓存 （5）请求 A 将查到的旧值写入缓存 ok，如果发生上述情况，确实是会发生脏数据。 然而，发生这种情况的概率又有多少呢？ 发生上述情况有一个先天性条件，就是步骤（3）的写数据库操作比步骤（2）的读数据库操作耗时更短，才有可能使得步骤（4）先于步骤（5）。可是，大家想想，「数据库的读操作的速度远快于写操作的（不然做读写分离干嘛，做读写分离的意义就是因为读操作比较快，耗资源少），因此步骤（3）耗时比步骤（2）更短，这一情形很难出现。」 ❞

「先更新数据库，再删缓存」依然会有问题，不过，问题出现的可能性会因为上面说的原因，变得比较低！

所以，如果你想实现基础的缓存数据库双写一致的逻辑，那么在大多数情况下，在不想做过多设计，增加太大工作量的情况下，请「先更新数据库，再删缓存!」

我一定要数据库和缓存数据一致怎么办

「没有办法做到绝对的一致性，这是由 CAP 理论决定的，缓存系统适用的场景就是非强一致性的场景，所以它属于 CAP 中的 AP。」

所以，我们得委曲求全，可以去做到 BASE 理论中说的「最终一致性」。

❝ 最终一致性强调的是系统中所有的数据副本，在经过一段时间的同步后，最终能够达到一个一致的状态。因此，最终一致性的本质是需要系统保证最终数据能够达到一致，而不需要实时保证系统数据的强一致性 ❞

大佬们给出了到达最终一致性的解决思路，主要是针对上面两种双写策略（先删缓存，再更新数据库 / 先更新数据库，再删缓存）导致的脏数据问题，进行相应的处理，来保证最终一致性。

延时双删

问：先删除缓存，再更新数据库中避免脏数据？

答案：采用延时双删策略。

上文我们提到，在先删除缓存，再更新数据库的情况下，如果不采用给缓存设置过期时间策略，该数据永远都是脏数据。

「那么延时双删怎么解决这个问题呢？」

❝ （1）先淘汰缓存 （2）再写数据库（这两步和原来一样） （3）休眠 1 秒，再次淘汰缓存 这么做，可以将 1 秒内所造成的缓存脏数据，再次删除。 ❞

「那么，这个 1 秒怎么确定的，具体该休眠多久呢？」

❝ 针对上面的情形，读者应该自行评估自己的项目的读数据业务逻辑的耗时。然后写数据的休眠时间则在读数据业务逻辑的耗时基础上，加几百 ms 即可。这么做的目的，就是确保读请求结束，写请求可以删除读请求造成的缓存脏数据。 ❞

「如果你用了 mysql 的读写分离架构怎么办？」

❝ ok，在这种情况下，造成数据不一致的原因如下，还是两个请求，一个请求 A 进行更新操作，另一个请求 B 进行查询操作。 （1）请求 A 进行写操作，删除缓存 （2）请求 A 将数据写入数据库了， （3）请求 B 查询缓存发现，缓存没有值 （4）请求 B 去从库查询，这时，还没有完成主从同步，因此查询到的是旧值 （5）请求 B 将旧值写入缓存 （6）数据库完成主从同步，从库变为新值 上述情形，就是数据不一致的原因。还是使用双删延时策略。只是，睡眠时间修改为在主从同步的延时时间基础上，加几百 ms。 ❞

「采用这种同步淘汰策略，吞吐量降低怎么办？」

❝ ok，那就将第二次删除作为异步的。自己起一个线程，异步删除。这样，写的请求就不用沉睡一段时间后了，再返回。这么做，加大吞吐量。 ❞

「所以在先删除缓存，再更新数据库的情况下」，可以使用延时双删的策略，来保证脏数据只会存活一段时间，就会被准确的数据覆盖。

「在先更新数据库，再删缓存的情况下」，缓存出现脏数据的情况虽然可能性极小，但也会出现。我们依然可以用延时双删策略，在请求 A 对缓存写入了脏的旧值之后，再次删除缓存。来保证去掉脏缓存。

删缓存失败了怎么办：重试机制

看似问题都已经解决了，但其实，还有一个问题没有考虑到，那就是删除缓存的操作，失败了怎么办？比如延时双删的时候，第二次缓存删除失败了，那不还是没有清除脏数据吗？

「解决方案就是再加上一个重试机制，保证删除缓存成功。」

参考孤独烟老师给的方案图：

「方案一：」

缓存与数据库一致性 - 图9

❝ 流程如下所示 （1）更新数据库数据； （2）缓存因为种种问题删除失败 （3）将需要删除的 key 发送至消息队列 （4）自己消费消息，获得需要删除的 key （5）继续重试删除操作，直到成功 然而，该方案有一个缺点，对业务线代码造成大量的侵入。于是有了方案二，在方案二中，启动一个订阅程序去订阅数据库的 binlog，获得需要操作的数据。在应用程序中，另起一段程序，获得这个订阅程序传来的信息，进行删除缓存操作。 ❞

方案二：

缓存与数据库一致性 - 图10

❝ 流程如下图所示： （1）更新数据库数据 （2）数据库会将操作信息写入 binlog 日志当中 （3）订阅程序提取出所需要的数据以及 key （4）另起一段非业务代码，获得该信息 （5）尝试删除缓存操作，发现删除失败 （6）将这些信息发送至消息队列 （7）重新从消息队列中获得该数据，重试操作。 ❞

「而读取 binlog 的中间件，可以采用阿里开源的 canal」

好了，到这里我们已经把缓存双写一致性的思路彻底梳理了一遍，下面就是我对这几种思路徒手写的实战代码，方便有需要的朋友参考。

实战：先删除缓存，再更新数据库

终于到了实战，我们在秒杀项目的代码上增加接口：先删除缓存，再更新数据库

OrderController 中新增：

  1. /**  
  2.  * 下单接口：先删除缓存，再更新数据库  
  3.  * @param sid  
  4.  * @return  
  5.  */  
  6. @RequestMapping("/createOrderWithCacheV1/{sid}")  
  7. @ResponseBody  
  8. public String createOrderWithCacheV1(@PathVariable int sid) {  
  9.     int count = 0;  
  10.     try {  
  11.         // 删除库存缓存  
  12.         stockService.delStockCountCache(sid);  
  13.         // 完成扣库存下单事务  
  14.         orderService.createPessimisticOrder(sid);  
  15.     } catch (Exception e) {  
  16.         LOGGER.error("购买失败：[{}]", e.getMessage());  
  17.         return "购买失败，库存不足";  
  18.     }  
  19.     LOGGER.info("购买成功，剩余库存为: [{}]", count);  
  20.     return String.format("购买成功，剩余库存为：%d", count);  
  21. }

stockService 中新增：

  1. @Override  
  2. public void delStockCountCache(int id) {  
  3.     String hashKey = CacheKey.STOCK_COUNT.getKey() + "_" + id;  
  4.     stringRedisTemplate.delete(hashKey);  
  5.     LOGGER.info("删除商品id：[{}] 缓存", id);  
  6. }

其他涉及的代码都在之前三篇文章中有介绍，并且可以直接去 Github 拿到项目源码，就不在这里重复贴了。

实战：先更新数据库，再删缓存

如果是先更新数据库，再删缓存，那么代码只是在业务顺序上颠倒了一下，这里就只贴 OrderController 中新增：

  1. /**  
  2.  * 下单接口：先更新数据库，再删缓存  
  3.  * @param sid  
  4.  * @return  
  5.  */  
  6. @RequestMapping("/createOrderWithCacheV2/{sid}")  
  7. @ResponseBody  
  8. public String createOrderWithCacheV2(@PathVariable int sid) {  
  9.     int count = 0;  
  10.     try {  
  11.         // 完成扣库存下单事务  
  12.         orderService.createPessimisticOrder(sid);  
  13.         // 删除库存缓存  
  14.         stockService.delStockCountCache(sid);  
  15.     } catch (Exception e) {  
  16.         LOGGER.error("购买失败：[{}]", e.getMessage());  
  17.         return "购买失败，库存不足";  
  18.     }  
  19.     LOGGER.info("购买成功，剩余库存为: [{}]", count);  
  20.     return String.format("购买成功，剩余库存为：%d", count);  
  21. }

实战：缓存延时双删

如何做延时双删呢，最好的方法是开设一个线程池，在线程中删除 key，而不是使用 Thread.sleep 进行等待，这样会阻塞用户的请求。

更新前先删除缓存，然后更新数据，再延时删除缓存。

OrderController 中新增接口：

  2. // 延时时间：预估读数据库数据业务逻辑的耗时，用来做缓存再删除  
  3. private static final int DELAY_MILLSECONDS = 1000;  
  6. /**  
  7.  * 下单接口：先删除缓存，再更新数据库，缓存延时双删  
  8.  * @param sid  
  9.  * @return  
  10.  */  
  11. @RequestMapping("/createOrderWithCacheV3/{sid}")  
  12. @ResponseBody  
  13. public String createOrderWithCacheV3(@PathVariable int sid) {  
  14.     int count;  
  15.     try {  
  16.         // 删除库存缓存  
  17.         stockService.delStockCountCache(sid);  
  18.         // 完成扣库存下单事务  
  19.         count = orderService.createPessimisticOrder(sid);  
  20.         // 延时指定时间后再次删除缓存  
  21.         cachedThreadPool.execute(new delCacheByThread(sid));  
  22.     } catch (Exception e) {  
  23.         LOGGER.error("购买失败：[{}]", e.getMessage());  
  24.         return "购买失败，库存不足";  
  25.     }  
  26.     LOGGER.info("购买成功，剩余库存为: [{}]", count);  
  27.     return String.format("购买成功，剩余库存为：%d", count);  
  28. }

OrderController 中新增线程池：

  1. // 延时双删线程池  
  2. private static ExecutorService cachedThreadPool = new ThreadPoolExecutor(0, Integer.MAX_VALUE, 60L, TimeUnit.SECONDS,new SynchronousQueue<Runnable>());  
  5. /**  
  6.  * 缓存再删除线程  
  7.  */  
  8. private class delCacheByThread implements Runnable {  
  9.     private int sid;  
  10.     public delCacheByThread(int sid) {  
  11.         this.sid = sid;  
  12.     }  
  13.     public void run() {  
  14.         try {  
  15.             LOGGER.info("异步执行缓存再删除，商品id：[{}]， 首先休眠：[{}] 毫秒", sid, DELAY_MILLSECONDS);  
  16.             Thread.sleep(DELAY_MILLSECONDS);  
  17.             stockService.delStockCountCache(sid);  
  18.             LOGGER.info("再次删除商品id：[{}] 缓存", sid);  
  19.         } catch (Exception e) {  
  20.             LOGGER.error("delCacheByThread执行出错", e);  
  21.         }  
  22.     }  
  23. }

来试验一下，请求接口 createOrderWithCacheV3：

缓存与数据库一致性 - 图11

日志中，做到了两次删除：

缓存与数据库一致性 - 图12

实战：删除缓存重试机制

上文提到了，要解决删除失败的问题，需要用到消息队列，进行删除操作的重试。这里我们为了达到效果，接入了 RabbitMq，并且需要在接口中写发送消息，并且需要消费者常驻来消费消息。Spring 整合 RabbitMq 还是比较简单的，我把简单的整合代码也贴出来。

pom.xml 新增 RabbitMq 的依赖：

  1. <dependency>  
  2.     <groupId>org.springframework.boot</groupId>  
  3.     <artifactId>spring-boot-starter-amqp</artifactId>  
  4. </dependency>

写一个 RabbitMqConfig：

@Configuration  
public class RabbitMqConfig {  

    @Bean  
    public Queue delCacheQueue() {  
        return new Queue("delCache");  
    }  

}

添加一个消费者：

@Component  
@RabbitListener(queues = "delCache")  
public class DelCacheReceiver {  

    private static final Logger LOGGER = LoggerFactory.getLogger(DelCacheReceiver.class);  

    @Autowired  
    private StockService stockService;  

    @RabbitHandler  
    public void process(String message) {  
        LOGGER.info("DelCacheReceiver收到消息: " + message);  
        LOGGER.info("DelCacheReceiver开始删除缓存: " + message);  
        stockService.delStockCountCache(Integer.parseInt(message));  
    }  
}

OrderController 中新增接口：

/**  
 * 下单接口：先更新数据库，再删缓存，删除缓存重试机制  
 * @param sid  
 * @return  
 */  
@RequestMapping("/createOrderWithCacheV4/{sid}")  
@ResponseBody  
public String createOrderWithCacheV4(@PathVariable int sid) {  
    int count;  
    try {  
        // 完成扣库存下单事务  
        count = orderService.createPessimisticOrder(sid);  
        // 删除库存缓存  
        stockService.delStockCountCache(sid);  
        // 延时指定时间后再次删除缓存  
        // cachedThreadPool.execute(new delCacheByThread(sid));  
        // 假设上述再次删除缓存没成功，通知消息队列进行删除缓存  
        sendDelCache(String.valueOf(sid));  

    } catch (Exception e) {  
        LOGGER.error("购买失败：[{}]", e.getMessage());  
        return "购买失败，库存不足";  
    }  
    LOGGER.info("购买成功，剩余库存为: [{}]", count);  
    return String.format("购买成功，剩余库存为：%d", count);  
}

访问 createOrderWithCacheV4：

缓存与数据库一致性 - 图13

可以看到，我们先完成了下单，然后删除了缓存，并且假设延迟删除缓存失败了，发送给消息队列重试的消息，消息队列收到消息后再去删除缓存。

实战：读取 binlog 异步删除缓存

我们需要用到阿里开源的 canal 来读取 binlog 进行缓存的异步删除。
阿里开源MySQL中间件Canal快速入门

扩展阅读

更新缓存的的 Design Pattern 有四种：Cache aside, Read through, Write through, Write behind caching，这里有陈皓的总结文章可以进行学习。

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

小结

引用陈浩《缓存更新的套路》最后的总结语作为小结：

❝ 分布式系统里要么通过 2PC 或是 Paxos 协议保证一致性，要么就是拼命的降低并发时脏数据的概率 缓存系统适用的场景就是非强一致性的场景，所以它属于 CAP 中的 AP，BASE 理论。 异构数据库本来就没办法强一致，「只是尽可能减少时间窗口，达到最终一致性」。 还有别忘了设置过期时间，这是个兜底方案 ❞

结束语

本文总结了秒杀系统中关于缓存数据的思考和实现，并探讨了缓存数据库双写一致性问题。

「可以总结为如下几点：」

  • 对于读多写少的数据，请使用缓存。
  • 为了保持一致性，会导致系统吞吐量的下降。
  • 为了保持一致性，会导致业务代码逻辑复杂。
  • 缓存做不到绝对一致性，但可以做到最终一致性。
  • 对于需要保证缓存数据库数据一致的情况，请尽量考虑对一致性到底有多高要求，选定合适的方案，避免过度设计。

参考

猜你喜欢

【面试】一口气说出 4 种 “附近的人” 实现方式

图解 TCP | 重传机制、滑动窗口、流量控制、拥塞控制

【秒杀系统】从零打造秒杀系统（一）：防止超卖

【秒杀系统】零基础上手秒杀系统（二）：令牌桶限流 + 再谈超卖

【秒杀系统】零基础上手秒杀系统（三）：抢购接口隐藏 + 单用户限制频率