2017-05-16 利用Guava Cache+Tair+MD5处理缓存策略(带业务实例)

Baby Groot

业务原因

产品鼓励用户分享商品,为用户分享增加内容,在分享模块中增加了数十条分享文案以及两组图片(商品详情图 和 买家秀图片)。客户端唤起微信/微博分享时 需要获取文案及图片。

第一版设计 集中式缓存+数据库

计划使用Tair+MySQL的设计,将每个商品的文案和图片(图片已上传到外部文件网关,存在业务端的也是字符串)以商品ID纬度存储到Tair和MySQL中。

优点:逻辑简单,维护容易。后台更新逻辑仅需更新DB和Tair。
缺点:Tair压力大。

第二版设计 增加本地缓存

利用guava cache构建一个本地缓存,前端接口获取数据按照 本地缓存-集中缓存-数据库的顺序获取数据。场景一:本地缓存无,集中缓存有,则从集中缓存更新到本地缓存。场景二:本地缓存无,集中缓存无,数据库有,则从数据库更新到集中缓存和本地缓存。

优点:集中式缓存压力小
缺点:前端逻辑复杂,后台更新三处地方,数据一致性难以保证。

第三版设计 利用一致性算法(MD5摘要)减少复杂性

集中式缓存仅保存MD5摘要,不再保存业务内容;本地缓存除了保存业务内容,附加保存当前内容的MD5摘要。
前端获取数据,场景一:发现本地缓存无/本地缓存摘要和集中缓存不一样,则从DB更新到本地缓存,并更新最新内容摘要到集中缓存。场景二:后台更新,仅需要更新DB和集中缓存的MD5摘要值即可。

优点:前后端逻辑一致,比第二版设计简单,兼具第二版优点。
缺点:集中缓存仍面临多次更新MD5摘要。

实例(重要代码段)

业务接口:

/**
 * 根据spuId 获取分享文案列表
 *
 * @param spuId
 * @return
 */
public ItemShareWords doGetItemShareWords(long spuId) {
    ItemShareWords itemShareWords = new ItemShareWords();
    itemShareWords.spuId = spuId;
    if (spuId <= 0) {
        return itemShareWords;
    }
    if(!onlyFillItemShareWords(itemShareWords)) {
        logger.warn("doGetItemShareWords failed. spuId=" + spuId);
    }
    return itemShareWords;
}

/**
 * 仅填充分享文案相关信息
 *
 * @param itemShareWords
 */
private boolean onlyFillItemShareWords(ItemShareWords itemShareWords) {
    itemShareWords.levelMessages = new ArrayList<>();

    try {
        long spuId = itemShareWords.spuId;
        DigestCacheObject<LeaveMessagesBGO> lmDigestCacheObject =
                shareMaterialCacheManager.getLeaveMessagesFromCache(spuId);
        if (!isLeaveMessageValidCache(lmDigestCacheObject, spuId)) {
            MerItemShareMaterialDO merItemShareMaterialDO = merItemShareMaterialDao.queryBySpuId(spuId);
            lmDigestCacheObject = buildLeaveMessagesCache(merItemShareMaterialDO.getLeaveMessages());

            //保存缓存
            if (shareMaterialCacheManager.storeLeaveMessagesCache(spuId, lmDigestCacheObject)) {
                //保存相应的MD5摘要
                itemCacheManager.saveLeaveMessagesDigest(spuId, lmDigestCacheObject.getDigestStr());
            }
        }
        itemShareWords.levelMessages = lmDigestCacheObject.getValue().getLeaveMessages();    //朋友留言列表

        return true;
    } catch (Exception e) {
        // do something more.
        logger.error("onlyFillItemShareWords exception, itemShareWords=" + itemShareWords, e);
    }

    return false;
}

本地缓存Guava Cache:

// spring config class
@Configuration
public class CacheConfig {

    @Bean(destroyMethod="cleanUp")
    public Cache<String, DigestCacheObject<?>> cache() {
        return CacheBuilder.newBuilder().maximumSize(1000).build();
    }
}

// ShareMaterialCacheManager.java
@Autowired
private Cache<String, DigestCacheObject<?>> cache;
......

/**
 * 本地缓存保存朋友留言
 * 
 * @param spuId
 * @param value
 * @return
 */
public boolean storeLeaveMessagesCache(long spuId, DigestCacheObject<LeaveMessagesBGO> value) {
    try {
        if (value != null) {
            cache.put(getLeaveMessagesKey(spuId), value);
            return true;
        }
    } catch (Exception e) {
        logger.error("storeLeaveMessagesCache cache exception, spuId=" + spuId, e);
    }
    
    return false;
}

集中缓存Tair:

/**
 * 保存spuId对应的朋友留言的摘要
 * 
 * @param spuId
 * @param lmDigest
 * @return
 */
public boolean saveLeaveMessagesDigest(long spuId, String lmDigest) {
    try {
        if (!MD5CryptoUtil.isEffectiveMD5(lmDigest)) {
            logger.warn("invalid md5, squId={}, lmDigest={}", spuId, lmDigest);
            return false;
        }
        
        String key = TairConstant.getItemLeaveMessagesDigestKey(spuId);
        return baseCacheManager.addToTair(key, lmDigest);
    } catch (Exception e) {
        logger.error("saveLeaveMessagesDigest exception, spuId=" + spuId + ", lmDigest=" + lmDigest, e);
    }
    
    return false;
}
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,056评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,842评论 2 378
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,938评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,296评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,292评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,413评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,824评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,493评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,686评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,502评论 2 318
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,553评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,281评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,820评论 3 305
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,873评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,109评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,699评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,257评论 2 341

推荐阅读更多精彩内容