基于Spring Cache如何实现Caffeine+Redis二级缓存

这篇文章主要为大家展示了“基于Spring Cache如何实现Caffeine+Redis二级缓存”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“基于Spring Cache如何实现Caffeine+Redis二级缓存”这篇文章吧。

具体如下：

一、聊聊什么是硬编码使用缓存？

在学习Spring Cache之前，笔者经常会硬编码的方式使用缓存。

我们来举个实际中的例子，为了提升用户信息的查询效率，我们对用户信息使用了缓存，示例代码如下：

    @Autowire    private UserMapper userMapper;    @Autowire    private RedisCache redisCache;    //查询用户    public User getUserById(Long userId) {        //定义缓存key        String cacheKey = "userId_" + userId;        //先查询redis缓存        User user = redisCache.get(cacheKey);        //如果缓存中有就直接返回，不再查询数据库        if (user != null) {            return user;        }        //没有再查询数据库        user = userMapper.getUserById(userId);        //数据存入缓存，这样下次查询就能到缓存中获取        if (user != null) {            stringCommand.set(cacheKey, user);        }        return user;    }

相信很多同学都写过类似风格的代码，这种风格符合面向过程的编程思维，非常容易理解。但它也有一些缺点：

代码不够优雅。业务逻辑有四个典型动作：存储，读取，修改，删除。每次操作都需要定义缓存Key ，调用缓存命令的API，产生较多的重复代码；

缓存操作和业务逻辑之间的代码耦合度高，对业务逻辑有较强的侵入性。侵入性主要体现如下两点：

• 开发联调阶段，需要去掉缓存，只能注释或者临时删除缓存操作代码，也容易出错；

• 某些场景下，需要更换缓存组件，每个缓存组件有自己的API，更换成本颇高。

如果说是下面这样的，是不是就优雅多了。

@Mapperpublic interface UserMapper  {            @Cacheable(key = "'cache_user_id_' + #userId")    User getUserById(Long userId);}

再看实现类

    @Autowire    private UserMapper userMapper;    //查询用户    public User getUserById(Long userId) {        return userMapper.getUserById(userId);    }

这么一看是不是完全和缓存分离开来，如果开发联调阶段，需要去掉缓存那么直接注释掉注解就好了，是不是非常完美。

而且这一整套实现都不要自己手动写，Spring Cache就已经帮我定义好相关注解和接口，我们可以轻易实现上面的功能。

二、Spring Cache简介

Spring Cache是Spring-context包中提供的基于注解方式使用的缓存组件，定义了一些标准接口，通过实现这些接口，就可以通过在

方法上增加注解来实现缓存。这样就能够避免缓存代码与业务处理耦合在一起的问题。

Spring Cache核心的接口就两个：Cache和CacheManager

1、Cache接口

该接口定义提供缓存的具体操作，比如缓存的放入、读取、清理：

package org.Springframework.cache;import java.util.concurrent.Callable;public interface Cache {// cacheName，缓存的名字，默认实现中一般是CacheManager创建Cache的bean时传入cacheNameString getName();//得到底层使用的缓存，如EhcacheObject getNativeCache();// 通过key获取缓存值，注意返回的是ValueWrapper，为了兼容存储空值的情况，将返回值包装了一层，通过get方法获取实际值ValueWrapper get(Object key);// 通过key获取缓存值，返回的是实际值，即方法的返回值类型<T> T get(Object key, Class<T> type);// 通过key获取缓存值，可以使用valueLoader.call()来调使用@Cacheable注解的方法。当@Cacheable注解的sync属性配置为true时使用此方法。// 因此方法内需要保证回源到数据库的同步性。避免在缓存失效时大量请求回源到数据库<T> T get(Object key, Callable<T> valueLoader);// 将@Cacheable注解方法返回的数据放入缓存中void put(Object key, Object value);// 当缓存中不存在key时才放入缓存。返回值是当key存在时原有的数据ValueWrapper putIfAbsent(Object key, Object value);// 删除缓存void evict(Object key);// 清空缓存void clear();// 缓存返回值的包装interface ValueWrapper {// 返回实际缓存的对象Object get();}}

2、CacheManager接口

主要提供Cache实现bean的创建，每个应用里可以通过cacheName来对Cache进行隔离，每个cacheName对应一个Cache实现。

package org.Springframework.cache;import java.util.Collection;public interface CacheManager {// 通过cacheName创建Cache的实现bean，具体实现中需要存储已创建的Cache实现bean，避免重复创建，也避免内存缓存        //对象（如Caffeine）重新创建后原来缓存内容丢失的情况Cache getCache(String name);// 返回所有的cacheNameCollection<String> getCacheNames();}

3、常用注解说明

@Cacheable：主要应用到查询数据的方法上。

public @interface Cacheable {    // cacheNames，CacheManager就是通过这个名称创建对应的Cache实现bean@AliasFor("cacheNames")String[] value() default {};@AliasFor("value")String[] cacheNames() default {};    // 缓存的key，支持SpEL表达式。默认是使用所有参数及其计算的hashCode包装后的对象（SimpleKey）String key() default "";// 缓存key生成器，默认实现是SimpleKeyGeneratorString keyGenerator() default "";// 指定使用哪个CacheManager,如果只有一个可以不用指定String cacheManager() default "";// 缓存解析器String cacheResolver() default "";// 缓存的条件，支持SpEL表达式，当达到满足的条件时才缓存数据。在调用方法前后都会判断String condition() default "";            // 满足条件时不更新缓存，支持SpEL表达式，只在调用方法后判断String unless() default "";// 回源到实际方法获取数据时，是否要保持同步，如果为false，调用的是Cache.get(key)方法；如果为true，调用的是Cache.get(key, Callable)方法boolean sync() default false;}

@CacheEvict：清除缓存，主要应用到删除数据的方法上。相比Cacheable多了两个属性

public @interface CacheEvict {  // ...相同属性说明请参考@Cacheable中的说明// 是否要清除所有缓存的数据，为false时调用的是Cache.evict(key)方法；为true时调用的是Cache.clear()方法boolean allEntries() default false;// 调用方法之前或之后清除缓存boolean beforeInvocation() default false;}

@CachePut：放入缓存，主要用到对数据有更新的方法上。属性说明参考@Cacheable

@Caching：用于在一个方法上配置多种注解

@EnableCaching：启用Spring cache缓存，作为总的开关，在SpringBoot的启动类或配置类上需要加上此注解才会生效

三、使用二级缓存需要思考的一些问题？

我们知道关系数据库(Mysql)数据最终存储在磁盘上，如果每次都从数据库里去读取，会因为磁盘本身的IO影响读取速度，所以就有了

像redis这种的内存缓存。

通过内存缓存确实能够很大程度的提高查询速度，但如果同一查询并发量非常的大，频繁的查询redis，也会有明显的网络IO上的消耗，

那我们针对这种查询非常频繁的数据(热点key)，我们是不是可以考虑存到应用内缓存，如：caffeine。

当应用内缓存有符合条件的数据时，就可以直接使用，而不用通过网络到redis中去获取，这样就形成了两级缓存。

应用内缓存叫做一级缓存，远程缓存（如redis）叫做二级缓存。

整个流程如下

流程看着是很清新，但其实二级缓存需要考虑的点还很多。

如何保证分布式节点一级缓存的一致性？

我们说一级缓存是应用内缓存，那么当你的项目部署在多个节点的时候，如何保证当你对某个key进行修改删除操作时，使其它节点

的一级缓存一致呢？

是否允许存储空值？

这个确实是需要考虑的点。因为如果某个查询缓存和数据库中都没有，那么就会导致频繁查询数据库，导致数据库Down,这也是我们

常说的缓存穿透。

但如果存储空值呢，因为可能会存储大量的空值，导致缓存变大，所以这个最好是可配置，按照业务来决定是否开启。

是否需要缓存预热？

也就是说，我们会觉得某些key一开始就会非常的热，也就是热点数据，那么我们是否可以一开始就先存储到缓存中，避免缓存击穿。

一级缓存存储数量上限的考虑？

既然一级缓存是应用内缓存，那你是否考虑一级缓存存储的数据给个限定最大值，避免存储太多的一级缓存导致OOM。

一级缓存过期策略的考虑？

我们说redis作为二级缓存，redis是淘汰策略来管理的。具体可参考redis的8种淘汰策略。那你的一级缓存策略呢？就好比你设置一级缓存

数量最大为5000个,那当第5001个进来的时候，你是怎么处理呢？是直接不保存，还是说自定义LRU或者LFU算法去淘汰之前的数据？

一级缓存过期了如何清除？

我们说redis作为二级缓存，我们有它的缓存过期策略(定时、定期、惰性)，那你的一级缓存呢，过期如何清除呢？

这里4、5、6小点如果说用我们传统的Map显然实现是很费劲的，但现在有更好用的一级缓存库那就是Caffeine。

四、Caffeine 简介

Caffeine，一个用于Java的高性能缓存库。

缓存和Map之间的一个根本区别是缓存会清理存储的项目。

1、写入缓存策略

Caffeine有三种缓存写入策略：手动、同步加载和异步加载。

2、缓存值的清理策略

Caffeine有三种缓存值的清理策略：基于大小、基于时间和基于引用。

基于容量：当缓存大小超过配置的大小限制时会发生回收。

基于时间：

• 写入后到期策略。

• 访问后过期策略。

• 到期时间由 Expiry 实现独自计算。

基于引用：启用基于缓存键值的垃圾回收。

• Java种有四种引用：强引用，软引用，弱引用和虚引用，caffeine可以将值封装成弱引用或软引用。

• 软引用：如果一个对象只具有软引用，则内存空间足够，垃圾回收器就不会回收它；如果内存空间不足了，就会回收这些对象的内存。

• 弱引用：在垃圾回收器线程扫描它所管辖的内存区域的过程中，一旦发现了只具有弱引用的对象，不管当前内存空间足够与否，都会
  回收它的内存。

3、统计

Caffeine提供了一种记录缓存使用统计信息的方法，可以实时监控缓存当前的状态，以评估缓存的健康程度以及缓存命中率等，方便后

续调整参数。

4、高效的缓存淘汰算法

缓存淘汰算法的作用是在有限的资源内，尽可能识别出哪些数据在短时间会被重复利用，从而提高缓存的命中率。常用的缓存淘汰算法有

LRU、LFU、FIFO等。

FIFO：先进先出。选择最先进入的数据优先淘汰。LRU：最近最少使用。选择最近最少使用的数据优先淘汰。LFU：最不经常使用。选择在一段时间内被使用次数最少的数据优先淘汰。

LRU（Least Recently Used）算法认为最近访问过的数据将来被访问的几率也更高。

LRU通常使用链表来实现，如果数据添加或者被访问到则把数据移动到链表的头部，链表的头部为热数据，链表的尾部如冷数据，当

数据满时，淘汰尾部的数据。

LFU（Least Frequently Used）算法根据数据的历史访问频率来淘汰数据，其核心思想是“如果数据过去被访问多次，那么将来被访问

的频率也更高”。根据LFU的思想，如果想要实现这个算法，需要额外的一套存储用来存每个元素的访问次数，会造成内存资源的浪费。

Caffeine采用了一种结合LRU、LFU优点的算法：W-TinyLFU，其特点：高命中率、低内存占用。

5、其他说明

Caffeine的底层数据存储采用ConcurrentHashMap。因为Caffeine面向JDK8，在jdk8中ConcurrentHashMap增加了红黑树，在hash冲突

严重时也能有良好的读性能。

五、基于Spring Cache实现二级缓存(Caffeine+Redis)

前面说了，使用了redis缓存，也会存在一定程度的网络传输上的消耗，所以会考虑应用内缓存，但有点很重要的要记住:

应用内缓存可以理解成比redis缓存更珍惜的资源，所以，caffeine 不适用于数据量大，并且缓存命中率极低的业务场景，如用户维度的缓存。

当前项目针对应用都部署了多个节点，一级缓存是在应用内的缓存，所以当对数据更新和清除时，需要通知所有节点进行清理缓存的操作。

可以有多种方式来实现这种效果，比如：zookeeper、MQ等，但是既然用了redis缓存，redis本身是有支持订阅/发布功能的，所以就

不依赖其他组件了，直接使用redis的通道来通知其他节点进行清理缓存的操作。

当某个key进行更新删除操作时，通过发布订阅的方式通知其它节点进行删除该key本地的一级缓存就可以了。

具体具体项目代码这里就不再粘贴出来了，这样只粘贴如何引用这个starter包。

1、maven引入使用

   <dependency>            <groupId>com.jincou</groupId>            <artifactId>redis-caffeine-cache-starter</artifactId>            <version>1.0.0</version>   </dependency>

2、application.yml

添加二级缓存相关配置

# 二级缓存配置# 注：caffeine 不适用于数据量大，并且缓存命中率极低的业务场景，如用户维度的缓存。请慎重选择。l2cache:  config:    # 是否存储空值，默认true，防止缓存穿透    allowNullValues: true    # 组合缓存配置    composite:      # 是否全部启用一级缓存，默认false      l1AllOpen: false      # 是否手动启用一级缓存，默认false      l1Manual: true      # 手动配置走一级缓存的缓存key集合，针对单个key维度      l1ManualKeySet:      - userCache:user01      - userCache:user02      - userCache:user03      # 手动配置走一级缓存的缓存名字集合，针对cacheName维度      l1ManualCacheNameSet:      - userCache      - goodsCache    # 一级缓存    caffeine:      # 是否自动刷新过期缓存 true 是 false 否      autoRefreshExpireCache: false      # 缓存刷新调度线程池的大小      refreshPoolSize: 2      # 缓存刷新的频率(秒)      refreshPeriod: 10      # 写入后过期时间(秒)      expireAfterWrite: 180      # 访问后过期时间(秒)      expireAfterAccess: 180      # 初始化大小      initialCapacity: 1000      # 最大缓存对象个数，超过此数量时之前放入的缓存将失效      maximumSize: 3000    # 二级缓存    redis:      # 全局过期时间，单位毫秒，默认不过期      defaultExpiration: 300000      # 每个cacheName的过期时间，单位毫秒，优先级比defaultExpiration高      expires: {userCache: 300000,goodsCache: 50000}      # 缓存更新时通知其他节点的topic名称 默认 cache:redis:caffeine:topic      topic: cache:redis:caffeine:topic

3、启动类上增加@EnableCaching

@EnableCaching@SpringBootApplicationpublic class CacheApplication {public static void main(String[] args) {SpringApplication.run(CacheApplication.class, args);}}

4、在需要缓存的方法上增加@Cacheable注解

@Servicepublic class CaffeineCacheService {    private final Logger logger = LoggerFactory.getLogger(CaffeineCacheService.class);        private static Map<String, UserDTO> userMap = new HashMap<>();    {        userMap.put("user01", new UserDTO("1", "张三"));        userMap.put("user02", new UserDTO("2", "李四"));        userMap.put("user03", new UserDTO("3", "王五"));        userMap.put("user04", new UserDTO("4", "赵六"));    }        @Cacheable(key = "'cache_user_id_' + #userId", value = "userCache")    public UserDTO queryUser(String userId) {        UserDTO userDTO = userMap.get(userId);        try {            Thread.sleep(1000);// 模拟加载数据的耗时        } catch (InterruptedException e) {            e.printStackTrace();        }        logger.info("加载数据:{}", userDTO);        return userDTO;    }        @Cacheable(value = "userCache", key = "#userId", sync = true)    public List<UserDTO> queryUserSyncList(String userId) {        UserDTO userDTO = userMap.get(userId);        List<UserDTO> list = new ArrayList();        list.add(userDTO);        logger.info("加载数据:{}", list);        return list;    }        @CachePut(value = "userCache", key = "#userId")    public UserDTO putUser(String userId, UserDTO userDTO) {        return userDTO;    }        @CacheEvict(value = "userCache", key = "#userId")    public String evictUserSync(String userId) {        return userId;    }}

以上是“基于Spring Cache如何实现Caffeine+Redis二级缓存”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网行业资讯频道！