1*Gevr3Luj3OTpNFks0AsB_Q.png

Redis 是一款强大而多才多艺的内存数据存储，被广泛用于缓存、会话管理、实时分析等场景。Redis 的一个关键特性是其对逻辑数据库的支持，使用户能够在单个 Redis 实例中对数据进行分区。这些逻辑数据库提供了隔离和在键方面的不同命名空间，从而实现更有效的数据管理和组织。在本文中，我将展示如何利用逻辑数据库来提升 Redis 查询性能。

逻辑数据库

Redis 支持多个逻辑数据库，通常称为“数据库编号”或“DB”。每个逻辑数据库都是相互隔离的，一个数据库中存储的数据无法直接从另一个数据库中访问。这种隔离提供了一种对数据进行逻辑分区的方式。在 Redis 中，键在数据库内是唯一的。因此，不同的数据库为键提供了独立的命名空间，允许在不发生冲突的情况下在不同的数据库中使用相同的键。

0*zpUd-tFdywwPl6Ay.png

带有逻辑数据库和共享资源（CPU 和内存）的 Redis 实例

虽然逻辑数据库提供了隔离，但它们仍然在单个 Redis 实例内共享相同的底层物理资源（内存、CPU 等）。因此，对一个数据库的大量使用可能潜在地影响其他数据库的性能。

扫描性能

尽管 Redis 不是专为像传统关系型数据库那样的复杂查询而设计的，但在某些情况下，您可能需要获取具有相同前缀的一组键。这是一个常见的需求，特别是在键按层次结构组织或按公共标识符分组的场景中。

让我们深入探讨一个性能查询取决于数据库大小的场景。假设您正在使用 Redis 缓存最近访问您网站的用户的值，TTL（生存时间）为 24 小时。这些缓存的值存储在前缀为 user_id 下。此外，您还有一个用于当前正在使用您服务的用户的 Active Users 缓存，前缀为 active_user_id，TTL 为 2 小时。现在，您有一个定期检查有多少活跃用户并使用 Active Users 缓存的过程。以下是性能如何受数据库大小影响的一个示例。

随着越来越多的用户访问您的网站并将其数据缓存在 Redis 中，前缀为 user_id 的数据库大小将增长。令人惊讶的是，即使活跃用户数量稳定，扫描活跃用户的速度也可能变慢。这是因为 SCAN 命令遍历数据库中的所有键，并之后应用前缀模式。请参阅以下实现。我们有一个简单的函数，用于使用给定前缀向 Redis 数据库填充随机记录。

import randomimport redisimport string
def populate_db(host, port, db_number, key_prefix, n):    r = redis.Redis(host=host, port=port, db=db_number)
    # 生成并将随机数据加载到 Redis    for i in range(n):        suffix = \\\'\\\'.join(random.choices(string.ascii_letters, k=5))        key = f\\\"{key_prefix}{suffix}\\\"        value = \\\'\\\'.join(            random.choices(string.ascii_letters + string.digits, k=5),        )        r.set(key, value)
    print(\\\"数据加载到 Redis。\\\")

在 Redis 中，SCAN 命令用于安全而高效地遍历数据库中的键。使用基于游标的迭代方法与 SCAN 而不是一次性获取所有键（KEYS <prefix>）的主要原因是确保该操作不会阻塞 Redis 服务器或在数据库较大的情况下对其性能产生负面影响。

import redisimport time
def scan_redis_by_pattern(host, port, db_number, pattern):    r = redis.Redis(host=host, port=port, db=db_number)    num_keys = r.dbsize()    print(f\\\"DB={db_number} 的键数量: {num_keys}\\\")
    cursor = 0    keys = []    while True:        cursor, partial_keys = r.scan(cursor, match=pattern)        keys.extend(partial_keys)        if cursor == 0:            break    return keys

现在我们根据数据库中的 user_id 记录数量检查 active_user_id 查询性能。

host = \\\'localhost\\\'port = 6379pattern = \\\'active_user_id:*\\\'db_number = 0
# populate_db(host, port, db_number, \\\"active_user_id:\\\", 1)for n in [10, 1000, 10000]:    populate_db(host, port, db_number, \\\"user_id:\\\", n)    start = time.time()    keys = scan_redis_by_pattern(host, port, db_number, pattern)    print(        f\\\"Keys: {keys}, Duration: {time.time() - start}s\\\",    )

我们得到以下结果：

数据加载到 Redis。DB=0 的键数量: 11Keys: [b\\\'active_user_id:aTtsr\\\'], Duration: 0.004511117935180664s
数据加载到 Redis。DB=0 的键数量: 1011Keys: [b\\\'active_user_id:aTtsr\\\'], Duration: 0.051651954650878906s
数据加载到 Redis。DB=0 的键数量: 100999Keys: [b\\\'active_user_id:aTtsr
\\\'], Duration: 4.748287916183472s

随着数据库中 user_id 键的数量增加，执行 active_user_id 查询所需的时间也会成比例增加（从几毫秒到几秒）。这突显了在设计和管理 Redis 数据库时考虑数据库大小和性能影响的重要性。

如果将 active_user_id 和 user_id 记录保持在不同的逻辑数据库中，那么 user_id 键的数量增加将不会影响 active_user_id 扫描。

数据加载到 Redis。DB=0 的键数量: 1000990DB=1 的键数量: 1Keys: [b\\\'active_user_id:DsHfN\\\'], Duration: 0.003325939178466797s

正如您所见，将数据分隔到逻辑数据库中是一种简单而有效的设计策略，可用于提升 Redis 性能。

结论

Redis 的逻辑数据库为在单个 Redis 实例中组织和管理数据提供了强大的机制。通过将数据划分到独立的逻辑数据库中，用户可以实现更好的隔离和更高效的数据访问。然而，必须注意共享内存和 CPU 利用率的潜在性能影响。

原创文章，作者：小技术君，如若转载，请注明出处：https://www.sudun.com/ask/33857.html

如何优化 Redis 扫描性能

逻辑数据库

扫描性能

结论

发表回复

如何优化 Redis 扫描性能

逻辑数据库

扫描性能

结论

相关推荐

TCP/IP协议的主要内容和作用

Python封装和复用

TCP保活定时器概述，必要性，工作原理

cdn免费加速服务，cdn免费加速

发表回复