Redis(开发与运维):61---开发运维的陷阱之（处理bigkey）

• bigkey是指key对应的value所占的内存空间比较大
• 如果按照数据结构来细分的话，一般分为字符串类型和非字符串类型：
  • 字符串类型：体现在单个value值很大，一般认为超过10KB就是bigkey，但这个值和具体的OPS相关。例如一个字符串类型的value可以最大存到512MB
  • 非字符串类型：哈希、列表、集合、有序集合，体现在元素个数过多。例如一个列表类型的value最多可以存储个元素
• bigkey无论是空间复杂度和时间复杂度都不太友好，下面我们将介绍它的危害
• 注意：因为非字符串数据结构中，每个元素实际上也是一个字符串，但这里只讨论元素个数过多的情况

一、bigkey的危害

• bigkey的危害体现在三个方面：
  • 内存空间不均匀（平衡）：例如在Redis Cluster中，bigkey会造成节点的内存空间使用不均匀
  • 超时阻塞：由于Redis单线程的特性，操作bigkey比较耗时，也就意味着阻塞Redis可能性增大
  • 网络拥塞：每次获取bigkey产生的网络流量较大，假设一个bigkey为1MB，每秒访问量为1000，那么每秒产生1000MB的流量，对于普通的千兆网卡（按照字节算是128MB/s）的服务器来说简直是灭顶之灾，而且一般服务器会采用单机多实例的方式来部署，也就是说一个bigkey可能会对其他实例造成影响，其后果不堪设想。下图演示了网络带宽被bigkey占用的瞬间

• bigkey的存在并不是完全致命的：
  • 如果这个bigkey存在但是几乎不被访问，那么只有内存空间不均匀的问题存在，相对于另外两个问题没有那么重 要紧急
  • 但是如果bigkey是一个热点key（频繁访问），那么其带来的危害不可想象，所以在实际开发和运维时一定要密切关注bigkey的存在

二、bigkey的发现

redis-cli --bigkeys

• redis-cli--bigkeys可以命令统计bigkey的分布

debug object

• 但是在生产环境中，开发 和运维人员更希望自己可以定义bigkey的大小，而且更希望找到真正的bigkey都有哪些，这样才可以去定位、解决、优化问题
• 判断一个key是否为bigkey，只需要执行debug object key查看serializedlength属性即可，它表示key对应的value序列化之后的字节数
• 例如我们执行如下操作，可以发现serializedlength=11686193字节，约为1M，同时可以看到encoding是raw，也就是字符串类型

• 同时通过strlen来看一下字符串的字节数为2247394字节，约为2MB：

• serializedlength不代表真实的字节大小，它返回对象使用RDB编码序列化后的长度，值会偏小，但是对于排查bigkey有一定辅助作用，因为不是每种数据结构都有类似strlen这样的方法

• 在实际生产环境中发现bigkey的两种方式如下：
  • 被动收集：许多开发人员确实可能对bigkey不了解或重视程度不够，但是这种bigkey一旦大量访问，很可能就会带来命令慢查询和网卡跑满问题， 开发人员通过对异常的分析通常能找到异常原因可能是bigkey，这种方式不太推荐，但是在实际生产环境中却大量存在，建议修改Redis客户端，当抛出异常时打印出所操作的key，方便排查bigkey问题
  • 主动检测：scan+debug object：如果怀疑存在bigkey，可以使用scan命令渐进的扫描出所有的key，分别计算每个key的serializedlength，找到对应bigkey进行相应的处理和报警，这种方式是比较推荐的方式
• 开发提示：
  • 如果键值个数比较多，scan+debug object会比较慢，可以利用Pipeline机制完成
  • 对于元素个数较多的数据结构，debug object执行速度比较慢，存在阻塞Redis的可能
  • 如果有从节点，可以考虑在从节点上执行

三、如何删除

• 当发现Redis中有bigkey并且确认要删除时，如何优雅地删除bigkey？

del命令性能分析

• 无论是什么数据结构，del命令都将其删除。但是相信通过上面的分析后你一 定不会这么做，因为删除bigkey通常来说会阻塞Redis服务。下面给出一组测试数据分别对string、hash、list、set、sorted set五种数据结构的bigkey进行删除，bigkey的元素个数和每个元素的大小不尽相同
• 下图展示了删除512KB~10MB的字符串类型数据所花费的时间，总体 来说由于字符串类型结构相对简单，删除速度比较快，但是随着value值的 不断增大，删除速度也逐渐变慢

• 下图展示了非字符串类型的数据结构在不同数量级、不同元素大小下 对bigkey执行del命令的时间，总体上看元素个数越多、元素越大，删除时间 越长，相对于字符串类型，这种删除速度已经足够可以阻塞Redis

• 下图是上图的折线图，可以更加方便的发现趋势

• 从上分析可见，除了string类型，其他四种数据结构删除的速度有可能很慢，这样增大了阻塞Redis的可能性。既然不能用del命令，那有没有比较优雅的方式进行删除呢，这时候就需要前面文章介绍的scan命令的若干类似 命令拿出来：sscan、hscan、zscan

string类型的删除

• 对于string类型使用del命令一般不会产生阻塞：

del bigkey

hash、list、set、sorted set类型的删除

• 下面以hash为例子，使用hscan命令，每次获取部分（例如100个）field-value，再利用hdel删除每个field（为了快速可以使用Pipeline）：

public void delBigHash(String bigKey) {
    Jedis jedis = new Jedis(“127.0.0.1”, 6379);
    // 游标
    String cursor = “0”;
    while (true) {
        ScanResult<Map.Entry<String, String>> scanResult = jedis.hscan(bigKey, cursor,new ScanParams().count(100));
        // 每次扫描后获取新的游标
        cursor = scanResult.getStringCursor();
        // 获取扫描结果
        List<Entry<String, String>> list = scanResult.getResult();
        if (list == null || list.size() == 0) {
            continue;
        }
        String[] fields = getFieldsFrom(list);
        // 删除多个field
        jedis.hdel(bigKey, fields);
        // 游标为0时停止
        if (cursor.equals(“0”)) {
            break;
        }
    }
    // 最终删除key
    jedis.del(bigKey);
}

/**
* 获取field数组
* @param list
* @return
*/
private String[] getFieldsFrom(List<Entry<String, String>> list) {
    List<String> fields = new ArrayList<String>();
    for(Entry<String, String> entry : list) {
        fields.add(entry.getKey());
    }
    return fields.toArray(new String[fields.size()]);
}

• 开发提示：请勿忘记每次执行到最后执行del key操作

四、最佳实践思路

• 由于开发人员对Redis的理解程度不同，在实际开发中出现bigkey在所难免，重要的是，能通过合理的检测机制及时找到它们，进行处理
• 作为开发 人员在业务开发时应注意不能将Redis简单暴力的使用，应该在数据结构的选择和设计上更加合理，例如出现了bigkey，要思考一下可不可以做一些优化（例如拆分数据结构）尽量让这些bigkey消失在业务中
• 如果bigkey不可避免，也要思考一下要不要每次把所有元素都取出来（例如有时候仅仅需要hmget，而不是hgetall）。最后，可喜的是，Redis在4.0版本支持lazy delete free的模式，那时删除bigkey不会阻塞Redis