← 返回目录

基于 request cache 请求缓存技术优化批量商品数据查询接口

第 53 / 72 卷日期:

不同的执行方式

observe(),立即订阅 Observable,然后启动 8 大执行步骤,返回一个拷贝的 Observable,订阅时立即回调给你结果。

toObservable(),返回一个原始的 Observable,必须手动订阅才会去执行 8 大步骤。

基于request cache请求缓存技术优化批量商品数

据查询接口

Hystrix command 执行时 8 大步骤第三步,就是检查 Request cache 是否有缓存。

首先,有一个概念,叫做 Request Context 请求上下文,一般来说,在一个 web 应用中,如果我们用到了 Hystrix,我们会在一个 filter 里面,对每一个请求都施加一个请求上下文。就是

说,每一次请求,就是一次请求上下文。然后在这次请求上下文中,我们会去执行 N 多代码,调用 N 多依赖服务,有的依赖服务可能还会调用好几次。

在一次请求上下文中,如果有多个 command,参数都是一样的,调用的接口也是一样的,而结果可以认为也是一样的。那么这个时候,我们可以让第一个 command 执行返回的结果缓存在

内存中,然后这个请求上下文后续的其它对这个依赖的调用全部从内存中取出缓存结果就可以了。

这样的话,好处在于不用在一次请求上下文中反复多次执行一样的 command,避免重复执行网络请求,提升整个请求的性能。

举个栗子。比如说我们在一次请求上下文中,请求获取 productId 为 1 的数据,第一次缓存中没有,那么会从商品服务中获取数据,返回最新数据结果,同时将数据缓存在内存中。后续同

一次请求上下文中,如果还有获取 productId 为 1 的数据的请求,直接从缓存中取就好了。

图 175-1
图 175-1

HystrixCommand 和 HystrixObservableCommand 都可以指定一个缓存 key,然后 Hystrix 会自动进行缓存,接着在同一个 request context 内,再次访问的话,就会直接取用缓存。

下面,我们结合一个具体的业务场景,来看一下如何使用 request cache 请求缓存技术。当然,以下代码只作为一个基本的 Demo 而已。

现在,假设我们要做一个批量查询商品数据的接口,在这个里面,我们是用 HystrixCommand 一次性批量查询多个商品 id 的数据。但是这里有个问题,如果说 Nginx 在本地缓存失效了,重

新获取一批缓存,传递过来的 productIds 都没有进行去重,比如 productIds=1,1,1,2,2,那么可能说,商品 id 出现了重复,如果按照我们之前的业务逻辑,可能就会重复对 productId=1

的商品查询三次,productId=2 的商品查询两次。

我们对批量查询商品数据的接口,可以用 request cache 做一个优化,就是说一次请求,就是一次 request context,对相同的商品查询只执行一次,其余重复的都走 request cache。

实现Hystrix请求上下文过滤器并注册

定义 HystrixRequestContextFilter 类,实现 Filter 接口。

java

/**

  • Hystrix 请求上下文过滤器

*/

public class HystrixRequestContextFilter implements Filter {

HystrixRequestContext context = HystrixRequestContext.initializeCo

try {

filterChain.doFilter(servletRequest, servletResponse);

} catch (IOException | ServletException e) {

e.printStackTrace();

} finally {

context.shutdown();

}

}

@Override

public void destroy() {

}

}

然后将该 filter 对象注册到 SpringBoot Application 中。

java

@SpringBootApplication

public class EshopApplication {

public static void main(String[] args) {

SpringApplication.run(EshopApplication.class, args);

}

@Bean

public FilterRegistrationBean filterRegistrationBean() {

FilterRegistrationBean filterRegistrationBean = new FilterRegistra

filterRegistrationBean.addUrlPatterns("/*");

return filterRegistrationBean;

}

}

command重写getCacheKey()方法

java

public class GetProductInfoCommand extends HystrixCommand<ProductInfo> {

private Long productId;

private static final HystrixCommandKey KEY = HystrixCommandKey.Factory

public GetProductInfoCommand(Long productId) {

super(Setter.withGroupKey(HystrixCommandGroupKey.Factory.asKey("Pr

.andCommandKey(KEY));

this.productId = productId;

}

@Override

protected ProductInfo run() {

String url = "http://localhost:8081/getProductInfo?productId=" + p

String response = HttpClientUtils.sendGetRequest(url);

System.out.println("调用接口查询商品数据,productId=" + productId);

return JSONObject.parseObject(response, ProductInfo.class);

}

/**

  • 每次请求的结果,都会放在Hystrix绑定的请求上下文上

*

  • @return cacheKey 缓存key

*/

@Override

public String getCacheKey() {

return "product_info_" + productId;

}

/**

  • 将某个商品id的缓存清空

*

  • @param productId 商品id

*/

这里写了一个 flushCache() 方法,用于我们开发手动删除缓存。

controller调用command查询商品信息

在一次 web 请求上下文中,传入商品 id 列表,查询多条商品数据信息。对于每个 productId,都创建一个 command。

如果 id 列表没有去重,那么重复的 id,第二次查询的时候就会直接走缓存。

java

@Controller

public class CacheController {

/**

  • 一次性批量查询多条商品数据的请求

*

  • @param productIds 以,分隔的商品id列表
  • @return 响应状态

*/

@RequestMapping("/getProductInfos")

@ResponseBody

public String getProductInfos(String productIds) {

for (String productId : productIds.split(",")) {

// 对每个productId,都创建一个command

GetProductInfoCommand getProductInfoCommand = new GetProductIn

ProductInfo productInfo = getProductInfoCommand.execute();

System.out.println("是否是从缓存中取的结果:" + getProductInfoComm

}

return "success";

}

}

发起请求

在控制台,我们可以看到以下结果。

调用接口查询商品数据,productId=1

是否是从缓存中取的结果:false

是否是从缓存中取的结果:true

是否是从缓存中取的结果:true

调用接口查询商品数据,productId=2

是否是从缓存中取的结果:false

是否是从缓存中取的结果:true

调用接口查询商品数据,productId=5

是否是从缓存中取的结果:false

第一次查询 productId=1 的数据,会调用接口进行查询,不是从缓存中取结果。而随后再出现查询 productId=1 的请求,就直接取缓存了,这样的话,效率明显高很多。

删除缓存

我们写一个 UpdateProductInfoCommand,在更新商品信息之后,手动调用之前写的 flushCache(),手动将缓存删除。

java

public class UpdateProductInfoCommand extends HystrixCommand<Boolean> {

private Long productId;

public UpdateProductInfoCommand(Long productId) {

super(HystrixCommandGroupKey.Factory.asKey("UpdateProductInfoGroup

this.productId = productId;

}

@Override

protected Boolean run() throws Exception {

// 这里执行一次商品信息的更新

全站分卷索引 · 72 卷
  1. 1互联网 Java 工程师进阶知识完全扫盲
  2. 2为什么使用消息队列?
  3. 3如何保证消息队列的高可用?
  4. 4如何保证消息不被重复消费?
  5. 5如何保证消息的可靠性传输?
  6. 6如何保证消息的顺序性?
  7. 7如何解决消息队列的延时以及过期失效问题?
  8. 8如何设计一个消息队列?
  9. 9搜索引擎
  10. 10ES 的分布式架构原理是什么?
  11. 11ES 写入数据的工作原理是什么?
  12. 12ES 在数十亿级别数量下如何提高查询效率?
  13. 13ES 生产集群的部署架构是什么?
  14. 14缓存
  15. 15Redis 和 Memcached 有什么区别?
  16. 16Redis 都有哪些数据类型以及适用场景?
  17. 17Redis 的过期策略都有哪些?
  18. 18如何保证 Redis 高并发、高可用?
  19. 19Redis 主从架构是怎样的?
  20. 20Redis 的持久化有哪几种方式?
  21. 21Redis 如何基于哨兵集群实现高可用?
  22. 22Redis 集群模式的工作原理能说一下么?
  23. 23Redis 的雪崩、穿透和击穿,如何应对?
  24. 24如何保证缓存与数据库双写一致性?
  25. 25如何解决 Redis 的并发竞争问题?
  26. 26生产环境中的 Redis 是怎么部署的?
  27. 27分库分表如何平滑过渡?
  28. 28设计一个动态扩容缩容的分库分表方案?
  29. 29分库分表之后,id 主键如何处理?
  30. 30读写分离
  31. 31高并发系统
  32. 32分布式系统
  33. 33系统拆分
  34. 34分布式服务框架
  35. 35Dubbo 支持哪些序列化协议?
  36. 36Dubbo 负载均衡策略和集群容错策略?
  37. 37Dubbo 的 SPI 思想是什么?
  38. 38如何基于 Dubbo 进行服务治理?
  39. 39分布式服务接口的幂等性如何设计?
  40. 40分布式服务接口请求的顺序性如何保证?
  41. 41如何自己设计一个类似 Dubbo 的 RPC 框架?
  42. 42CAP 定理的 P 是什么?
  43. 43分布式锁
  44. 44分布式锁如何设计?
  45. 45分布式事务
  46. 46分布式会话
  47. 47高可用架构
  48. 48电商网站详情页系统架构
  49. 49Hystrix 线程池技术实现资源隔离
  50. 50Hystrix 信号量机制实现资源隔离
  51. 51Hystrix 隔离策略细粒度控制
  52. 52深入 Hystrix 执行时内部原理
  53. 53基于 request cache 请求缓存技术优化批量商品数据查询接口
  54. 54基于本地缓存的 fallback 降级机制
  55. 55深入 Hystrix 断路器执行原理
  56. 56深入 Hystrix 线程池隔离与接口限流
  57. 57基于 timeout 机制为服务接口调用超时提供安全保护
  58. 58限流
  59. 59熔断
  60. 60微服务架构
  61. 61从单体式架构迁移到微服务架构
  62. 62微服务的事件驱动数据管理
  63. 63选择微服务部署策略
  64. 64Spring Cloud微服务架构
  65. 65你所知道的微服务技术栈都有哪些?
  66. 66谈谈服务发现组件 Eureka 的主要调用过程?
  67. 67海量数据处理
  68. 68如何找出某一天访问百度网站最多的 IP?
  69. 69如何在大量的数据中找出不重复的整数?
  70. 70如何在大量的数据中判断一个数是否存在?
  71. 71如何统计不同电话号码的个数?
  72. 72如何按照 query 的频度排序?