09.3.1.2 Redis 数据结构与内存模型
所属:全栈开发面试题库 / 09 高阶架构:高并发与分布式 / 09.3 缓存体系 / 09.3.1 本地缓存与分布式缓存
09.3.1.2-001 Redis 常用数据结构及各自用途?
一句话结论
Redis 提供 String、Hash、List、Set、ZSet,以及 Bitmap、HyperLogLog、Stream、Geo 等扩展结构;按访问模式选结构:对象属性用 Hash、排行榜用 ZSet、去重用 Set、队列用 List/Stream。
概念解释
- String:最基础的键值,可存文本、数字、序列化对象,支持计数。
- Hash:字段-值映射,适合存对象属性,可单独读写字段。
- List:双向链表,可做栈/队列/消息通道。
- Set:无序集合,去重与交并差运算。
- ZSet:带分值的有序集合,排行榜、延迟队列按分值排序。
原理流程
确定访问模式 → 选匹配结构
→ 字段/排行/去重/队列各取所长
→ 避免用 String 塞复杂结构再反序列化
常见误区
- 误区:所有对象都序列化成 JSON 存 String。字段级更新要整体反序列化再写回,并发下易覆盖,属性散列场景应选 Hash。
- 误区:结构越丰富越好。用不上的集合运算只增加内存与复杂度,简单键值用 String 即可。
追问
- 问:计数器用什么?答:String + INCR/DECR,原子自增,适合限流计数、库存计数。
- 问:存储关系型对象倾向哪种?答:字段少且整体读取用 String 快照;字段独立读写用 Hash。
09.3.1.2-002 String 类型有哪些典型命令与用途?
一句话结论
String 用 SET/GET 读写,INCR/DECR/INCRBY 做原子计数,SETEX 带过期,MGET/MSET 批量读写;用途包括缓存对象快照、计数器、分布式锁标记、会话与令牌。
概念解释
- 基础:SET key value、GET key、DEL key。
- 过期:SETEX key seconds value;PSETEX 毫秒。
- 计数:INCR、DECR、INCRBY、DECRBY,整数原子增减。
- 批量:MGET/MSET 减少往返次数。
原理流程
读:GET / MGET
写:SET(带 NX/XX/过期参数)
计数:INCR 原子自增并返回新值
常见误区
- 误区:INCR 可以跨任意类型。非整数值自增会报错,计数 key 必须存整数。
- 误区:MSET 每次写都设过期。批量写要逐条注意 TTL,否则部分 key 漏设过期。
追问
- 问:SET NX 干什么用?答:key 不存在才写入,常用于分布式锁占位;配合过期时间防止死锁。
- 问:String 存大对象有什么问题?答:单次读写网络与序列化成本高,阻塞主线程风险上升,应拆分或压缩。
09.3.1.2-003 Hash 适合存什么对象?
一句话结论
Hash 把对象拆成 field-value,可单独读取或更新单个字段,避免整体反序列化;适合属性独立读写的对象,如用户资料、商品展示字段;字段很多时要注意编码与大 Hash 风险。
概念解释
- 命令:HSET、HGET、HGETALL、HDEL、HINCRBY、HVALS。
- 优势:字段级更新,并发覆盖风险低于整体 JSON 写回。
- 约束:不存嵌套结构;大 Hash 元素过多会退化为哈希表编码,占用升高。
原理流程
写字段:HSET key field value
读字段:HGET key field
读全量:HGETALL(元素多时控制范围)
常见误区
- 误区:HGETALL 随便用。字段量大时一次性返回阻塞主线程并放大网络,应按需取字段或分批扫描。
- 误区:Hash 能替代关系表。Hash 是扁平字段,不支持复杂查询与关联,只是缓存对象载体。
追问
- 问:字段值都是字符串吗?答:Hash field 值为字符串,数字可用 HINCRBY 自增。
- 问:一个 Hash 放多少字段合适?答:控制在编码阈值内(具体阈值以版本文档为准),字段多可按业务分片成多个 Hash。
09.3.1.2-004 List 的队列与栈用法?
一句话结论
List 两端操作:LPUSH/RPUSH 插入,LPOP/RPOP 弹出,可作栈(同端进出)或队列(一端进另一端出);BLPOP/BRPOP 阻塞等待元素,适合简单任务队列,但消费确认能力弱于专业 MQ。
概念解释
- 栈:LPUSH + LPOP 后进先出。
- 队列:RPUSH + LPOP 先进先出(或反向)。
- 阻塞:BRPOP 无元素时阻塞等待,避免忙轮询。
原理流程
生产:RPUSH key item
消费:BRPOP key timeout → 取走元素
失败重投:重新 LPUSH 回队列(需自行保证幂等)
常见误区
- 误区:List 队列能替代 MQ。List 没有消费确认、重试、死信与积压治理,可靠业务消息应走 MQ。
- 误区:阻塞命令一直挂着没事。长阻塞占用连接,消费者数量与连接池要匹配。
追问
- 问:List 怎么取长度?答:LLEN key;空队列返回 0。
- 问:中间元素怎么处理?答:List 只高效操作两端,中间读取用 LRANGE 但 O(n),不适合频繁遍历。
09.3.1.2-005 Set 有哪些集合运算?
一句话结论
Set 存储无序不重复元素,支持 SADD/SMEMBERS/SREM,以及交集 SINTER、并集 SUNION、差集 SDIFF;适合标签、好友共同关系、去重;大集合运算要评估元素规模。
概念解释
- 基础:SADD 添加、SREM 移除、SISMEMBER 判断存在、SCARD 计数。
- 运算:SINTER 交集、SUNION 并集、SDIFF 差集。
- 抽样:SRANDMEMBER 随机取元素,SPOP 随机弹出。
原理流程
去重:SADD 自动去重,SISMEMBER 判存在
关系:多 Set 之间做交/并/差
常见误区
- 误区:SMEMBERS 大集合随便取。元素多时一次返回阻塞服务端并占满网络,应配合抽样或分批扫描。
- 误区:Set 支持排序。Set 无序,需要排序结果用 ZSet。
追问
- 问:标签系统怎么存?答:每个对象一个标签 Set,交并差找共同标签对象;规模大时评估集合运算成本。
- 问:Set 与 Bitmap 怎么选?答:元素离散且数量中等用 Set;ID 连续、量大用 Bitmap 更省内存。
09.3.1.2-006 ZSet 怎么做排行榜?
一句话结论
ZSet 每个成员带 score 分值,按 score 排序;ZADD 写入,ZREVRANGE/ZRANGE 取名次区间,ZINCRBY 调整分值;适合排行榜、延迟队列(score 为到期时间戳)。
概念解释
- 命令:ZADD key score member、ZRANK、ZREVRANK、ZRANGE、ZREVRANGE、ZINCRBY。
- 排序:分值升序/降序,同分值按成员字典序。
- 范围:取 top N、按分值区间筛选。
原理流程
上榜:ZADD key score member
排名:ZREVRANGE key 0 N-1 WITHSCORES
加分:ZINCRBY key 增量 member
常见误区
- 误区:排行榜全量拉取。只取 top N 与用户附近名次,全量成员会放大内存与网络开销。
- 误区:分值相同名次无所谓。同分时排序规则要明确,避免名次波动引起争议。
追问
- 问:延迟队列怎么用 ZSet?答:score 存到期时间戳,轮询取到期成员,取出后删除;多消费者竞争要做原子弹出。
- 问:ZSet 底层为什么用跳表?答:需要按分值有序范围查询,跳表支持 O(log n) 插入、删除与范围遍历。
09.3.1.2-007 Bitmap、HyperLogLog、Geo 分别解决什么?
一句话结论
Bitmap 用位表示状态,适合连续 ID 的签到/布尔标记;HyperLogLog 用极小内存做基数估算(去重计数,有误差);Geo 存地理位置坐标并计算距离与范围。
概念解释
- Bitmap:SETBIT/GETBIT/BITCOUNT,位操作省内存,ID 需可映射为偏移量。
- HyperLogLog:PFADD/PFCOUNT,估算 UV 类去基数,不存原始元素,误差为概率级。
- Geo:GEOADD/GEOSEARCH,坐标存储与圆形范围检索。
原理流程
签到/在线:Bitmap 按位标记,BITCOUNT 统计
UV 估算:PFADD 累加,PFCOUNT 取近似基数
位置:GEOADD 坐标 → 按距离/范围检索
常见误区
- 误区:HyperLogLog 能精确去重。它是概率估算,要精确成员列表必须用 Set 或其他存储。
- 误区:Bitmap 适合任意离散 ID。ID 跨度大时偏移位数膨胀,需先做映射压缩。
追问
- 问:UV 为什么用 HLL?答:百万到亿级独立访客用 Set 存原始 ID 内存巨大,HLL 固定小内存给近似基数,满足趋势统计即可。
- 问:Geo 坐标精度够吗?答:以经纬度存储与计算,业务精度要求高时结合投影坐标系复核。
09.3.1.2-008 Redis 底层编码有哪些?
一句话结论
同一逻辑结构对应多种底层编码:小对象用紧凑结构(listpack/ziplist、intset),元素多或超阈值后切换为哈希表、双向链表、跳表;编码对业务透明,但影响内存与性能表现。
概念解释
- String:SDS 动态字符串;整数可存为整数编码。
- Hash/List/Set/ZSet:元素少时紧凑编码,超阈值转为 hashtable/linkedlist/skiplist 等。
- 阈值:元素数量与单元素大小双门槛,具体数值以对应版本配置与文档为准。
原理流程
写入小对象 → 紧凑编码省内存
元素增长超阈值 → 自动转换为常规编码
转换是一次性动作,回收需重新满足条件
常见误区
- 误区:编码转换可以随意来回。紧凑编码被打破后,即使元素减少也不一定立刻退回,内存可能不自动回落。
- 误区:业务要关心编码选择。编码由 Redis 按阈值决定,业务重点是控制元素规模,避免触发退化。
追问
- 问:listpack 解决什么问题?答:替代旧 ziplist 消除连锁更新问题,压缩小对象节省内存;版本演进细节以官方说明为准。
- 问:怎么看编码?答:OBJECT ENCODING key 查看当前底层结构。
09.3.1.2-009 ZSet 底层为什么用跳表而不是平衡树?
一句话结论
跳表以多层链表实现近似有序,插入/删除/范围查询平均 O(log n),实现简单、并发友好、范围遍历直接沿链表展开;相比平衡树,调结构与实现成本更低,适合 ZSet 的分值排序场景。
概念解释
- 跳表:底层有序链表 + 上层索引链表,查找沿高层快速定位再下沉。
- 优势:范围查询取一段链表即可;插入只改局部指针。
- 代价:索引空间有额外开销,概率层数保证期望复杂度。
原理流程
查找:高层索引跳跃定位 → 逐层下沉到目标
插入:按随机层数建立索引 → 挂入各层链表
范围:沿底层链表遍历连续成员
常见误区
- 误区:跳表是数组。它是链表加索引层级,不是连续内存数组。
- 误区:跳表复杂度是严格 O(log n)。它是期望复杂度,依赖随机层数分布。
追问
- 问:Hash 底层为什么用哈希表?答:Hash 要 O(1) 按字段存取,不要求有序;ZSet 需要按分值排序,两者结构目标不同。
- 问:跳表与红黑树对比?答:跳表实现简单、范围遍历方便;红黑树平衡严格,工程选型以实现与场景为准。
09.3.1.2-010 Redis 内存里存了哪些元数据?
一句话结论
每个 key 关联过期时间、引用、编码、值指针等元数据;库(db)维护 key 字典与过期字典;元数据不计入 value 大小,是内存占用的一部分,大量小 key 会被元数据开销主导。
概念解释
- key 元数据:类型、编码、过期时间、LRU/LFU 统计字段。
- 字典:键映射到值对象;过期字典记录到期时间。
- 统计:淘汰策略需要的访问频次/时间字段。
原理流程
key 写入 → 建字典条目 + 值对象 + 元数据
设 TTL → 登记过期字典
访问 → 更新访问统计字段
常见误区
- 误区:内存占用只算 value 字节。key 字符串、字典槽位、对象头与统计字段都占内存,小 key 数量多时元数据占比很高。
- 误区:过期字典可以省略。没有过期登记,定期清理与 TTL 判断无法进行。
追问
- 问:怎么查 key 元数据?答:DEBUG OBJECT key 可看引用、编码、Lru 时长等(调试命令,生产注意使用范围)。
- 问:降低元数据开销从哪入手?答:缩短 key 长度、合并小条目、减少 key 总数,而不是只压缩 value。
09.3.1.2-011 过期 key 怎么删除?
一句话结论
Redis 采用惰性删除 + 定期删除结合:访问到过期 key 时即时清除,同时后台周期性抽样检查并清理到期 key;两者配合避免过期 key 长期占内存,也避免单线程被批量删除卡住。
概念解释
- 惰性删除:读/写访问时发现已过期,立即删除并返回空。
- 定期删除:定时任务抽样一批设置了 TTL 的 key,清理到期条目,控制每次扫描量。
- 无 TTL key 不参与过期清理,只能靠淘汰策略或主动删除。
原理流程
访问 key → 检查是否过期 → 是则删除后返回未命中
后台周期 → 抽样过期字典 → 清理到期条目(限量)
常见误区
- 误区:设了 TTL 到点立刻消失。删除发生在访问或后台抽样时,未被访问的过期 key 可能短暂残留。
- 误区:定期删除扫全库。抽样控制每次开销,批量过期仍可能造成瞬时压力。
追问
- 问:大量 key 同时过期会怎样?答:集中清理占用主线程,造成抖动;TTL 要加随机抖动打散。
- 问:内存被过期 key 占满怎么办?答:淘汰策略兜底回收,但更好的做法是避免集中过期与无 TTL 堆积。
09.3.1.2-012 内存淘汰策略有哪些?
一句话结论
淘汰策略分不淘汰与按 LRU/LFU/TTL 范围淘汰:noeviction 拒绝写;allkeys-lru/allkeys-lfu 在所有 key 中淘汰;volatile-lru/volatile-lfu/volatile-ttl 只在设了 TTL 的 key 中挑选;选择取决于缓存定位与数据性质。
概念解释
- noeviction:内存满后拒绝写入,适合不能丢数据的存储场景。
- allkeys-lru/allkeys-lfu:缓存首选,在全部 key 中淘汰最冷条目。
- volatile-lru/volatile-lfu/volatile-ttl:只淘汰有过期时间的 key,按 LRU/LFU/即将过期挑选。
- 具体策略名称与参数以版本配置为准。
原理流程
写入前检查内存 → 超 maxmemory
→ 按策略选候选淘汰 → 释放内存 → 继续写入
→ 无候选可淘汰 → 拒绝写
常见误区
- 误区:缓存用 noeviction 最安全。不淘汰会让写请求持续失败,缓存数据也无备份,满内存后可用性更差。
- 误区:volatile-ttl 只看谁快过期。它优先淘汰快过期的条目,可能把热点短 TTL 数据误清。
追问
- 问:纯缓存默认选什么?答:allkeys-lru 或 allkeys-lfu,按访问模式选;关键是 maxmemory 设足并监控淘汰数。
- 问:淘汰会影响业务吗?答:被淘汰 key 回源 DB,淘汰频繁说明内存不足或热点集超预期。
09.3.1.2-013 过期时间精度与 TTL 行为?
一句话结论
TTL 以秒或毫秒记录到期时间戳,到期判定基于系统时间;删除不是定时精确触发,而是访问或后台抽样时执行;修改 key 值不刷新 TTL(除非命令带过期参数),过期后 key 与值一并清除。
概念解释
- TTL 命令:EXPIRE/PEXPIRE 设置,TTL/PTTL 查看剩余。
- 刷新:PERSIST 去除过期;SET 带 EX 可重设。
- 时钟:依赖服务器时间,时钟回拨会影响到期判断。
原理流程
EXPIRE key seconds → 记录到期时间戳
访问 → 比对当前时间 > 到期时间 → 过期删除
RESET:重新 SET 带过期参数才更新 TTL
常见误区
- 误区:更新 value 会顺延 TTL。普通覆写不刷新过期,需要单独 EXPIRE 或写入时带上时间参数。
- 误区:多节点时钟一致就不用管 TTL。各节点独立判定,时钟漂移仍可能导致副本间过期时机不一致。
追问
- 问:怎么批量给 key 续期?答:遍历 key 集合逐个 EXPIRE,注意扫描与命令量,避免阻塞。
- 问:永久 key 怎么识别?答:TTL 返回 -1 表示无过期,-2 表示 key 不存在。
09.3.1.2-014 怎么估算一个 value 的内存占用?
一句话结论
String 占用 ≈ 字符串长度 + SDS 元数据;集合占用 ≈ 元素数 × 单元素开销 + 容器结构开销;小对象受编码影响,大对象按元素累加;可用 MEMORY USAGE 命令实测单 key 占用。
概念解释
- String:字符字节数 + 动态字符串头与分配余量。
- Hash/Set/ZSet:每个成员与字段都有字符串与结构开销,元素越多元数据占比越高。
- 实测:MEMORY USAGE key [SAMPLES] 返回估算字节数。
原理流程(估算式)
单 key 估算 ≈ key 字节 + 结构元数据 + 元素数 × 单元素平均字节
集合元素多时:结构槽位/节点开销单独计
线上以 MEMORY USAGE 采样校准
常见误区
- 误区:value 序列化长度等于 Redis 占用。编码、字典槽位、对象头与分配对齐都有额外字节。
- 误区:MEMORY USAGE 是精确值。集合按样本估算,大集合结果为近似值。
追问
- 问:序列化选型影响内存吗?答:影响很大,紧凑编码比 JSON 省字段名与引号;但可读性与调试要权衡。
- 问:多个小 key 合并成一个 Hash 省吗?答:减少 key 元数据重复,但要控制 Hash 元素规模,避免大 Hash。
09.3.1.2-015 编码转换阈值怎么理解?
一句话结论
紧凑编码在元素数量或单元素大小超过阈值后转为常规编码;阈值同时受条目数与元素大小控制,转换后内存结构改变;业务侧应把集合规模控制在紧凑范围内,避免无序膨胀。
概念解释
- 数量阈值:元素个数超过上限。
- 大小阈值:单个元素长度超过上限。
- 触发后:改用哈希表/链表/跳表等常规结构,内存占用上升。
原理流程
写入时检查元素数与大小
未超阈值 → 紧凑编码
超过任一阈值 → 转换编码
常见误区
- 误区:阈值可以随便调大让它一直紧凑。紧凑结构对中等规模有效,强行保留会让操作成本上升,得不偿失。
- 误区:元素删回去编码会自动变回。转换通常不自动逆向,回收内存要重建 key。
追问
- 问:怎么查是否触发退化?答:OBJECT ENCODING 看编码类型,结合元素数监控。
- 问:阈值参数要背数值吗?答:理解数量与大小双门槛即可,具体数值以所用版本配置文档为准,不编造固定数字。
09.3.1.2-016 Redis 是单线程吗?怎么理解?
一句话结论
命令执行在主线程串行处理,保证单条命令原子;网络 IO 读写与部分后台任务(过期清理、异步删除、持久化)由其他线程/进程协助;“单线程”指命令处理线程,不是整机只有一个执行流。
概念解释
- 主线程:接收命令、解析、执行、返回结果,串行不被命令切换打断。
- 后台:过期抽样、惰性释放、AOF/RDB、IO 回写等异步化处理。
- 原子性:单条命令内不会插入其他命令,计数、判断可组合成原子脚本。
原理流程
连接到来 → 事件循环读取命令 → 主线程串行执行
→ 结果写回 → 后台线程处理慢释放/持久化辅助
常见误区
- 误区:单线程所以吞吐低。串行避免了锁竞争,配合 IO 多路复用、批量与内存操作获得高吞吐;瓶颈通常在大 key 命令或网络。
- 误区:多命令组合天然原子。多条命令之间会被其他客户端命令插入,需用 Lua/事务保证原子。
追问
- 问:什么命令会卡住主线程?答:操作大 key 的 O(n) 命令、大范围扫描、一次性返回海量元素的命令。
- 问:后台异步删除是什么?答:UNLINK 等把大 key 释放交给后台线程,避免主线程同步回收阻塞。
09.3.1.2-017 命令原子性与 Lua 的关系?
一句话结论
单条命令天然原子;多步判定与读写要保持一致时,用 Lua 脚本在主线程内一次执行完毕,中间不插入其他命令;Lua 内避免慢操作与大循环,防止长时间占住主线程。
概念解释
- 原子边界:单命令或整个 Lua 脚本作为一个不可打断单元。
- 适用:限流计数、库存扣减、判定后删除等“读-判-写”需要一致的场景。
- 约束:脚本只操作少量 key,逻辑简单快速。
原理流程
客户端提交 Lua → Redis 串行执行脚本全部语句
→ 期间不处理其他命令 → 返回结果
常见误区
- 误区:Lua 里循环几百万次没事。长循环占用主线程,阻塞其他所有请求,应拆分或限制批量大小。
- 误区:用 Lua 就能跨分布式节点原子。Lua 只在单节点内原子,跨槽位操作仍受集群限制。
追问
- 问:脚本里能调用任意命令吗?答:可调用受限命令集,避免危险管理命令;写操作脚本要评估键与量级。
- 问:脚本执行超时怎么办?答:复杂逻辑前移到应用层,Redis 只做轻量判定与计数。
09.3.1.2-018 RDB 与 AOF 持久化对缓存定位有什么影响?
一句话结论
RDB 是周期快照,AOF 追加命令日志,两者用于故障恢复;纯缓存场景可弱化持久化以换性能,承担存储职责时要配好刷盘策略;缓存数据可丢失、可重建,不应把唯一状态寄存在缓存里。
概念解释
- RDB:某时刻快照文件,恢复快,两次快照间数据可能丢失。
- AOF:记录写命令,按策略刷盘,丢失窗口取决于刷盘频率。
- 定位:缓存重建自 DB;持久化配置按可靠性需求权衡性能。
原理流程
写命令 → 按策略写 AOF / 周期生成 RDB
故障 → 加载快照/日志恢复
缓存重建:未命中回源 DB,不依赖备份是唯一来源
常见误区
- 误区:缓存开启持久化就等于数据库。缓存丢失仍应能从 DB 重建,持久化只是缩短恢复时间。
- 误区:AOF 每刷盘性能无所谓。高频刷盘放大磁盘 IO,要结合可接受丢失窗口配置。
追问
- 问:纯缓存要不要 AOF?答:可按集群恢复成本与下游承受能力决定,恢复慢时预热方案要跟上。
- 问:持久化期间注意什么?答:RDB fork 与内存拷贝、AOF 重写都会占用资源,低峰期配置。
09.3.1.2-019 INFO memory 看哪些关键字段?
一句话结论
关注 used_memory(数据逻辑占用)、used_memory_rss(操作系统实际分配)、maxmemory(上限)、mem_fragmentation_ratio(碎片率)、evicted_keys(因淘汰剔除数)、expired_keys(过期剔除数);结合命中率判断容量是否充足。
概念解释
- used_memory:Redis 分配器内数据与元数据大小。
- rss:进程驻留内存,高于 used_memory 说明碎片或过渡分配。
- evicted/expired:淘汰与过期计数,持续增长反映容量或 TTL 问题。
- 碎片率:rss/used_memory,过高说明碎片严重。
原理流程
INFO memory → 对比 used_memory 与 maxmemory 水位
→ 看 evicted_keys 是否持续增长
→ 碎片率判断是否需要整理/重启评估
常见误区
- 误区:rss 高于 used_memory 就是泄漏。分配器缓存、碎片都会抬高 rss,先看比值趋势与淘汰情况。
- 误区:evicted_keys 增长无所谓。淘汰持续发生意味着热点数据被挤出,回源压力上升,要扩内存或收敛缓存范围。
追问
- 问:碎片率多少算高?答:经验上明显大于 1 且持续升高需关注,具体结合分配器与版本;不要记死阈值,看趋势。
- 问:怎么统计命中率?答:INFO stats 的 keyspace_hits / keyspace_misses,命中率 = hits / (hits + misses)。
09.3.1.2-020 数据结构选型常见误用有哪些?
一句话结论
常见误用:用 String 塞大 JSON 整体写回、集合无限增长成大 key、Hash 字段过多、用 List 当可靠 MQ、Set 存海量离散 ID;选型以访问模式与元素规模为准,并提前识别大对象风险。
概念解释
- 整体序列化:字段更新需反序列化-改-序列化,并发覆盖成本高。
- 集合膨胀:元素无上限增长,编码退化、命令阻塞。
- 结构错配:需要队列确认却用 List,需要去重计数却用大 Set。
原理流程
梳理访问模式(读整体/读字段/排序/去重/队列)
→ 选结构 → 定元素规模上限
→ 监控大 key 与命中率 → 不合适再拆结构
常见误区
- 误区:结构选型一次定终身。业务增长后访问模式会变,要复盘是否拆分、换结构或上移存储。
- 误区:把所有关系数据都塞进 Redis。Redis 是缓存与特色结构载体,复杂关联查询仍应由数据库承担。
追问
- 问:大 JSON 缓存怎么优化?答:只缓存需要展示的字段,按字段拆分 Hash 或对象摘要,减少整体写回。
- 问:上线前怎么发现结构误用?答:评审 key 设计、元素规模估算,上线后监控大 key、集合长度与命令耗时。