wonder/cs-note
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
2e207dc8fbea45f88f4f27b7dbf8f0b64fa1c6a4
cs-note/hhs/Redis/09-高级特性.md
T
hhs 8f10087939 vault backup: 2026-05-28 12:41:37
2026-05-28 12:41:37 +08:00

28 KiB
Raw Blame History

tags, create time
tags create time
Redis
缓存
高级特性
2026-05-15 18:15

Redis 高级特性

概述

当你用 Redis 做的不只是「存一个值、取一个值」时——比如转账时要同时扣 A 加 B、限流时要「先判断再计数」——单条命令就不够用了。你需要把多条命令打包，确保它们要么一起成功，要么逻辑上不出错。

本节围绕这个核心问题，逐一介绍三种「打包」工具：

  • 事务（MULTI/EXEC）：保证命令按顺序执行、不被插队，但不能根据前一条结果决定下一步
  • Lua 脚本：真正的「逻辑原子性」——读、判断、写一气呵成
  • Pipeline：纯性能优化——批量发送命令，减少网络往返

此外还会介绍 Pub/Sub 和 Stream 这两种消息传递机制，以及 Keyspace Notifications 键事件监听。

一、事务（MULTI / EXEC）

先想一个问题

假设你要给两个计数器各加 1。如果直接逐条发送 INCR counter、INCR other_counter，在高并发下可能出现这种情况：

sequenceDiagram
    participant A as "Client A"
    participant B as "Client B"
    participant S as "Redis"
    A->>S: "INCR counter 得到 1"
    B->>S: "INCR counter 得到 2 (插队了!)"
    B->>S: "INCR other_counter 得到 1"
    A->>S: "INCR other_counter 得到 2"

两个命令之间被别的客户端插队了。虽然最终结果可能没问题，但在更复杂的场景（比如「读余额→判断→扣款」）中，插队会导致严重 bug。

事务就是用来解决这个问题的：把一组命令打包，保证它们连续执行、中间不被打断。

基本用法

MULTI                # 开启事务（不阻塞，之后命令只是排队）
INCR counter         # QUEUED
INCR other_counter   # QUEUED
EXEC                 # 一次性执行所有排队的命令

pipe := rdb.TxPipeline() // TxPipeline ≠ MULTI，见下方说明
pipe.Incr(ctx, "counter")
pipe.Set(ctx, "key", "value", 0)
results, _ := pipe.Exec(ctx)

[!TIP] Go 的 Pipeline vs TxPipeline —— 简单理解

  • rdb.Pipeline() = 批量发送，不加锁，谁都能插队 → 纯粹为了快
  • rdb.TxPipeline() = 批量发送，前后包上 MULTI/EXEC → 保证连续执行

在 Cluster 模式下，go-redis 会按 slot 分组，对每个节点单独发 MULTI/EXEC（所以同一 pipeline 内的 key 必须在相同 hash slot，否则事务会拆开）。

维度 MULTI/EXEC（TxPipeline） Pipeline
原子性 ✅ 连续执行，中途不插队 ❌ 命令独立执行，可能被插队
错误处理 语法错 → 整批拒绝；运行时错 → 只影响当前命令 每条命令各自报错
Cluster ❌ 不支持跨 slot 事务 ✅ 自动按 slot 分发
适用场景 需要保证执行顺序 只求快，不关心顺序

事务的错误处理

MULTI
SET k v NX
GET KEYY xxx    # ⚠️ 语法错误！
EXEC
错误类型 发生时 行为
编译时错误（语法、参数） EXEC 之前 EXEC 拒绝执行整个事务
运行时错误（类型不匹配） EXEC 期间 当前命令报错，其余继续执行 
MULTI
SET k "hello"   # OK, queued
INCR k          # OK, queued（语法合法，EXEC 前不会检查类型）
EXEC
# → [OK, ERR value is not an integer...] — SET 成功，INCR 因类型不匹配报错

sequenceDiagram
    participant C as "Client"
    participant S as "Redis Server"
    C->>S: MULTI
    S-->>C: OK
    C->>S: SET k v
    S-->>C: QUEUED
    C->>S: INCR counter
    S-->>C: QUEUED
    C->>S: EXEC
    Note over S: 依次执行所有排队命令
    S-->>C: [OK, 1]

[!QUESTION] 既然 MULTI 能批量执行，为什么还需要 Pipeline？ 关键区别在于排队阶段是否立即返回结果。MULTI 的 QUEUED 只是"记下来"，命令要等 EXEC 才真正执行——这意味着你无法根据前一条的结果决定后续命令。而 Lua 脚本能做"读-判断-写"，Pipeline 则纯粹为减少 RTT。三者各有分工，切勿混淆。

[!WARNING] Redis 事务 ≠ 数据库事务

  • 没有 ROLLBACK / ACID 保证
  • 不能捕获异常后回滚
  • 如果需要强一致性，请用 Lua 脚本

二、Lua 脚本

为什么需要 Lua？——MULTI 的局限

MULTI 能保证命令「不插队」，但它有一个致命缺陷：你无法根据前一条命令的结果决定下一步操作。

比如你想实现「如果余额 ≥ 100 就扣款」：

  1. GET balance → 拿到 50
  2. （根据结果判断：50 < 100，不应该扣款）
  3. 但在 MULTI 里，DECRBY balance 100 已经在排队了——你无法在 EXEC 之前取消它

[!QUESTION] 怎么办？ 答案是：把「读 + 判断 + 写」放到一个脚本里交给 Redis 执行。这就是 Lua 脚本的核心价值——逻辑原子性：整个脚本在 Redis 主线程上一口气跑完，中间不会被任何其他命令插入。

简单对比一下两者的原子性：

MULTI/EXEC Lua 脚本
保证什么 命令连续执行，不被插队 整个脚本一气呵成，包含条件判断
不能做什么 根据中间结果做判断 —
一句话 「按顺序执行，但不看中间结果」 「读-判断-写，一步到位」 
EVAL "return redis.call('GET', KEYS[1])" 1 mykey
#  ↑ script     ↑ commands         ↑ key count  ↑ keys...

经典场景 1：分布式锁

-- acquire_lock.lua
-- KEYS[1] = lock key
-- ARGV[1] = expire seconds (TTL)
-- ARGV[2] = unique token (client ID)

if redis.call('set', KEYS[1], ARGV[2], 'NX', 'EX', ARGV[1]) == 'OK' then
    return 1  -- 成功获取
end

if redis.call('get', KEYS[1]) == ARGV[2] then
    -- 已持有且未过期，原子性续期
    redis.call('expire', KEYS[1], ARGV[1])
    return 1
end

return 0  -- 被其他客户端持有

// Go 调用——与上方 Lua 脚本等价的分布式锁实现
script := redis.NewScript(`
    -- 尝试获取锁：SET NX EX（只有 key 不存在时才设置，原子操作）
    if redis.call("set", KEYS[1], ARGV[2], "NX", "EX", ARGV[1]) == "OK" then
        return 1  -- 成功获取
    end
    -- 已持有锁且未过期，续期（防止业务未完成锁就释放）
    if redis.call("get", KEYS[1]) == ARGV[2] then
        redis.call("expire", KEYS[1], ARGV[1])
        return 1
    end
    return 0  -- 被其他客户端持有
`)

// 解锁脚本：只有持有者才能释放，防止误删别人的锁
unlockScript := redis.NewScript(`
    if redis.call("get", KEYS[1]) == ARGV[1] then
        return redis.call("del", KEYS[1])
    end
    return 0  -- 锁不属于自己，拒绝释放
`)

// KEYS[1] = lock key, ARGV[1] = TTL 秒数, ARGV[2] = 唯一令牌（如 UUID）
ok, err := script.Run(ctx, rdb, []string{"lock:order:" + orderId},
    lockTTL, clientToken).Int()
if ok == 1 {
    defer func() {
        // 解锁：只有持有者才能释放（Lua 保证原子性）
        unlockScript.Run(ctx, rdb, []string{"lock:order:" + orderId}, clientToken)
    }()
    doBiz() // 临界区代码
}

[!tip] 分布式锁深入阅读 本节仅展示 Lua 实现分布式锁的核心代码。关于安全解锁、锁续期（Watchdog）、Redlock 算法、可重入锁等进阶内容，详见 hhs/Redis/09-高级特性/分布式锁。

经典场景 2：限流器（固定窗口计数器）

-- rate_limit.lua（固定窗口计数器 —— Lua 脚本本身就是原子的，无需 pipeline）
-- KEYS[1] = 计数器 key
-- ARGV[1] = 每窗口上限
-- ARGV[2] = 窗口秒数

local limit = tonumber(ARGV[1])
local window = tonumber(ARGV[2])

local current = tonumber(redis.call('get', KEYS[1]) or '0')

if current >= limit then
    return 0  -- 超限，拒绝
end

-- INCR 返回自增后的新值，首次写入时才设置 TTL（避免每次请求重置窗口）
local new_count = redis.call('incr', KEYS[1])
if new_count == 1 then
    redis.call('expire', KEYS[1], window)
end

return 1  -- 通过

经典场景 3：订单状态机

-- order_status.lua
-- KEYS[1] = order key
-- ARGV[1] = from_status
-- ARGV[2] = to_status

local current = redis.call('hget', KEYS[1], 'status')
if current ~= ARGV[1] then
    return 0  -- 状态不匹配（第一个返回值：失败）
end

redis.call('hset', KEYS[1], 'status', ARGV[2])
return 1  -- 成功（第一个返回值），后续通过 GET 读取新状态

EVAL vs EVALSHA

EVAL "script..." numkeys args...     # 每次传完整脚本
EVALSHA <sha1> numkeys args...       # 只传 SHA1，省带宽

[!TIP] 使用 EVALSHA 的最佳实践

script := redis.NewScript(...)
// 首次调用失败可能是 NOSCRIPT（缓存未命中），会自动重试 EVAL
result := script.Run(ctx, ...).Int()

go-redis 内部已处理了 NOSCRIPT → EVAL fallback 的逻辑。

Lua 沙箱限制

Redis 为了让 Lua 脚本在主从同步和 AOF 重放时结果一致，在沙箱中屏蔽了部分标准库函数。核心原则：「给同样的输入，永远得到同样的输出」的函数才能用。

-- ❌ 不可用：非确定性函数
math.random()    -- 依赖内部 PRNG 状态，跨平台/版本结果不同
os.time()        -- 依赖系统时间
os.getenv()      -- 依赖环境变量

-- ✅ 推荐做法：在客户端生成随机值/时间戳，通过 ARGV 传入
-- local token = ARGV[2]  -- 由应用层生成的 UUID
-- local now  = ARGV[3]   -- 由应用层传入的 unix 时间戳
-- redis.call('set', KEYS[1], ARGV[1], 'EX', ARGV[4])

[!NOTE] 关于 Lua 沙箱中的数学函数

  • ✅ math.max、math.min、math.abs、math.floor 等——纯函数，输入确定输出就确定
  • ❌ math.random——虽然同一平台 + 同一 seed 理论上可复现，但 Lua 5.1 PRNG 的实现在不同平台（Linux vs macOS、不同 libc 版本）之间不一致，会导致主节点返回 42 而从节点重放得到 87，数据分裂

所以随机值必须在客户端生成，通过 ARGV 传进去。

[!NOTE] Redis 7.0+ 两种沙箱模式 Redis 7.0 引入了更严格的 Lua 沙箱。默认行为（等效于 newdata-safe 模式）：

模式 行为 说明
Legacy 仅屏蔽非确定性函数 与 Redis < 7.0 兼容，标准库大部分可用
Newdata-safe（默认） 仅允许 redis.* 和 math/table/string/cjson/cmsgpack 屏蔽 loadfile、os.*、io.*、pcall 等，安全性更高

同时 Redis 7.0 改变了 Lua 脚本的复制方式：默认将脚本产生的写命令（而非脚本本身）发送给从节点，从而避免从节点重复执行脚本，提升主从一致性。 生产环境建议保持默认——它能防止恶意脚本访问系统资源，并减少主从不一致的风险。

[!QUESTION] 为什么 Lua 脚本不能有随机函数？ Lua 脚本在主线程中同步执行，如果引入随机性或时间依赖，会导致两个严重问题：

  1. 主从不一致：主节点执行返回 42，从节点重放却得到 87，数据分裂。
  2. AOF 重放不可靠：重启后从 appendonly.aof 重放脚本，结果与上次不同，状态机紊乱。 因此 Redis 在 Lua 环境中屏蔽了所有非确定性 API，保证「同样的输入一定得到同样的输出」。

Lua 脚本最佳实践

Lua 脚本在 Redis 主线程上同步执行——脚本运行期间，所有其他命令都会被阻塞。因此：

实践 说明
脚本尽量短小 只封装「必须原子执行」的逻辑，不要在里面做大循环
控制执行时间 lua-time-limit（默认 5s）控制超时；超时后其他客户端可发送 SCRIPT KILL，但前提是脚本尚未执行写操作——若已写入，只能 SHUTDOWN NOSAVE
脚本大小适度 超大脚本（几十 MB）会导致 EVAL 传输慢 + 编译耗时，应拆分到客户端或使用 EVALSHA 复用
复杂计算放客户端 Lua 只负责「读-判断-写」，数据聚合/排序等重计算应在应用层完成
优先 EVALSHA 避免每次都传输完整脚本，利用 SHA1 缓存减少带宽

[!WARNING] 生产环境踩坑 曾有人在 Lua 里遍历几千个 key 做 HGETALL，导致 Redis 阻塞数秒——其他所有请求全部超时。记住：Lua 脚本 = 临界区代码，越快越好。 如果脚本已执行了写操作（SET/DEL 等），SCRIPT KILL 将失效，只能强制 SHUTDOWN NOSAVE——这在生产环境意味着数据丢失风险。

Lua 脚本调试

开发阶段，可以用 redis-cli --eval 直接在命令行测试 Lua 脚本，无需启动应用：

# 语法：redis-cli --eval <脚本文件> <key1> <key2> , <arg1> <arg2>
# 注意逗号两边必须有空格，左边是 KEYS，右边是 ARGV
redis-cli --eval rate_limit.lua mykey , 100 60

[!TIP] SCRIPT DEBUG 模式 在 redis-cli 中执行 SCRIPT DEBUG SYNC 后，接下来执行的 EVAL 会进入调试模式——你可以在脚本中用 redis.log(redis.LOG_WARNING, variable) 打印变量值，日志会输出到 Redis 日志文件。调试完毕后执行 SCRIPT DEBUG NO 关闭。

生产环境务必关闭调试模式，它会让脚本同步执行（正常是异步），显著影响性能。

三、Pipeline

为什么需要 Pipeline？

前面讲的事务和 Lua 解决的是「正确性」问题——保证命令不出错。但还有一个完全不同的问题：性能。

Redis 的通信协议是「你一句我一句」——客户端发一条命令，等服务器返回结果，再发下一条。每次这样的网络来回叫做 RTT（Round-Trip Time，网络往返时间）。假设 RTT = 1ms，执行 1000 条命令：

sequenceDiagram
    participant C as "Client"
    participant S as "Redis"
    Note over C,S: "逐条发送 1000 次 RTT 约 1s"
    C->>S: "SET key1 val1"
    S-->>C: "OK"
    C->>S: "SET key2 val2"
    S-->>C: "OK"
    C->>S: "... 还有 998 条"

Pipeline 的思路很简单：把多条命令攒一批一起发，服务器也一批返回。 网络只往返一次（或少数几次），而不是每条命令都来回跑。

方式 RTT 次数 总耗时估算 比喻
逐条发送 1000 ~1s 寄 1000 封信，每封等回信再寄下一封
Pipeline (batch=200) 5 次 ~5ms 攒 200 封信一起寄，回信也一批到

Pipeline vs TxPipeline

在 go-redis 中，有两种管道模式可用：

方式 适用场景 注意事项
Pipeline 独立命令批量 不保证原子性
TxPipeline (go-redis) 需要原子的批量 对应 MULTI/EXEC 
// 方式一：普通 Pipeline（性能优化首选）
pipe := rdb.Pipeline()
pipe.Set(ctx, "user:1:name", "alice", 0)
pipe.Set(ctx, "user:1:age", "25", 0)
pipe.HSet(ctx, "user:1:profile", "email", "a@x.com")
results, _ := pipe.Exec(ctx) // 返回 []redis.Result
_ = results // 实际使用中检查 error

// 方式二：Watch + TxPipeline（乐观锁 —— 读-改-写原子的核心模式）
// 核心思路：WATCH 监听 key → 在回调内读-判断-写 → 如果 key 被别人改了则整个回调失败重试
err := rdb.Watch(ctx, func(tx *redis.Tx) error {
    // 1. 读：获取当前余额
    acc, err := tx.Get(ctx, "account:alice").Result()
    if err != nil { return err }
    balance, _ := strconv.ParseInt(acc, 10, 64)
    if balance < 100 {
        return fmt.Errorf("余额不足")
    }
    // 2. 改-写：在 Watch 回调内用 TxPipeline 保证原子性
    pipe := tx.TxPipeline()
    pipe.DecrBy(ctx, "account:alice", 100)
    pipe.IncrBy(ctx, "account:bob", 100)
    _, err = pipe.Exec(ctx)
    return err
}, "account:alice")
if err == redis.TxFailedErr {
    // 被 Watch 的 key 被其他客户端修改了，需要重试整个操作
    log.Println("并发冲突，重试...")
}

[!QUESTION] WATCH 是什么？为什么需要它？ WATCH 是 Redis 提供的乐观锁机制——在事务开始前「监视」一个或多个 key，如果这些 key 在 EXEC 之前被其他客户端修改了，整个事务会被拒绝（返回 TxFailedErr），你需要自行重试。

回顾上面的转账例子：WATCH account:alice → 读余额 → 判断 → TxPipeline 扣款。如果在你读余额之后、扣款之前，别人修改了 account:alice，EXEC 会失败，从而避免「余额不足却被扣款」的竞态条件。

一句话：WATCH 让 MULTI/EXEC 具备了「检查-执行」的能力，弥补了事务不能读中间结果的短板。

[!WARNING] Pipeline 的注意事项

  • 单个 pipeline 内的命令可能跨多个节点（Cluster 模式下会分发执行）
  • 避免在 pipeline 中混用 WATCH/MULTI（Cluster 不支持）
  • 批量越大越好？不是——单 batch 建议 50~200 条，过大反而降低吞吐且增加超时风险

Pipeline 实战——数据迁移

func BatchMigrate(ctx context.Context, rdb *redis.Client, srcKeys []string) error {
    const batchSize = 100

    for i := 0; i < len(srcKeys); i += batchSize {
        batch := srcKeys[i : min(i+batchSize, len(srcKeys))]

        // 第一轮：用 Pipeline 批量 GET（而非逐条 Get，否则失去 Pipeline 意义）
        getPipe := rdb.Pipeline()
        getCmds := make([]*redis.StringCmd, len(batch))
        for j, key := range batch {
            getCmds[j] = getPipe.Get(ctx, key)
        }
        getPipe.Exec(ctx)

        // 第二轮：用 Pipeline 批量 SET
        setPipe := rdb.Pipeline()
        for j, key := range batch {
            val, err := getCmds[j].Result()
            if err != nil {
                continue // 跳过不存在的 key
            }
            newKey := strings.TrimPrefix(key, "old:")
            setPipe.Set(ctx, newKey, val, 0)
        }
        if _, err := setPipe.Exec(ctx); err != nil {
            return err
        }
        // Exec 后 pipeline 已清空，无需 Close() / 重建
    }
    return nil
}

四、Pub/Sub —— 发布订阅

前面讲的事务、Lua、Pipeline 都是「一个客户端跟 Redis 对话」。但有些场景需要多个客户端之间通信——比如 WebSocket 服务要广播消息给所有在线用户，或者配置中心更新后通知所有微服务。

Pub/Sub 就是 Redis 内置的「广播电台」：一个客户端发布消息，所有订阅了对应频道的客户端都能收到。

[!WARNING] 先记住最关键的一点 Pub/Sub 是即发即忘的——消息不会存储，订阅者如果下线了就收不到。如果你需要可靠投递（比如任务队列），请直接跳到后面的 #Stream。

基础用法

# 消费者 A
SUBSCRIBE channel:newposts

# 消费者 B（也可以 subscribe 同一频道）
SUBSCRIBE channel:newposts

# 发布者
PUBLISH channel:newposts '{"id":42,"title":"Redis Tips"}'
→ 消费者 A 和 B 同时收到消息

// go-redis 订阅者
pubsub := rdb.Subscribe(ctx, "channel:newposts")
defer pubsub.Close()

ch := pubsub.Channel() // chan redis.Message，阻塞接收
for msg := range ch {
    fmt.Printf("收到: %s\n", msg.Payload)
}

// go-redis 发布者 — 无返回值，发出去就不管了
rdb.Publish(ctx, "channel:newposts", `{"id":42,"title":"Redis Tips"}`)

[!WARNING] Pub/Sub 是无状态的

  • 连接级绑定：每个 SUBSCRIBE 会独占一个 Redis 连接——线上建议限流并发 subscriber 数量
  • 消息不持久化：订阅者下线就丢失，重连不会收到离线期间的消息
  • 适合场景：WebSocket 广播、实时通知、配置变更推送

Sharded Pub/Sub（Redis 7.0+）

普通 Pub/Sub 在集群模式下有个隐患：所有消息都由接收 PUBLISH 命令的单个节点转发给所有订阅者，该节点容易成为瓶颈。

Redis 7.0 引入了 Sharded Pub/Sub，核心改进是消息按 slot 分发到各节点，避免单点压力：

# 分片发布（消息只会发送到该 slot 所在节点的订阅者）
SSUBSCRIBE channel:order
SPUBLISH channel:order '{"id":42}'

# 普通发布（广播到所有节点的订阅者）
SUBSCRIBE channel:order
PUBLISH channel:order '{"id":42}'
维度 普通 Pub/Sub Sharded Pub/Sub
集群消息路由 单节点广播 → 所有节点 按 slot → 仅目标节点
适用场景 需要全局广播 高吞吐、按 key 分区消费
最低版本 所有版本 Redis 7.0+

[!QUESTION] 什么时候该用 Sharded Pub/Sub？ 如果你的频道消息量大、且订阅者只需要消费属于自己 slot 的消息（比如按用户 ID 分片），Sharded Pub/Sub 能显著降低单节点压力。但如果需要全局广播（所有节点都收到），还是用普通 Pub/Sub。

Stream —— 可靠的替代方案

如果 Pub/Sub 是「聊天群」（消息刷过去就没了），那 Stream 就是「消息队列」——消息会持久化，消费者必须确认收到，挂了可以重新投递。

Stream 是 Redis 5.0+ 引入的数据结构，核心设计围绕 Consumer Group（消费者组）：

flowchart LR
    P["Producer"] -->|"XADD: 写入消息"| S["Stream (持久化存储)"]
    S -->|"XREADGROUP: 读取并标记 pending"| C1["Consumer A<br/>处理消息"]
    S -->|"XREADGROUP: 读取并标记 pending"| C2["Consumer B<br/>处理消息"]
    C1 -->|"XACK: 确认处理完成"| S
    C2 -->|"XCLAIM: 接管超时消息"| S

核心流程三步走：

  1. 生产者用 XADD 写入消息
  2. 消费者组中的消费者用 XREADGROUP 读取——消息会被标记为 pending（待确认）
  3. 消费者处理完后用 XACK 确认——确认后消息才算真正消费完

如果消费者中途挂了，pending 消息不会丢失，其他消费者可以用 XCLAIM 接管。

# 生产者写入
XADD mystream * user_id 123 action login ip 192.168.1.1

# 创建消费者组
XGROUP CREATE mystream group1 $    # $ = 从最新消息开始消费
# XGROUP CREATE mystream group1 0  # 0 = 从头开始（生产环境慎用）

# 消费者读取（阻塞模式，无消息时等待指定毫秒数）
XREADGROUP GROUP group1 consumer1 COUNT 1 STREAMS mystream >

# 确认消费完成（必须调用，否则该条消息会一直留在 pending 列表）
XACK mystream group1 <entry-id>

[!TIP] $ vs > —— 初学者最容易踩的坑

标识符 含义 使用场景
$ "最后一条已写入的消息" 新 consumer 加入时，只接收将来的消息
0 "历史第一条" 数据迁移/重放（谨慎用于大 stream）
> "我只取未分配给我的新消息" 正常消费循环中始终用 >，不取到 pending 消息

[!QUESTION] 如果消费者挂了怎么办？ 好消息会被移到 pending 列表。用 XPENDING mystream group1 查看，用 XCLAIM 将 pending 消息转移给其他 consumer 重新处理。这就是 Stream 比 Pub/Sub 可靠的地方：有状态、可追责。

[!TIP] Pub/Sub vs Stream 选型

场景 推荐
WebSocket 实时推送 Pub/Sub
任务队列、订单事件 Stream
海量消息、高吞吐 Kafka/RabbitMQ

[!tip] Stream 深入阅读 本节仅覆盖 Stream 基础用法。Consumer Group 内部机制、消息确认与重试（XCLAIM/XAUTOCLAIM）、Dead Letter Queue 模式、容量管理等进阶内容，详见 hhs/Redis/15-Stream。

五、Keyspace Notifications —— 键事件监听

原理与配置

简单来说，Keyspace Notifications 就是 Redis 的「事件总线」——当某个 key 发生变化（被删除、过期、被修改等），Redis 会通过 Pub/Sub 发出一条通知。

[!TIP] 最常见的用途 监听 key 过期事件。比如：用户 session 过期时自动清理关联数据、分布式锁到期时告警。

开启方式很简单，在 redis.conf 中设置（或运行时 CONFIG SET）：

notify-keyspace-events KEA

这一串字母是事件类型的组合，不用全部记住，按需选用即可：

字母 含义 举例
K Keyspace 事件（按 key 名通知） 有人操作了 user:123
E Keyevent 事件（按事件类型通知） 有 key 过期了
A All events 简写，覆盖下方所有类型 一次性开启全部
x 过期事件 EXPIRE 到期触发
e 淘汰事件 内存满时被驱逐
g 通用命令 DEL、EXPIRE、RENAME 等
l/s/h/z 数据结构相关 list/set/hash/sorted-set 操作

[!NOTE] K 和 E 的区别——通知「谁」vs 通知「什么」

  • __keyspace@0__:<keyname> → "有人动了 user:123"（以 key 为中心）
  • __keyevent@0__:expired → "有 key 过期了"（以事件为中心）

两者是同一件事的两种视角，按需选用。生产环境最常用 Ex（只监听过期事件）。

# 订阅过期事件（Keyevent 模式：更精确）
PSUBSCRIBE __keyevent@0__:expired

# 另一个连接设置过期 key
EXPIRE test:key 2
→ 收到: __keyevent@0__:expired "test:key"

// go-redis 监听器
psub := rdb.PSubscribe(ctx, "__keyevent@0__:expired")
defer psub.Close()

ch := psub.Channel()
for msg := range ch {
    fmt.Printf("Key %s expired\n", msg.Payload)
    // 可以触发清理逻辑、计数器归零等
}

[!WARNING] 生产环境注意事项

  • 性能开销：每条写命令都会生成通知，高 QPS + 全量监听 (KAE) 会显著增加 CPU/内存
  • 异步不保证送达：本质是 Pub/Sub，网络抖动时通知可能丢失
  • 从节点不会推送：默认只在写入节点生效，哨兵/集群切换后需重新订阅
  • 建议：只订阅你需要的事件类型（如 KElx），而非 KExa 通配一切

六、选型指南——如何选择？

面对一个需求，到底该用事务、Lua、Pipeline 还是 Stream？

决策心法——三个问题搞定

拿到需求后，先问自己三个问题：

  1. 我需要「原子性」吗？ → 如果只是批量写入追求性能，Pipeline 就够了
  2. 我需要「读-判断-写」吗？ → 如果答案是 yes，只有 Lua 能做到真正的逻辑原子性
  3. 我在做「消息传递」吗？ → 实时广播用 Pub/Sub，需要可靠投递用 Stream

[!TIP] 一句话记忆

  • Pipeline：只求快，不关心顺序 → 「快递员一次送 200 个包裹」
  • MULTI/EXEC：要求连续执行，不被插队 → 「排队结账，不允许别人插队」
  • Lua 脚本：需要根据中间结果做判断 → 「医生先检查再开药，不能分开」
  • Pub/Sub：实时广播，丢了就丢了 → 「微信群消息」
  • Stream：消息必须可靠送达 → 「挂号信，签收才算数」

下面是完整的决策流程：

flowchart TD
    A["需求场景"] --> B{"批量命令?"}
    B -->|"否"| C["单条命令即可"]
    B -->|"是"| D{"需要原子性?"}
    D -->|"否"| E["Pipeline"]
    D -->|"是"| F{"读-判断-写?"}
    F -->|"是"| G["Lua 脚本"]
    F -->|"否"| H{"支持 Cluster?"}
    H -->|"是"| G
    H -->|"否"| I["MULTI / EXEC"]
    A --> J{"消息传递?"}
    J -->|"可靠投递/任务队列"| K["Stream"]
    J -->|"实时广播/通知"| L["Pub/Sub"]
需求 推荐方案 理由
批量写入、减少 RTT Pipeline 无原子性要求，纯性能优化
读-判断-写原子操作 Lua 脚本 逻辑原子性，一气呵成
简单批量 + 单机 MULTI / EXEC 轻量，无需写 Lua
任务队列、事件溯源 Stream 持久化 + Consumer Group
实时通知、WebSocket 广播 Pub/Sub 无状态、低延迟

关联笔记

Reference in New Issue View Git Blame Copy Permalink