选择合适Redis数据结构,减少80%的内存占用

13,822

转载自:《redis探秘:选择合适的数据结构,减少80%的内存占用》- 武伟峰 京东零售
实战技巧,深入浅出还手把手教学,值得参考


前言

redis作为目前最流行的nosql缓存数据库,凭借其优异的性能、丰富的数据结构已成为大部分场景下首选的缓存工具。

由于redis是一个纯内存的数据库,在存放大量数据时,内存的占用将会非常可观。那么在一些场景下,通过选用合适数据结构来存储,可以大幅减少内存的占用,甚至于可以减少80%-99%的内存占用。


利用zipList来替代大量的Key-Value

先来看一下场景,在Dsp广告系统、海量用户系统经常会碰到这样的需求,要求根据用户的某个唯一标识迅速到该用户id。譬如根据mac地址或uuid或手机号的md5,去查询到该用户的id。

特点是数据量很大、千万或亿级别,key是比较长的字符串,如32位的md5或者uuid这种。

如果不加以处理,直接以key-value形式进行存储,我们可以简单测试一下,往redis里插入1千万条数据,1550000000 - 1559999999,形式就是key(md5(1550000000))→ value(1550000000)这种。

然后在Redis内用命令info memory看一下内存占用。

可以看到,这1千万条数据,占用了redis共计1.17G的内存。当数据量变成1个亿时,实测大约占用8个G。

同样的一批数据,我们换一种存储方式,先来看结果:

在我们利用zipList后,内存占用为123M,大约减少了85%的空间占用,这是怎么做到的呢?

redis的底层存储来剖析。

redis数据结构和编码方式

redis如何存储字符串

string是redis里最常用的数据结构,redis的默认字符串和C语言的字符串不同,它是自己构建了一种名为“简单动态字符串SDS”的抽象类型。

具体到string的底层存储,redis共用了三种方式,分别是int、embstr和raw。

譬如set k1 abc和set k2 123就会分别用embstr、int。当value的长度大于44(或39,不同版本不一样)个字节时,会采用raw。

int是一种定长的结构,占8个字节(注意,相当于java里的long),只能用来存储长整形。

embstr是动态扩容的,每次扩容1倍,超过1M时,每次只扩容1M。

raw用来存储大于44个字节的字符串。

具体到我们的案例中,key是32个字节的字符串(embstr),value是一个长整形(int),所以如果能将32位的md5变成int,那么在key的存储上就可以直接减少3/4的内存占用。

这是第一个优化点。

redis如何存储Hash

从1.1的图上我们可以看到Hash数据结构,在编码方式上有两种,1是hashTable,2是zipList。

hashTable大家很熟悉,和java里的hashMap很像,都是数组+链表的方式。java里hashmap为了减少hash冲突,设置了负载因子为0.75。同样,redis的hash也有类似的扩容负载因子。细节不提,只需要留个印象,用hashTable编码的话,则会花费至少大于存储的数据25%的空间才能存下这些数据。它大概长这样:

zipList,压缩链表,它大概长这样:

可以看到,zipList最大的特点就是,它根本不是hash结构,而是一个比较长的字符串,将key-value都按顺序依次摆放到一个长长的字符串里来存储。如果要找某个key的话,就直接遍历整个长字符串就好了。

所以很明显,zipList要比hashTable占用少的多的空间。但是会耗费更多的cpu来进行查询。

那么何时用hashTable、zipList呢?在redis.conf文件中可以找到:

就是当这个hash结构的内层field-value数量不超过512,并且value的字节数不超过64时,就使用zipList。

通过实测,value数量在512时,性能和单纯的hashTable几乎无差别,在value数量不超过1024时,性能仅有极小的降低,很多时候可以忽略掉。

而内存占用,zipList可比hashTable降低了极多。

这是第二个优化点。

用zipList来代替key-value

通过上面的知识,我们得出了两个结论。用int作为key,会比string省很多空间。用hash中的zipList,会比key-value省巨大的空间。

那么我们就来改造一下当初的1千万个key-value。

第一步:

我们要将1千万个键值对,放到N个bucket中,每个bucket是一个redis的hash数据结构,并且要让每个bucket内不超过默认的512个元素(如果改了配置文件,如1024,则不能超过修改后的值),以避免hash将编码方式从zipList变成hashTable。

1千万 / 512 = 19531。由于将来要将所有的key进行哈希算法,来尽量均摊到所有bucket里,但由于哈希函数的不确定性,未必能完全平均分配。所以我们要预留一些空间,譬如我分配25000个bucket,或30000个bucket。

第二步:

选用哈希算法,决定将key放到哪个bucket。这里我们采用高效而且均衡的知名算法crc32,该哈希算法可以将一个字符串变成一个long型的数字,通过获取这个md5型的key的crc32后,再对bucket的数量进行取余,就可以确定该key要被放到哪个bucket中。

第三步:

通过第二步,我们确定了key即将存放在的redis里hash结构的外层key,对于内层field,我们就选用另一个hash算法,以避免两个完全不同的值,通过crc32(key) % COUNT后,发生field再次相同,产生hash冲突导致值被覆盖的情况。内层field我们选用bkdr哈希算法(或直接选用Java的hashCode),该算法也会得到一个long整形的数字。value的存储保持不变。

第四步:

装入数据。原来的数据结构是key-value,0eac261f1c2d21e0bfdbd567bb270a68 →  1550000000。

现在的数据结构是hash,key为14523,field是1927144074,value是1550000000。

通过实测,将1千万数据存入25000个bucket后,整体hash比较均衡,每个bucket下大概有300多个field-value键值对。理论上只要不发生两次hash算法后,均产生相同的值,那么就可以完全依靠key-field来找到原始的value。这一点可以通过计算总量进行确认。实际上,在bucket数量较多时,且每个bucket下,value数量不是很多,发生连续碰撞概率极低,实测在存储50亿个手机号情况下,未发生明显碰撞。

测试查询速度:

在存储完这1千万个数据后,我们进行了查询测试,采用key-value型和hash型,分别查询100万条数据,看一下对查询速度的影响。

key-value耗时:10653、10790、11318、9900、11270、11029毫秒

hash-field耗时:12042、11349、11126、11355、11168毫秒。

可以看到,整体上采用hash存储后,查询100万条耗时,也仅仅增加了500毫秒不到。对性能的影响极其微小。但内存占用从1.1G变成了120M,带来了接近90%的内存节省。


总结

大量的key-value,占用过多的key,redis里为了处理hash碰撞,需要占用更多的空间来存储这些key-value数据。

如果key的长短不一,譬如有些40位,有些10位,因为对齐问题,那么将产生巨大的内存碎片,占用空间情况更为严重。所以,保持key的长度统一(譬如统一采用int型,定长8个字节),也会对内存占用有帮助。

string型的md5,占用了32个字节。而通过hash算法后,将32降到了8个字节的长整形,这显著降低了key的空间占用。

zipList比hashTable明显减少了内存占用,它的存储非常紧凑,对查询效率影响也很小。所以应善于利用zipList,避免在hash结构里,存放超过512个field-value元素。

如果value是字符串、对象等,应尽量采用byte[]来存储,同样可以大幅降低内存占用。譬如可以选用google的Snappy压缩算法,将字符串转为byte[],非常高效,压缩率也很高。

为减少redis对字符串的预分配和扩容(每次翻倍),造成内存碎片,不应该使用append,setrange等。而是直接用set,替换原来的。


方案缺点:

hash结构不支持对单个field的超时设置。但可以通过代码来控制删除,对于那些不需要超时的长期存放的数据,则没有这种顾虑。

存在较小的hash冲突概率,对于对数据要求极其精确的场合,不适合用这种压缩方式。

基于上述方案,我改写了springboot源码的redisTemplate,提供了一个CompressRedisTemplate类,可以直接当成redisTemplate使用,它会自动将key-value转为hash进行存储,以达到上述目的。

后续,我们会基于更极端一些的场景,如统计独立访客等,来看一下redis的不常见的数据结构,是如何将内存占用由20G降低到5M。

如需代码案例,请联系作者:wuweifeng10@jd.com