背景

業務場景中經常會有各種大key多key的情況， 比如：

1：單個簡單的key儲存的value很大

2：hash， set，zset，list 中儲存過多的元素（以萬為單位）

3：一個叢集儲存了上億的key，Key 本身過多也帶來了更多的空間佔用

（如無意外，文章中所提及的hash，set等資料結構均指redis中的資料結構 ）

由於redis是單執行緒執行的，如果一次操作的value很大會對整個redis的響應時間造成負面影響，所以，業務上能拆則拆，下面舉幾個典型的分拆方案。

一、單個簡單的key儲存的value很大

i：該物件需要每次都整存整取

可以嘗試將物件分拆成幾個key-value， 使用multiGet獲取值，這樣分拆的意義在於分拆單次操作的壓力，將操作壓力平攤到多個redis例項中，降低對單個redis的IO影響；

ii：該物件每次只需要存取部分資料

可以像第一種做法一樣，分拆成幾個key-value， 也可以將這個儲存在一個hash中，每個field代表一個具體的屬性，

使用hget,hmget來獲取部分的value，使用hset，hmset來更新部分屬性

二、value中儲存過多的元素

類似於場景一種的第一個做法，可以將這些元素分拆。

以hash為例，原先的正常存取流程是 hget(hashKey,field) ; hset(hashKey,field,value)

現在，固定一個桶的數量，比如 10000， 每次存取的時候，先在本地計算field的hash值，模除 10000， 確定了該field落在哪個key上。

newHashKey = hashKey + (set,zset,list 也可以類似上述做法

但有些不適合的場景，比如，要保證 lpop 的資料的確是最早push到list中去的，這個就需要一些附加的屬性，或者是在 key的拼接上做一些工作（比如list按照時間來分拆）。

三、一個叢集儲存了上億的key

如果key的個數過多會帶來更多的記憶體空間佔用，

i：key本身的佔用（每個key 都會有一個Category字首）

ii：叢集模式中，服務端需要建立一些slot2key的對映關係，這其中的指標佔用在key多的情況下也是浪費巨大空間

這兩個方面在key個數上億的時候消耗記憶體十分明顯（Redis 3.2及以下版本均存在這個問題，4.0有優化）；

所以減少key的個數可以減少記憶體消耗，可以參考的方案是轉Hash結構儲存，即原先是直接使用Redis String 的結構儲存，現在將多個key儲存在一個Hash結構中，具體場景參考如下：

1：key 本身就有很強的相關性，比如多個key 代表一個物件，每個key是物件的一個屬性，這種可直接按照特定物件的特徵來設定一個新Key——Hash結構， 原先的key則作為這個新Hash 的field。

舉例說明：

原先儲存的三個key

user.zhangsan-id = 123;

user.zhangsan-age = 18;

user.zhangsan-country = china;

這三個key本身就具有很強的相關特性，轉成Hash儲存就像這樣key = user.zhangsan

field:id = 123;

field:age = 18;

field:country = china;

即redis中儲存的是一個key ：user.zhangsan， 他有三個 field， 每個field + key 就對應原先的一個key。

2：key 本身沒有相關性，預估一下總量，採取和上述第二種場景類似的方案，預分一個固定的桶數量

比如現在預估key 的總數為 2億，按照一個hash儲存 100個field來算，需要 2億 / 100 = 200W 個桶 (200W 個key佔用的空間很少，2億可能有將近 20G )

原先比如有三個key ：

user.123456789

user.987654321

user.678912345

現在按照200W 固定桶分就是先計算出桶的序號 hash(123456789) % 200W ， 這裡最好保證這個 hash演算法的值是個正數，否則需要調整下模除的規則；

這樣算出三個key 的桶分別是 1 ， 2， 2。 所以儲存的時候呼叫API hset(key,value)，讀取的時候使用 hget （key， field）

注意兩個地方：1，hash 取模對負數的處理； 2，預分桶的時候， 一個hash 中儲存的值最好不要超過 512 ，100 左右較為合適

四、大Bitmap或布隆過濾器（Bloom ）拆分

使用bitmap或布隆過濾器的場景，往往是資料量極大的情況，在這種情況下，Bitmap和布隆過濾器使用空間也比較大，比如用於公司userid匹配的布隆過濾器，就需要512MB的大小，這對redis來說是絕對的大value了。

這種場景下，我們就需要對其進行拆分，拆分為足夠小的Bitmap，比如將512MB的大Bitmap拆分為1024個512KB的Bitmap。不過拆分的時候需要注意，要將每個key落在一個Bitmap上。有些業務只是把Bitmap 拆開， 但還是當做一個整體的bitmap看， 所以一個 key 還是落在多個 Bitmap 上，這樣就有可能導致一個key請求需要查詢多個節點、多個Bitmap。

如下圖，被請求的值被hash到多個Bitmap上，也就是redis的多個key上，這些key還有可能在不同節點上，這樣拆分顯然大大降低了查詢的效率。

因此我們所要做的是把所有拆分後的Bitmap當作獨立的bitmap，然後通過hash將不同的key分配給不同的bitmap上，而不是把所有的小Bitmap當作一個整體。這樣做後每次請求都只要取redis中一個key即可。

有同學可能會問，通過這樣拆分後，相當於Bitmap變小了，會不會增加布隆過濾器的誤判率？實際上是不會的，布隆過濾器的誤判率是雜湊函式個數k，集合元素個數n，以及Bitmap大小m所決定的，其約等於

。

因此如果我們在第一步，也就是在分配key給不同Bitmap時，能夠儘可能均勻的拆分，那麼n／m的值幾乎是一樣的，誤判率也就不會改變。具體的誤判率推導可以參考wiki：Bloom_filter

同時，客戶端也提供便利的api （>=2.3.4版本）， setBits/ getBits 用於一次操作同一個key的多個bit值 。

建議 ：k 取 13 個， 單個bloomfilter控制在 512KB 以下

以上方案僅供參考，歡迎大家提供其他的優秀方案。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。