整个缓存的技术方案,分成两块
-
实时性较高数据
比如说库存,销量之类的这种数据,我们采取的实时的缓存+数据库双写的技术方案,双写一致性保障的方案
-
实时性要求不高的数据
比如说商品的基本信息,等等,我们采取的是三级缓存架构的技术方案,就是说由一个专门的数据生产的服务,去获取整个商品详情页需要的各种数据,经过处理后,将数据放入各级缓存中,每一级缓存都有自己的作用
我们先来看看一下,所谓的这种实时性要求不高的数据,在商品详情页中,都有哪些
电商网站中的商品详情页的数据结构分析
商品的基本信息
-
标题:【限时直降】Apple/苹果 iPhone 7 128G 全网通4G智能手机正品
-
短描述:限时优惠 原封国行 正品保障
-
颜色
-
存储容量
-
图片列表
-
规格参数
打开淘宝找一个 iPhone7 的商品详情页参考,这里只是一部分
其他信息:店铺信息、分类信息,等等,非商品维度的信息
商品介绍:放缓存,图片是懒加载的,不放我们这里讲解
实时信息:实时广告推荐、实时价格、实时活动推送,等等,ajax 加载,如我们前面做的库存缓存
将商品的各种基本信息,分类放到缓存中,每次请求过来,动态从缓存中取数据,然后动态渲染到模板中
数据放缓存,性能高,动态渲染模板,灵活性好
大型缓存全量更新问题
上图是把一个详情页的信息都拼成一个 json 串放一个 value 中, 那么这样只要有其中一点信息更改,就需要全部取出来,更新后,再放回去。 这样做的缺点有:
-
网络耗费的资源大
-
每次对redis 都存取大数据,对 redis 的压力也比较大
-
redis 的性能和吞吐量能够支撑到多大,基本跟数据本身的大小有很大的关系
如果数据越大,那么可能导致 redis 的吞吐量就会急剧下降
可以使用缓存维度化来解决
缓存维度化解决方案
维度:比如商品基本信息维度、商品分类维度、商品店铺维度
不同的维度,可以看做是不同的角度去观察一个东西,那么每个商品详情页中,都包含了不同的维度数据
举个例子:如果不维度化,就导致多个维度的数据混合在一个缓存 value 中,但是不同维度的数据,可能更新的频率都大不一样
比如,现在只是将 1000 个商品的分类批量调整了一下,但是如果商品分类的数据和商品本身的数据混杂在一起,那么可能导致需要将包括商品在内的大缓存 value 取出来,进行更新,再写回去,就会很坑爹,耗费大量的资源,redis 压力也很大
但是如果我们对缓存进行维度化:将每个维度的数据都存一份,比如说商品维度的数据存一份,商品分类的数据存一份,商品店铺的数据存一份,那么在不同的维度数据更新的时候,只要去更新对应的维度就可以了
包括我们之前讲解的那种实时性较高的数据,也可以理解为一个维度,那么维度拆分后如下图
这样一来就解决了,全量更新的问题