Redis是建立在TCP协议基础上的CS架构,客户端client对redis server采取请求响应的方式交互。
一般来说客户端从提交请求到得到服务器相应,需要传送两个tcp报文。
设想这样的一个场景,你要批量的执行一系列redis命令,例如执行100次get key,这时你要向redis请求100次+获取响应100次。如果能一次性将100个请求提交给redis server,执行完成之后批量的获取相应,只需要向redis请求1次,然后批量执行完命令,一次性结果,性能是不是会好很多呢?
答案是肯定的,节约的时间是客户端client和服务器redis server之间往返网络延迟的时间。这个时间可以用ping命令查看。
网络延迟高:批量执行,性能提升明显
网络延迟低(本机):批量执行,性能提升不明显
某些客户端(java和python)提供了一种叫做pipeline的编程模式用来解决批量提交请求的方式。
这里我们用python客户端来举例说明一下。
1、pipeline
网络延迟
client与server机器之间网络延迟如下,大约是30ms。
测试用例
分别执行其中的try_pipeline和without_pipeline统计处理时间。
#-*- coding:utf-8 -*-
importredisimporttimefrom concurrent.futures importProcessPoolExecutor
r= redis.Redis(host='10.93.84.53', port=6379, password='bigdata123')deftry_pipeline():
start=time.time()
with r.pipeline(transaction=False) as p:
p.sadd('seta', 1).sadd('seta', 2).srem('seta', 2).lpush('lista', 1).lrange('lista', 0, -1)
p.execute()print time.time() -startdefwithout_pipeline():
start=time.time()
r.sadd('seta', 1)
r.sadd('seta', 2)
r.srem('seta', 2)
r.lpush('lista', 1)
r.lrange('lista', 0, -1)print time.time() -startdefworker():whileTrue:
try_pipeline()
with ProcessPoolExecutor(max_workers=12) as pool:for _ in range(10):
pool.submit(worker)
结果分析
try_pipeline平均处理时间:0.04659
without_pipeline平均处理时间:0.16672
我们的批量里有5个操作,在处理时间维度上性能提升了4倍!
网络延迟大约是30ms,不使用批量的情况下,网络上的时间损耗就有0.15s(30ms*5)以上。而pipeline批量操作只进行一次网络往返,所以延迟只有0.03s。可以看到节省的时间基本都是网路延迟。
2、pipeline与transation
pipeline不仅仅用来批量的提交命令,还用来实现事务transation。
这里对redis事务的讨论不会太多,只是给出一个demo。详细的描述你可以参见这篇博客。redis事务
细心的你可能发现了,使用transaction与否不同之处在与创建pipeline实例的时候,transaction是否打开,默认是打开的。
#-*- coding:utf-8 -*-
importredisfrom redis importWatchErrorfrom concurrent.futures importProcessPoolExecutor
r= redis.Redis(host='127.0.0.1', port=6379)#减库存函数, 循环直到减库存完成#库存充足, 减库存成功, 返回True#库存不足, 减库存失败, 返回False
defdecr_stock():#python中redis事务是通过pipeline的封装实现的
with r.pipeline() as pipe:whileTrue:try:#watch库存键, multi后如果该key被其他客户端改变, 事务操作会抛出WatchError异常
pipe.watch('stock:count')
count= int(pipe.get('stock:count'))if count > 0: #有库存
#事务开始
pipe.multi()
pipe.decr('stock:count')#把命令推送过去
#execute返回命令执行结果列表, 这里只有一个decr返回当前值
printpipe.execute()[0]returnTrueelse:returnFalseexceptWatchError, ex:#打印WatchError异常, 观察被watch锁住的情况
printex
pipe.unwatch()defworker():whileTrue:#没有库存就退出
if notdecr_stock():break
#实验开始#设置库存为100
r.set("stock:count", 100)#多进程模拟多个客户端提交
with ProcessPoolExecutor(max_workers=2) as pool:for _ in range(10):
pool.submit(worker)