数据同步的艺术：探索PostgreSQL和Redis的一致性策略

2024-09-01 16:52
文章标签 数据 redis postgresql 探索 同步 策略 一致性 艺术

本文主要是介绍数据同步的艺术：探索PostgreSQL和Redis的一致性策略，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

作者：后端小肥肠

🍇 我写过的文章中的相关代码放到了gitee，地址：xfc-fdw-cloud: 公共解决方案

🍊 有疑问可私信或评论区联系我。

🥑  创作不易未经允许严禁转载。

1. 前言

在当今高度数字化的世界中,应用程序需要处理海量数据并提供快速响应。为了应对这一挑战,使用Redis作为缓存来减少对数据库的直接访问已经成为一种广泛采用的策略。这种方法不仅能够显著提升应用性能,还能有效降低数据库负载。然而,当我们将PostgreSQL作为主数据库,Redis作为缓存层时,一个关键问题随之而来:如何确保这两个系统之间的数据保持一致?

本文将深入探讨PostgreSQL和Redis之间的数据同步策略,旨在帮助开发者和架构师构建既高效又可靠的数据架构。本文将:

  1. 分析导致数据不一致的根本原因
  2. 探讨各种同步策略的优缺点
  3. 提供实际可行的解决方案

通过本文,读者将获得设计和实现健壮的数据同步机制所需的相关知识,从而在高并发环境中构建更可靠的应用系统。

2. 数据为什么会不一致？

在现代高并发应用中，确保数据的一致性是一个复杂而关键的挑战。让我们深入探讨导致数据不一致的主要原因，以及为什么在PostgreSQL和Redis之间同步数据如此重要。

2.1 数据库：并发访问的瓶颈

在高并发的业务场景下，数据库往往成为系统中最薄弱的环节：

  • 连接限制：数据库能够同时处理的连接数是有限的，高并发下很容易达到这个限制。
  • 锁竞争：并发写操作可能导致严重的锁竞争，大幅降低系统吞吐量。
  • 资源消耗：每个数据库操作都消耗CPU和I/O资源，并发请求增加会导致资源迅速耗尽。
  • 查询性能：复杂查询在高并发下可能导致数据库响应时间显著增加。

这些因素综合导致数据库在高并发场景下性能急剧下降，成为整个系统的瓶颈。

2.2 Redis：缓解数据库压力的关键

为了应对数据库的局限性，引入Redis作为缓存层成为一种普遍策略：

  • 减轻数据库负载：将热点数据存储在Redis中，大幅减少对数据库的直接访问。
  • 提高响应速度：Redis的内存存储特性使得数据访问速度远快于传统数据库。
  • 支持高并发：Redis的单线程模型和非阻塞I/O使其能够高效处理大量并发请求。
  • 数据结构多样性：Redis提供了多种数据结构，适用于不同的缓存场景。

使用Redis作为缓冲层，让请求首先访问Redis而不是直接访问PostgreSQL等数据库，可以显著提升系统的整体性能和并发处理能力。

2.3 数据一致性挑战

虽然引入Redis缓存解决了许多性能问题，但也带来了新的挑战，特别是在数据更新方面：

  1. 读取操作：从Redis缓存读取数据通常不会引发严重的一致性问题，因为它只涉及单一数据源。
  2. 写入操作：当需要更新数据时，问题变得复杂。我们需要同时更新数据库（PostgreSQL）和缓存（Redis），这个过程中很容易出现数据不一致：
    • 更新时序：数据库和缓存的更新顺序会影响数据一致性。
    • 部分失败：如果更新过程中发生错误，可能导致数据库和缓存状态不一致。
    • 并发更新：多个客户端同时更新同一数据可能导致意外的结果。
  3. 缓存失效：决定何时使缓存中的数据失效也是一个挑战，过早失效会降低缓存效果，过晚失效则可能导致数据不一致。

2.4 典型的数据读取流程

为了更好地理解这个问题，让我们看一下典型的数据读取流程：

  1. 应用程序接收到数据读取请求。
  2. 首先检查Redis缓存中是否存在所需数据。
  3. 如果Redis中存在数据（缓存命中），直接返回缓存数据。
  4. 如果Redis中不存在数据（缓存未命中），则从PostgreSQL数据库读取数据。
  5. 将从数据库读取的数据写入Redis缓存，以便后续访问。
  6. 返回数据给应用程序。

这个流程在处理读取操作时通常运作良好，但一旦涉及数据更新，就需要额外的机制来确保PostgreSQL和Redis之间的数据一致性。

在接下来的章节中，我们将深入探讨各种同步策略，以及如何在保证数据一致性的同时，维持系统的高性能和可扩展性。

3. redis与Postgres数据同步策略介绍

3.1 先删除缓存后更新数据库

在这种策略中，系统首先删除Redis中的缓存，然后更新数据库。这种方法可能引起如下问题：

  1. 读取过程中的数据不一致：如果在缓存被删除后、数据库更新之前，另一个线程尝试读取数据，它会发现缓存为空。此时，它可能会从数据库中读取旧数据并将其写回缓存，导致所谓的脏缓存。
  2. 数据更新后的不一致性：当数据库最终更新后，缓存中的数据已经是旧数据，从而导致缓存与数据库之间的不一致。

3.2 先更新数据库后删除缓存

这种策略先对数据库进行更新，然后再删除缓存。这样做的潜在问题包括：

  1. 事务失败导致的缓存未删除：如果在数据库更新后、删除缓存之前，执行更新的线程出现故障，这会导致缓存未被及时删除。
  2. 并发导致的数据不一致：由于数据库的写入和缓存的删除是两个独立操作，无法保证它们之间的执行顺序，可能会导致读取操作在缓存删除前读到旧缓存，进而出现数据不一致。

3.3 延时双删策略

为了解决上述提到的同步问题，可以采用延时双删策略：

  1. 删除缓存：首先删除Redis中的相关数据缓存。
  2. 更新数据库：然后更新数据库，确保数据的准确性。
  3. 休眠延迟：执行短暂的延时（例如500毫秒），确保所有相关数据库操作都已完成。
  4. 再次删除缓存：最后再次删除缓存，确保在数据更新期间任何新生成的缓存也会被清除。

伪代码如下：

function delayDoubleDelete(key, updateStatement)// 第一步：删除Redis中的缓存Redis.delete(key)// 第二步：更新数据库Database.execute(updateStatement)// 第三步：执行短暂的延时，例如500毫秒sleep(500)// 第四步：再次删除Redis中的缓存Redis.delete(key)
end function

3.4. 使用WAL日志实现缓存同步（本文重点！！）

3.4.1. 使用WAL日志实现更新缓存的优势

在实际开发中，使用WAL（Write-Ahead Logging）日志同步Redis和PostgreSQL是一种非常高效的策略。相比于传统的缓存更新方法，WAL日志带来了许多优势：

1. 解耦操作，降低延迟

通过WAL日志，我们可以将数据库更新和缓存更新解耦。这意味着数据库操作可以独立完成，而不需要等待缓存更新，从而显著降低了响应时间，提升了系统的整体性能。

2. 确保数据一致性

WAL日志记录了数据库的所有变更操作，确保缓存更新时可以准确地反映数据库的最新状态。这种方式大大提高了数据的一致性，尤其是在高并发环境下，能够有效减少数据冲突和不一致的情况。

3. 增强容错和恢复能力

WAL日志具备出色的容错能力。即使系统发生故障，我们也可以通过重放WAL日志来恢复缓存中的数据，从而保证缓存与数据库的同步一致，快速恢复系统的正常运行。

4. 灵活性强

使用WAL日志还可以实现更加灵活的缓存更新策略。例如，你可以根据业务需求选择性地更新缓存，或者批量处理多条日志记录后再更新缓存，从而进一步优化系统性能。

总体来说，WAL日志为Redis和PostgreSQL的同步提供了一种高效、可靠的解决方案，特别适合需要高数据一致性和快速恢复能力的应用场景。

3.4.2. 基于Spring Boot实现缓存同步

在 Spring Boot 和 Java 环境中，实现 PostgreSQL 与Redis数据同步的技术流程如下：

在上述流程中：

  1. Java 生产者 监听 PostgreSQL 的 WAL 日志，捕获数据库变更。
  2. 如果存在数据更新，这些更新会被发送到 RabbitMQ。
  3. RabbitMQ 作为消息中间件，负责传递这些更新消息。
  4. Java 消费者 从 RabbitMQ 接收消息，解析这些消息，并据此在 Redis 中执行相应的 CRUD 操作。

这样的设计确保了 PostgreSQL 数据库的变更能够实时同步到 Redis 缓存中，从而维持两者之间的数据一致性。

本文仅展示WAL监听到同步Redis的核心步骤及代码（省去RabbitMQ），如对RabbitMQ构建感兴趣的jym可移步（【架构系列】RabbitMQ应用场景及在实际项目中如何搭建可靠的RabbitMQ架构体系-CSDN博客）。

步骤如下：

1. 修改 postgresql.conf 配置文件

wal_level = logical
max_replication_slots = 4
max_wal_senders = 4

2. 修改pg_hba.conf配置文件

# 允许复制连接
host    replication     all             192.168.100.0/24        md5

 这里，192.168.100.0/24应替换为实际的客户端IP地址或网段，md5表示使用密码认证。

3. 重启PostgreSQL服务

# 使用适当的命令重启PostgreSQL，这取决于你的操作系统和安装方式
sudo systemctl restart postgresql
# 或者
sudo service postgresql restart

 4. 编写监听WAL代码

package com.xfc.pg2redis.service;import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.jdbc.core.JdbcTemplate;
import org.springframework.stereotype.Service;import javax.annotation.PostConstruct;
import java.util.List;@Service
public class DatabaseChangeService {@Autowiredprivate JdbcTemplate jdbcTemplate;private static final String SLOT_NAME = "my_replication_slot";@Autowiredprivate ChangeLogProcessor changeLogProcessor;@PostConstructpublic void startListening() {new Thread(this::initializeReplicationSlot).start();}private void initializeReplicationSlot() {if (!isSlotExists(SLOT_NAME)) {createReplicationSlot(SLOT_NAME);}listenToReplicationSlot();}private boolean isSlotExists(String slotName) {String query = "SELECT COUNT(*) FROM pg_replication_slots WHERE slot_name = ?";Integer count = jdbcTemplate.queryForObject(query, new Object[]{slotName}, Integer.class);return count != null && count > 0;}private void createReplicationSlot(String slotName) {String query = "SELECT pg_create_logical_replication_slot(?, 'test_decoding')";jdbcTemplate.update(query, slotName);}public void listenToReplicationSlot() {String query = "SELECT data FROM pg_logical_slot_get_changes(?, NULL, NULL)";while (true) {List<String> changes = jdbcTemplate.queryForList(query, new Object[]{SLOT_NAME}, String.class);for (String change : changes) {
//                processChange(change);changeLogProcessor.processChangeLog(change);}try {Thread.sleep(10000);  // 暂停一段时间再次检查} catch (InterruptedException e) {Thread.currentThread().interrupt();}}}//    private void processChange(String change) {
//        // 处理数据库变更逻辑
//        System.out.println("Detected change: " + change);
//    }
}

 这段代码是一个 Spring Boot 服务类，它使用 JdbcTemplate 从 PostgreSQL 的逻辑复制槽中获取变更数据。服务启动时检查并创建逻辑复制槽，然后启动一个线程不断监听变更，处理变更数据并调用 ChangeLogProcessor 进行进一步处理。

5. 编写解析WAL日志代码

package com.xfc.pg2redis.service;import com.xfc.pg2redis.utils.RedisUtils;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.stereotype.Service;@Service
public class ChangeLogProcessor {@Autowiredprivate RedisUtils redisUtils;public void processChangeLog(String changeLog) {// 解析日志内容String operation = extractOperation(changeLog);String id = extractId(changeLog);String data = extractData(changeLog);switch (operation) {case "INSERT":// 将数据插入到 RedisredisUtils.set(id, data);System.out.println("Inserted into Redis: " + id + " => " + data);break;case "UPDATE":// 更新 Redis 中的数据redisUtils.set(id, data);System.out.println("Updated in Redis: " + id + " => " + data);break;case "DELETE":// 从 Redis 中删除数据redisUtils.del(id);System.out.println("Deleted from Redis: " + id);break;default:System.out.println("Unknown operation: " + operation);}}private String extractOperation(String changeLog) {if (changeLog.startsWith("INSERT:")) {return "INSERT";} else if (changeLog.startsWith("UPDATE:")) {return "UPDATE";} else if (changeLog.startsWith("DELETE:")) {return "DELETE";}return "UNKNOWN";}private String extractId(String changeLog) {// 简单的正则表达式提取 idString idPattern = "id\\[character varying\\]:'(.*?)'";java.util.regex.Pattern pattern = java.util.regex.Pattern.compile(idPattern);java.util.regex.Matcher matcher = pattern.matcher(changeLog);return matcher.find() ? matcher.group(1) : "";}private String extractData(String changeLog) {// 提取数据内容，这里假设数据是以 `name`, `price`, `num` 字段组成// 这里只是一个简单的提取示例，根据实际情况调整String dataPattern = "name\\[character varying\\]:'(.*?)' price\\[bigint\\]:(\\d+) num\\[integer\\]:(\\d+)";java.util.regex.Pattern pattern = java.util.regex.Pattern.compile(dataPattern);java.util.regex.Matcher matcher = pattern.matcher(changeLog);if (matcher.find()) {return String.format("{\"name\":\"%s\", \"price\":%s, \"num\":%s}",matcher.group(1), matcher.group(2), matcher.group(3));}return "";}
}

上述代码定义了一个名为 ChangeLogProcessor 的服务类，用于处理 PostgreSQL 生成的变更日志，并根据这些日志更新 Redis 缓存。类中的 processChangeLog 方法接收一个变更日志字符串，通过 extractOperation、extractId 和 extractData 方法提取操作类型、数据标识符（ID）和数据内容。根据操作类型（插入、更新、删除），该方法会调用 RedisUtils 类的方法来同步 Redis 缓存，确保 Redis 中的数据与 PostgreSQL 数据库保持一致。这样的处理流程有效支持了数据在不同存储系统间的一致性维护。 

3.4.3. 效果测试

1. 新增数据

调用新增数据接口：

 日志打印：


 redis效果：

2. 编辑数据

 调用编辑数据接口：


 日志打印：


 redis效果：

3.5. 源码地址：

xfc-fdw-cloud: 公共解决方案

4. 结语

通过本文的讨论，我们深入探讨了如何使用WAL日志实现PostgreSQL与Redis之间的高效数据同步。在现代应用程序中，确保数据库和缓存之间的数据一致性至关重要，而WAL日志提供了一种可靠的解决方案，既能保证高性能，又能确保数据的一致性。通过实际代码示例和流程解析，我们展示了如何在Spring Boot环境中实现这一机制，并验证了其在实际应用中的有效性。若本文对你有帮助。别忘记点点关注哦~

这篇关于数据同步的艺术：探索PostgreSQL和Redis的一致性策略的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1127516。

相关文章

大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
服务器集群同步时间手记

服务器集群同步时间手记

1.时间服务器配置（必须root用户） （1）检查ntp是否安装 [root@node1 桌面]# rpm -qa|grep ntpntp-4.2.6p5-10.el6.centos.x86_64fontpackages-filesystem-1.41-1.1.el6.noarchntpdate-4.2.6p5-10.el6.centos.x86_64 （2）修改ntp配置文件 [r
阅读更多...
关于数据埋点，你需要了解这些基本知识

关于数据埋点，你需要了解这些基本知识

产品汪每天都在和数据打交道，你知道数据来自哪里吗？ 移动app端内的用户行为数据大多来自埋点，了解一些埋点知识，能和数据分析师、技术侃大山，参与到前期的数据采集，更重要是让最终的埋点数据能为我所用，否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式，可以区分为： 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理：自动程度高的，能解决通用统计，便于统一化管理，但个性化定
阅读更多...
使用SecondaryNameNode恢复NameNode的数据

使用SecondaryNameNode恢复NameNode的数据

1）需求： NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2）故障模拟 （1）kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 （2）删除NameNode存储的数据（/opt/module/hadoop-3.1.4/data/tmp/dfs/na
阅读更多...
异构存储（冷热数据分离）

异构存储（冷热数据分离）

异构存储主要解决不同的数据，存储在不同类型的硬盘中，达到最佳性能的问题。 异构存储Shell操作 （1）查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies （2）为指定路径（数据存储目录）设置指定的存储策略 hdfs storagepolicies -setStoragePo
阅读更多...
Hadoop集群数据均衡之磁盘间数据均衡

Hadoop集群数据均衡之磁盘间数据均衡

生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可以执行磁盘数据均衡命令。（Hadoop3.x新特性） plan后面带的节点的名字必须是已经存在的，并且是需要均衡的节点。 如果节点不存在，会报如下错误： 如果节点只有一个硬盘的话，不会创建均衡计划： （1）生成均衡计划 hdfs diskbalancer -plan hadoop102 （2）执行均衡计划 hd
阅读更多...
深入探索协同过滤：从原理到推荐模块案例

深入探索协同过滤：从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤（UserCF）2. 基于物品的协同过滤（ItemCF）3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代，推荐系统成为连接用户与内容的桥梁。本文聚焦于
阅读更多...
【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
阅读更多...
在JS中的设计模式的单例模式、策略模式、代理模式、原型模式浅讲

在JS中的设计模式的单例模式、策略模式、代理模式、原型模式浅讲

1. 单例模式（Singleton Pattern） 确保一个类只有一个实例，并提供一个全局访问点。 示例代码： class Singleton {constructor() {if (Singleton.instance) {return Singleton.instance;}Singleton.instance = this;this.data = [];}addData(value)
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2