我要评论1. 背景与需求分析
1.1 原始需求
我们有一个 logmediaadidcache 类，用于缓存广告位 id，并定期从 redis 刷新数据。原始实现使用 set 存储数据，结构如下：
set logscraping:mediaadid [id1, id2, id3, ...]
但随着业务发展，我们需要存储更多元信息（如广告位名称、状态、更新时间等），仅用 set 已无法满足需求。
1.2 新需求
- 存储结构化数据：每个广告位 id 需要关联额外信息（如
name,status,updatetime）。 - 高效查询：快速获取某个广告位的详细信息。
- 定时监控：每10秒检查 redis 数据变化，确保缓存一致性。
因此，我们决定将数据结构从 set 改为 hash：
hash logscraping:mediaadid
id1 -> { "name": "广告位1", "status": "active" }
id2 -> { "name": "广告位2", "status": "inactive" }
2. redis 数据结构选型：set vs. hash
| 特性 | set | hash |
|---|---|---|
| 存储方式 | 无序唯一集合 | 键值对存储（field-value） |
| 适用场景 | 去重、集合运算（交集、并集） | 结构化数据，需存储额外属性 |
| 查询效率 | o(1) 判断元素是否存在 | o(1) 按 field 查询 value |
| 扩展性 | 只能存储单一值 | 可存储复杂对象（json、map） |
结论：
- 如果仅需存储 id 并判断是否存在，set 更高效。
- 如果需要存储额外信息（如广告位详情），hash 更合适。
3. 代码改造：从 set 迁移到 hash
3.1 改造后的 logmediaadidcache
@component
@slf4j
@requiredargsconstructor
public class logmediaadidcache {
private final redistemplate<string, string> redistemplate;
private volatile set<long> cachedlogmediaadids = collections.emptyset();
public static final string log_redis_key = "logscraping:mediaadid";
@postconstruct
public void init() {
refreshcache();
}
@scheduled(fixedrate = 5 * 1000) // 每5秒刷新一次
public void refreshcache() {
try {
map<object, object> idmap = redistemplate.opsforhash().entries(log_redis_key);
if (idmap != null) {
set<long> newcache = idmap.keyset().stream()
.map(key -> long.valueof(key.tostring()))
.collect(collectors.toset());
this.cachedlogmediaadids = newcache;
log.info("广告位id缓存刷新成功，数量: {}", newcache.size());
}
} catch (exception e) {
log.error("刷新广告位id缓存失败", e);
}
}
public set<long> getlogmediaadids() {
return collections.unmodifiableset(cachedlogmediaadids);
}
public boolean contains(long mediaadid) {
return cachedlogmediaadids.contains(mediaadid);
}
// 新增方法：获取广告位详情
public string getadinfo(long mediaadid) {
return redistemplate.<string, string>opsforhash().get(log_redis_key, mediaadid.tostring());
}
// 新增方法：更新广告位信息
public void updateadinfo(long mediaadid, string info) {
redistemplate.opsforhash().put(log_redis_key, mediaadid.tostring(), info);
refreshcache(); // 立即刷新缓存
}
}
3.2 主要改进点
- 改用
opsforhash()操作 redis hash，支持结构化存储。 - 新增
getadinfo()方法，按广告位 id 查询详情。 - 新增
updateadinfo()方法，支持动态更新数据。
4. 定时任务优化：每10秒监控 redis 数据
4.1 新增 logstatsmonitorjob
@component
@slf4j
@requiredargsconstructor
public class logstatsmonitorjob {
private final redistemplate<string, string> redistemplate;
private static final string log_stats_key = "log:stats:1635474646";
@scheduled(fixedrate = 10 * 1000) // 每10秒执行一次
public void monitorlogstats() {
string currenttimekey = getformattedtime();
string fullkey = log_stats_key + ":" + currenttimekey;
try {
map<object, object> stats = redistemplate.opsforhash().entries(fullkey);
if (stats == null || stats.isempty()) {
log.warn("未找到统计信息: {}", fullkey);
return;
}
log.info("----- 统计信息监控（key: {}）-----", fullkey);
stats.foreach((field, value) ->
log.info("{}: {}", field, value));
// 业务处理示例
int total = integer.parseint(stats.getordefault("total", "0").tostring());
if (total > 1000) {
log.warn("警告：数据量过大（{}条）", total);
}
} catch (exception e) {
log.error("监控统计信息失败", e);
}
}
private string getformattedtime() {
// 生成格式化的时间戳，如 20250609175050
return localdatetime.now()
.format(datetimeformatter.ofpattern("yyyymmddhhmmss"));
}
}
4.2 功能说明
- 定时任务：每10秒检查 redis hash 数据。
- 动态 key：支持按时间戳生成 key（如 log:stats:1635474646:20250609175050）。
- 异常处理：捕获 redis 操作异常，避免任务中断。
- 业务告警：数据量超过阈值时触发告警。
5. 完整代码实现
5.1 logmediaadidcache（改造后）
（见上文 3.1 节）
5.2 logstatsmonitorjob（新增）
（见上文 4.1 节）
5.3 配置类（可选）
@configuration
@enablescheduling
public class schedulingconfig {
// 启用定时任务
}
6. 总结与最佳实践
6.1 关键改进
- 数据结构升级：从 set → hash，支持结构化存储。
- 定时任务优化：每10秒监控数据，确保实时性。
- 代码健壮性：异常处理 + 日志记录。
6.2 最佳实践
- 合理选择数据结构：根据业务场景选择 set / hash / zset 等。
- 动态 key 设计：如时间戳、业务id等，方便数据分区。
- 定时任务调优：
- 短周期（如10s）适合实时监控。
- 长周期（如1h）适合批量处理。
- 异常处理：避免因 redis 异常导致任务崩溃。
6.3 后续优化方向
- 数据分片：若数据量过大，可采用分片存储。
- 分布式锁：避免多实例任务重复执行。
- 数据过期策略：设置 ttl 自动清理旧数据。
结语
本文通过一个实际案例，演示了如何将 redis 数据结构从 set 迁移到 hash，并实现高效定时监控。合理的数据结构选择 + 定时任务优化，可以显著提升系统性能和可维护性。
以上就是redis定时监控与数据处理实践指南的详细内容，更多关于redis定时监控与数据处理的资料请关注代码网其它相关文章！
发表评论