189 8069 5689
cache，在web设计中经常用，大家也都会知道设置cache可以提高系统的响应速度，在做这个cache的时候，不知道为什么，很多人的流程都是：读取数据时，先从cache中读取数据，获取不到再去DB中获取，再将数据设置到cache中；更新数据时，先更新DB，成功之后再更新cache。在这里看似简单并没有什么问题，但是实际上，DB和cache理应是一个事务操作，要么同时失败，要么同时成功。
所以，往往会有以下的错误：
在花溪等地区，都构建了全面的区域性战略布局，加强发展的系统性、市场前瞻性、产品创新能力，以专注、极致的服务理念，为客户提供成都做网站、网站建设 网站设计制作定制制作,公司网站建设,企业网站建设,高端网站设计,全网整合营销推广,成都外贸网站建设公司,花溪网站建设费用合理。
错误操作1：更新DB，同时写入cache
eg：进程A写了cache，此时进程B打断了A，又写cache，并写了DB，再次轮到进程A继续写DB，
此时会导致，cache中保存的是B写入的数据，而DB中保存了A写入的数据，最终数据不一致，而且
这个cache一直都是脏数据，如果此时不断有进程来读取，都是存在的cache脏数据；同理，如果先
写DB，在写cache，一样存在可能被打断，最终导致cache是脏数据的问题
错误操作2，先删除cache，再更新DB，高并发时可能出现的问题：
eg：进程A先删除了cache，此时进程B打断A，则从DB中读取旧数据，并设置到了cache，再回来
进程A更新DB，那么从这里开始，接下去所有的读请求，都是旧cache，而且一直都是脏数据
正确的做法应该是：
1、读：先从DB读取之后，再写到cache中
2、更新：先更新 DB 中的数据，再删除 cache （必须是删除，而不是更新cache）
但是，这样一样不能保证不出错
eg：A进程读DB，B进程打断A，进行DB的更新，删除cache，再回来A进程写入到cache，一样
cache中是旧数据，而且一直是脏数据，但是，读数据库操作很快，写数据库操作比较慢，让一个慢
的操作打断快的相对概率比较低，所以采用这种方式，至于这里为什么是删除cache，而不是更新
cache，那是因为，如果A进程更新DB，此时B进程更新DB，同时更新cache，A进程再回来更新
cache，将会导致cache中的是脏数据下面用代码来实现看看
def worker_read_type1(write_flag, user_workid):
''先从cache中读，获取不到，再从DB读取之后，再写到cache中''
num = 0
err_num = 0
while True:
redis_key = 't_users:'+str(user_workid)
user_name = redis_db.get(redis_key)
if not user_name:
sql = "select user_workid, user_name from t_users where user_workid={user_workid} limit 1".format(user_workid=user_workid)
data = MySQL_extract_db.query_one_dict(sql=sql)
user_name = data.get('user_name', '')
redis_db.set(redis_key, user_name)
num += 1
if len(write_flag):
if user_name != write_flag[0]:
err_num += 1
print '出现不一致--user_name:{}---write_flag:{}, errpercent: err_num/num={}'.format(user_name, write_flag[0], str(float(err_num*100)/num)+'%')
time.sleep(0.01)
def worker_update_type1(write_flag, user_workid, user_name):
"'先更新DB，然后更新cache'''
while True:
sql = "update t_users set user_name='{user_name}' where user_workid={user_workid} ".format(user_name=user_name, user_workid=user_workid)
res = mysql_extract_db.execute_commit(sql=sql)
write_flag[0] = user_name #写入数据库后的值
if res:
redis_key = 't_users:'+str(user_workid)
redis_db.set(redis_key, user_name) #再更新cache
time.sleep(0.01)
def worker_update_type2(write_flag, user_workid, user_name):
''
先更新cache，再更新DB
''
while True:
redis_key = 't_users:'+str(user_workid)
redis_db.set(redis_key, user_name) #更新缓存
sql = "update t_users set user_name='{user_name}' where user_workid={user_workid} ".format(user_name=user_name, user_workid=user_workid)
res = mysql_extract_db.execute_commit(sql=sql)
write_flag[0] = user_name #写入数据库后的值
time.sleep(0.01)
def worker_update_type3(write_flag, user_workid, user_name):
''
先删除cache，再更新DB
''
while True:
redis_key = 't_users:'+str(user_workid)
redis_db.delete(redis_key) #删除缓存
sql = "update t_users set user_name='{user_name}' where user_workid={user_workid} ".format(user_name=user_name, user_workid=user_workid)
res = mysql_extract_db.execute_commit(sql=sql)
write_flag[0] = user_name #写入数据库后的值
time.sleep(0.01)
def worker_update_type4(write_flag, user_workid, user_name):
''
先更新DB，再删除cache
''
while True:
begin = time.time()
sql = "update t_users set user_name='{user_name}' where user_workid={user_workid} ".format(user_name=user_name, user_workid=user_workid)
res = mysql_extract_db.execute_commit(sql=sql)
write_flag[0] = user_name #写入数据库后的值
if res:
redis_key = 't_users:'+str(user_workid)
redis_db.delete(redis_key) #删除缓存
time.sleep(0.01)
def test_check_run(read_nump=1, wri_nump=2, readfunc=None, wrifunc=None):
"运行测试"
write_flag = Manager().list()
write_flag.append('1')
for i in range(0, wri_nump):
p_write = Process(target=wrifunc, args=(write_flag, 2633,'RobotZhu'+str(random.randrange(1, 10000000))))
p_write.start()
for i in range(0, read_nump):
p_read = Process(target=readfunc, args=(write_flag, 2633, ))
p_read.start()
print 'p is running'
while True:
pass
#下面运行测试看看，一般来说，系统的读请求远远大于写请求，这里100个进程读，2个进程写
test_check_run(read_nump=100, wri_nump=2, readfunc=worker_read_type1, wrifunc=worker_update_type1) #先更新DB，再更新cache，多进程写有问题
出现不一致--user_name:RobotZhu2038562---write_flag:RobotZhu669457, errpercent: err_num/num=11.4285714286% 出现数据不一致的情况概率是11.5%左右
test_check_run(read_nump=100, wri_nump=2, readfunc=worker_read_type1, wrifunc=worker_update_type2) #先更新cache，再更新DB，多进程写有问题
出现不一致--user_name:RobotZhu4607997---write_flag:RobotZhu8633737, errpercent: err_num/num=53.8461538462% 出现数据不一致的情况概率是50%左右
test_check_run(read_nump=100, wri_nump=2, readfunc=worker_read_type1, wrifunc=worker_update_type3) #先删除cache，再更新DB，读进程打断写进程时有严重问题
出现不一致--user_name:RobotZhu2034159---write_flag:RobotZhu4882794, errpercent: err_num/num=23.9436619718% 不一致概率20%多
test_check_run(read_nump=100, wri_nump=2, readfunc=worker_read_type1, wrifunc=worker_update_type4) #先更新DB，再删除cache，写进程打断读进程是有问题
出现不一致--user_name:RobotZhu1536990---write_flag:RobotZhu1536990, errpercent: err_num/num=7.69230769231% 数据不一致概率7%左右，所以这个比较好一个设置了过期时间的cache，在它过期那一刻，大量的并发请求会直连DB，DB负载过重问题。
解决办法：
1、当获取数据发现为空时，说明cache过期了，此时不马上连接DB，而是类似redis中的SETNX语
法，设置一个tempkey=1，如果这个tempkey存在，则设置失败，不存在则设置成功， 设置成功，则
进行DB读取数据，写入cache，否则延时30s，再次重试读cache，可能就有数据了。为什么这么
做？因为多进程并发的时候，第一个发现cache失效了，设置了tempkey，进行DB读数据，其他进程
则因为无法设置tempkey而等待一会，再读数据。代码示例：
def get_data(key=None):
value = redis.get(key)
if not value:
#缓存失效
if 1==redis.setnx(key+'tempkey', 1, 60): #设置一个临时key，如果被其他进程设置过了，则设置失败，也就不会连接db
value = db.query('select name from test')
redis.set(key, value)
redis.delete(key+'tempkey')
else:
time.sleep(10)
get_data(key) #递归重试，或许已经可以直接从cache中获取了
else:
return value