一、redis key数量为1千万时。
存储value为"0"，比较小。如果value较大，则存储内存会增多
redis key数量为一千万时，使用了865M的内存。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
# Keyspacedb0:keys=11100111,expires=0,avg_ttl=0内存使用情况# Memoryused_memory:907730088used_memory_human:865.68Mused_memory_rss:979476480used_memory_rss_human:934.10Mused_memory_peak:1258244232used_memory_peak_human:1.17Gused_memory_peak_perc:72.14%used_memory_overhead:580102896used_memory_startup:765664used_memory_dataset:327627192used_memory_dataset_perc:36.12%total_system_memory:8365256704total_system_memory_human:7.79Gused_memory_lua:37888used_memory_lua_human:37.00K |
二、redis key数量为1千5百万时。
redis key数量为一千五百万时，使用了1.13G的内存。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
# Keyspacedb0:keys=15100031,expires=0,avg_ttl=0# Memoryused_memory:1211733288used_memory_human:1.13Gused_memory_rss:1247817728used_memory_rss_human:1.16Gused_memory_peak:1258244232used_memory_peak_human:1.17Gused_memory_peak_perc:96.30%used_memory_overhead:740104496used_memory_startup:765664used_memory_dataset:471628792used_memory_dataset_perc:38.95%total_system_memory:8365256704total_system_memory_human:7.79Gused_memory_lua:37888used_memory_lua_human:37.00K |
三、redis key数量为一千五百万时压测
|
1
2
|
redis-benchmark -h 127.0.0.1 -p 6379 -c 1000 -n 10000 -t get -qGET: 34364.26 requests per second |
四、使用map将key值打散存储，小key为1千五百万
使用hset存储打散为1024个key时,存储大小为921M，比直接存储节省了200M。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
# Memoryused_memory:966758968used_memory_human:921.97Mused_memory_rss:1002913792used_memory_rss_human:956.45Mused_memory_peak:1749456304used_memory_peak_human:1.63Gused_memory_peak_perc:55.26%used_memory_overhead:1929880used_memory_startup:765664used_memory_dataset:964829088used_memory_dataset_perc:99.88%total_system_memory:8365256704total_system_memory_human:7.79Gused_memory_lua:37888used_memory_lua_human:37.00K # Keyspacedb0:keys=1024,expires=0,avg_ttl=0 |
五、使用hset存储打散为256个key
存储大小为1.09G，比直接存储小了80M。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
used_memory:1170356864used_memory_human:1.09Gused_memory_rss:1190223872used_memory_rss_human:1.11Gused_memory_peak:1749456304used_memory_peak_human:1.63Gused_memory_peak_perc:66.90%used_memory_overhead:33759246used_memory_startup:765664used_memory_dataset:1136597618used_memory_dataset_perc:97.18%total_system_memory:8365256704total_system_memory_human:7.79G |
六、进行hget的压力测试
|
1
2
3
4
5
6
7
|
redis-benchmark -h 127.0.0.1 -p 6379 -c 1000 -n 10000 -t hget myhash rand_int rand_int rand_int ====== myhash rand_int rand_int rand_int ====== 10000 requests completed in 0.22 seconds 1000 parallel clients 3 bytes payload keep alive: 146511.63 requests per second |
七、总结
可见，当存储量特别大的时候，可以将key进行hash分散处理，可以减少存储内存。
并且当key的数量很大的时候，redis取值性能还是很高的。
补充：Redis 单key值过大 优化方式
Redis使用过程中经常会有各种大key的情况， 比如：
1： 单个简单的key存储的value很大
2： hash， set，zset，list 中存储过多的元素（以万为单位）
由于redis是单线程运行的，如果一次操作的value很大会对整个redis的响应时间造成负面影响，所以，业务上能拆则拆，下面举几个典型的分拆方案。
1、单个简单的key存储的value很大
1.1、 改对象需要每次都整存整取
可以尝试将对象分拆成几个key-value， 使用multiGet获取值，这样分拆的意义在于分拆单次操作的压力，将操作压力平摊到多个redis实例中，降低对单个redis的IO影响；
1.2、该对象每次只需要存取部分数据
可以像第一种做法一样，分拆成几个key-value， 也可以将这个存储在一个hash中，每个field代表一个具体的属性，使用hget,hmget来获取部分的value，使用hset，hmset来更新部分属性
2、 hash， set，zset，list 中存储过多的元素
类似于场景一种的第一个做法，可以将这些元素分拆。
以hash为例，原先的正常存取流程是 hget(hashKey, field) ; hset(hashKey, field, value)
现在，固定一个桶的数量，比如 10000， 每次存取的时候，先在本地计算field的hash值，模除 10000， 确定了该field落在哪个key上。
|
1
2
3
|
newHashKey = hashKey + (*hash*(field) % 10000）; hset (newHashKey, field, value) ; hget(newHashKey, field) |
set, zset, list 也可以类似上述做法.
但有些不适合的场景，比如，要保证 lpop 的数据的确是最早push到list中去的，这个就需要一些附加的属性，或者是在 key的拼接上做一些工作（比如list按照时间来分拆）。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/b379685397/article/details/103013970
