Redis 企业级应用

企业级 Redis 应用实战 🚀

1.1 延时任务队列（Delay Queue）

🧩 应用场景：

• 电商：订单支付超时自动取消、逾期提醒
• 通知系统：发送延时消息
• 缓存失效处理补偿任务等

⚙️ 原理设计：

• 利用 ZSET（有序集合），score 存储任务执行时间戳
• 通过 ZRANGEBYSCORE(min, now) 拉取到期任务
• 消费后 ZREM 删除任务
• 批量查询 + 限流控制 + 拆分槽位优化轮询性能

✅ Python 示例：

import time, redis

r = redis.Redis(decode_responses=True)
DELAY_QUEUE = "delay:zset"

# 添加延时任务
def enqueue(task_id, delay_seconds):
    score = int(time.time()) + delay_seconds
    r.zadd(DELAY_QUEUE, {task_id: score})
    print(f"[加入延时任务] {task_id}, 执行时间戳 {score}")

# 拉取并消费延迟任务
def process_due(max_items=10):
    now = int(time.time())
    tasks = r.zrangebyscore(DELAY_QUEUE, 0, now, 0, max_items)
    for task in tasks:
        print(f"[处理任务] {task}")
        r.zrem(DELAY_QUEUE, task)

# 企业优化建议：
# - 分片 ZSET 降低扫描压力
# - 多进程加锁竞抢任务
# - 时间轮结构或 Redis Streams 延时代替

💡 Tips：避免轮询死循环，使用 LIMIT + sleep 或 BLPOP 混合执行策略 ([MoldStud][1], [Medium][2], [Medium][3])。

---

1.2 分布式锁（Distributed Lock）

🧠 为什么需要：

• 分布式环境中防止并发访问相同资源，如订单幂等操作、资金扣款等。

✅ 单节点锁方案（推荐用于效率优化类场景）

lock_key = "lock:order:123"
lock_val = str(uuid.uuid4())

# 获取锁
r.set(lock_key, lock_val, nx=True, ex=5)

# 释放锁，确保只有持有者能删
unlock_script = """
if redis.call('get', KEYS[1]) == ARGV[1] then
    return redis.call('del', KEYS[1])
else
    return 0
end
"""
r.eval(unlock_script, 1, lock_key, lock_val)

🔍 RedLock 算法（多节点一致性方案）

• 在多个独立主节点上依次申请锁
• 若成功获得多数锁且总耗时小于 TTL，则认为获取成功
• 功能更强但复杂度高，依赖同步时间与网络一致性，适合强一致场景

⚠️ 注意事项与风险

问题	说明
长事务	TTL 设置需略大于业务处理时间
死锁	使用 Lua 解锁，避免误删其他客户端锁
Redlock 风险	Timing assumptions 不可靠时可能失效 ([martin.kleppmann.com][4])

---

1.3 Redis 做消息队列（MQ）

📥 List + 阻塞弹出（BLPOP/RPOP）

• 简单场景适用，单消费者或少量消费者
• 支持优先队列结构也可用多个 list 模拟多个优先级

QUEUE = "mq:list"
def produce(msg):
    r.lpush(QUEUE, msg)
def consume():
    while True:
        item = r.brpop(QUEUE, timeout=5)
        if item:
            print("处理:", item[1])

🔄 Redis Stream 消费组（>=5.0）

• 支持持久消息、消费确认、失败重试、多个消费者组
• 经济替代 Kafka 的高性能场景

r.xadd("stream", {"event": "login", "user": "alice"})
r.xgroup_create("stream", "grp", mkstream=True)
r.xreadgroup("grp", "consumer1", {"stream": ">"}, count=1, block=2000)

🔍 Stream 模拟 Kafka 特性 + Python 示例说明场景 。

---

1.4 实时统计系统

🎯 UV/PV 去重统计（HyperLogLog）

• UV（独立访客）去重能力强，内存仅 ~12KB

r.pfadd("uv:202507", "user123")
print("UV 估计值:", r.pfcount("uv:202507"))

🧮 在线用户布阵（BitMap）

• 高效存储用户状态，支持快速统计

r.setbit("online", user_id, 1)
r.bitcount("online")

---

✅ 总结与建议

• 使用前推荐评估业务严苛程度选锁策略
• 延时队列尽量配合分布式锁避免重复处理
• 消息队列根据消费模型选择 List 或 Stream
• 统计类任务推荐 HyperLogLog 和 BitMap 存储结构
• 强调监控锁状态与延时队列处理效率（Prometheus + Redis Insight）