房产信息网网站roseonly企业网站优化

（笔记总结自《黑马点评》项目）

一、产生原因

用户请求的数据在缓存中和数据库中都不存在，不断发起这样的请求，给数据库带来巨大压力。

常见的解决方式有缓存空对象和布隆过滤器。

二、缓存空对象

思路：当我们客户端访问不存在的数据时，先请求redis，但是此时redis中没有数据，此时会访问到数据库，但是数据库中也没有数据，这个数据穿透了缓存，直击数据库，我们都知道数据库能够承载的并发不如redis这么高，如果大量的请求同时过来访问这种不存在的数据，这些请求就都会访问到数据库，简单的解决方案就是哪怕这个数据在数据库中也不存在，我们也把这个数据存入到redis中去，这样，下次用户过来访问这个不存在的数据，那么在redis中也能找到这个数据就不会进入到缓存了。

优点：实现简单，维护方便

缺点：额外的内存消耗；可能造成短期的不一致

 

示例代码：

    @Overridepublic Result queryById(Long id) {String key = CACHE_SHOP_KEY + id;//从redis中查询商铺缓存String shopJson = stringRedisTemplate.opsForValue().get(key);//判断是否存在if (StrUtil.isNotBlank(shopJson)) {//存在，返回Shop shop = JSONUtil.toBean(shopJson, Shop.class);return Result.ok(shop);}//判断命中的是否是空值(存在但是不是null，也就是空字符串）if (shopJson != null) {//返回一个错误信息return Result.fail("店铺信息为空");}//不存在，根据id查询数据库Shop shop = getById(id);//不存在，返回错误if(shop == null){//将空值写入redisstringRedisTemplate.opsForValue().set(key,"",CACHE_NULL_TTL,TimeUnit.MINUTES);//返回错误信息return Result.fail("店铺不存在！");}//存在，写入redisstringRedisTemplate.opsForValue().set(key, JSONUtil.toJsonStr(shop), CACHE_SHOP_TTL , TimeUnit.MINUTES);//返回return Result.ok(shop);}

三、布隆过滤器

布隆过滤器其实采用的是哈希思想来解决这个问题，通过一个庞大的二进制数组，走哈希思想去判断当前这个要查询的这个数据是否存在，如果布隆过滤器判断存在，则放行，这个请求会去访问redis，哪怕此时redis中的数据过期了，但是数据库中一定存在这个数据，在数据库中查询出来这个数据后，再将其放入到redis中，假设布隆过滤器判断这个数据不存在，则直接返回。

这种方式优点在于节约内存空间，存在误判，误判原因在于：布隆过滤器走的是哈希思想，只要哈希思想，就可能存在哈希冲突。（判断不存在则一定不存在，判断存在有可能不存在）

四、其他方法

①增强id的复杂度，避免被猜测id规律。

②做好数据的基础格式校验。

③加强用户权限校验。

④做好热点参数的限流。