fwq

利用Redis实现分布式日志收集 收藏 知识点掌握了，还需要不断练习才能熟练运用。下面golang学习网给大家带来一个数据库开发实战，手把手教大家学习《利用Redis实现分布式日志收集》，在实现功能的过程中也带大家重新温习相关知识点，温故而知新，回头看看说不定又有不一样的感悟！ Redis是一个高性能的内存数据库，可用于缓存、队列、分布式锁、发布/订阅等多种应用场景。 本文将介绍如何利用Redis实现分布式日志收集，其中包括： 使用Redis的List数据结构保存日志； 使用Redis的Pub/Sub（发布/订阅）功能实现分布式日志收集； 使用Python代码示例演示如何实现以上功能。 使用Redis的List数据结构保存日志 Redis的List数据结构可以保存一个有序的字符串列表。我们可以使用该功能来保存日志，其中每条日志作为一个字符串元素存储在List中。下面是一个简单的Python代码示例： import redis r = redis.Redis(host='localhost', port=6379, db=0) def log(msg): r.rpush('log', msg) 以上代码定义了一个名为log的函数，该函数将传入的msg参数插入到名为log的Redis List中。我们可以在其他程序中调用log函数来保存日志。例如： log('Hello world!') 以上代码将字符串’Hello world!’插入到名为log的Redis List中。…

亿级流量下的分布式锁优化方案！太好用了 0浏览 收藏 本篇文章主要是结合我之前面试的各种经历和实战开发中遇到的问题解决经验整理的，希望这篇《亿级流量下的分布式锁优化方案！太好用了》对你有很大帮助！欢迎收藏，分享给更多的需要的朋友学习~ 背景引入 首先，我们一起来看看这个问题的背景？ 前段时间有个朋友在外面面试，然后有一天找我聊说：有一个国内不错的电商公司，面试官给他出了一个场景题： 假如下单时，用分布式锁来防止库存超卖，但是是每秒上千订单的高并发场景，如何对分布式锁进行高并发优化来应对这个场景？ 他说他当时没答上来，因为没做过没什么思路。其实我当时听到这个面试题心里也觉得有点意思，因为如果是我来面试候选人的话，应该会给的范围更大一些。 比如，让面试的同学聊一聊电商高并发秒杀场景下的库存超卖解决方案，各种方案的优缺点以及实践，进而聊到分布式锁这个话题。 因为库存超卖问题是有很多种技术解决方案的，比如悲观锁，分布式锁，乐观锁，队列串行化，Redis原子操作，等等吧。 但是既然那个面试官兄弟限定死了用分布式锁来解决库存超卖，我估计就是想问一个点：在高并发场景下如何优化分布式锁的并发性能。 我觉得，面试官提问的角度还是可以接受的，因为在实际落地生产的时候，分布式锁这个东西保证了数据的准确性，但是他天然并发能力有点弱。 刚好我之前在自己项目的其他场景下，确实是做过高并发场景下的分布式锁优化方案，因此正好是借着这个朋友的面试题，把分布式锁的高并发优化思路，给大家来聊一聊。 库存超卖现象是怎么产生的？ 先来看看如果不用分布式锁，所谓的电商库存超卖是啥意思？大家看看下面的图： 这个图，其实很清晰了，假设订单系统部署两台机器上，不同的用户都要同时买10台iphone，分别发了一个请求给订单系统。 接着每个订单系统实例都去数据库里查了一下，当前iphone库存是12台。 俩大兄弟一看，乐了，12台库存大于了要买的10台数量啊！ 于是乎，每个订单系统实例都发送SQL到数据库里下单，然后扣减了10个库存，其中一个将库存从12台扣减为2台，另外一个将库存从2台扣减为-8台。 现在完了，库存出现了负数！泪奔啊，没有20台iphone发给两个用户啊！这可如何是好。 用分布式锁如何解决库存超卖问题？ 我们用分布式锁如何解决库存超卖问题呢？其实很简单，回忆一下上次我们说的那个分布式锁的实现原理： 同一个锁key，同一时间只能有一个客户端拿到锁，其他客户端会陷入无限的等待来尝试获取那个锁，只有获取到锁的客户端才能执行下面的业务逻辑。 代码大概就是上面那个样子，现在我们来分析一下，为啥这样做可以避免库存超卖？ 大家可以顺着上面的那个步骤序号看一遍，马上就明白了。 从上图可以看到，只有一个订单系统实例可以成功加分布式锁，然后只有他一个实例可以查库存、判断库存是否充足、下单扣减库存，接着释放锁。 释放锁之后，另外一个订单系统实例才能加锁，接着查库存，一下发现库存只有2台了，库存不足，无法购买，下单失败。不会将库存扣减为-8的。…