1.redis源码学习-ziplist篇
2.[redis 应用案源码走读] sentinel 哨兵 - 脑裂处理方案
3.Springboot基于Redisson实现Redis分布式可重入锁案例到源码分析
4.用 Redis 搞定游戏中的实时排行榜，附源码！例源
5.Redis 应用案radix tree 源码解析
6.Redis 实现分布式锁 +Redisson 源码解析

redis源码学习-ziplist篇

       Redis源码学习-ziplist篇

       ziplist是Redis中一种高效压缩的链表结构，用于存储字符串或整数。例源它并非传统的应用案链表，而是例源溯源码通行连续内存块组成，通过移动地址偏移量实现next和last操作，应用案内存利用率高但复杂性较大。例源

       ziplist的应用案实现独特，没有明确的例源struct，仅通过首地址获取其信息。应用案结构包含header、例源entrys和end三部分。应用案header部分记录首尾地址，例源entrys中每个entry有entry-header、应用案entry-encoding和entry-data，prevlength记录上一个节点长度，entry-encoding用于区分整数和字符串，entry-data存储实际内容。对于长度超过的字符串，会进行压缩编码。

       ziplist创建简单，使用zmalloc分配内存。insert和delete操作可能引发连锁更新，当新节点插入或原有节点删除时，需要调整相邻节点的prevlength，最坏情况下时间复杂度为O(n^2)。find函数则直接遍历，通过skip参数优化查找性能，特别是在上层容器如hash结构中。

       总结来说，ziplist通过连续内存优化内存使用，但其维护复杂性源于插入和删除操作时的连锁更新，find函数利用skip优化查找性能。

[redis 源码走读] sentinel 哨兵 - 脑裂处理方案

       哨兵模式的 Redis 集群在部署时可能出现脑裂现象，即产生多个主服务导致数据不一致的情况。哨兵通过检查、发现故障并进行故障转移来维护集群的高可用性。合理部署配置哨兵和主服务可以有效降低脑裂现象。配置哨兵节点个数和选举法定人数，确保多个哨兵能进行相互选举，选出领导者哨兵进行故障转移，法定人数一般建议为哨兵总数的一半以上，以实现少数服从多数的决策。对于主服务，通过修改配置，当主服务与一定数量的副本失去联系时，禁止客户端向故障主服务进行写操作，从而避免数据不一致的情况。解决此问题时，gdb调试python源码需注意配置选项min-slaves-to-write，其依赖于副本的链接个数，合理设置以确保集群的故障转移能力。高版本的 Redis 已对相关选项进行了优化。总之，通过合理部署哨兵和主服务配置，可以有效管理 Redis 集群，减少脑裂现象带来的问题。

Springboot基于Redisson实现Redis分布式可重入锁案例到源码分析

       一、前言

       实现Redis分布式锁，最初常使用SET命令，配合Lua脚本确保原子性。然而手动操作较为繁琐，官网推荐使用Redisson，简化了分布式锁的实现。本文将从官网至整合Springboot，直至深入源码分析，以单节点为例，详细解析Redisson如何实现分布式锁。

       二、为什么使用Redisson

       通过访问Redis中文官网，我们发现官方明确指出Java版分布式锁推荐使用Redisson。官网提供了详细的文档和结构介绍，帮助开发者快速上手。

       三、Springboot整合Redisson

       为了实现与Springboot的集成，首先导入Redisson依赖。接下来，参照官网指导进行配置，并编写配置类。结合官网提供的加锁示例，编写简单的Controller接口，最终测试其功能。

       四、lock.lock()源码分析

       在RedissonLock实现类中，`lock`方法的实现揭示了锁获取的流程。深入至`tryLockInnerAsync`方法，发现其核心逻辑。进一步调用`scheduleExpirationRenewal`方法，用于定时刷新锁的过期时间，确保锁的有效性。此过程展示了锁实现的高效与自适应性。

       五、lock.lock(, TimeUnit.SECONDS)源码分析

       当使用带有超时时间的`lock`方法时，实际调用的逻辑与常规版本类似，关键差异在于`leaseTime`参数的不同设置。这允许开发者根据需求灵活控制锁的持有时间。

       六、lock.unlock()源码分析

       解锁操作通过`unlockAsync`方法实现，goroutine是什么源码进一步调用`unlockInnerAsync`方法完成。这一过程确保了锁的释放过程也是异步的，增强了系统的并发处理能力。

       七、总结

       通过本文，我们跟随作者深入Redisson的底层源码，理解了分布式锁的实现机制。这一过程不仅提升了对Redisson的理解，也激发了面对复杂技术挑战时的勇气。希望每位开发者都能勇敢探索技术的边界，共同进步。欢迎关注公众号，获取更多技术文章首发信息。

用 Redis 搞定游戏中的实时排行榜，附源码！

       本文将深入探讨如何利用 Redis 实现游戏中的实时排行榜，并提供实现细节和源码。

       首先，我们以一个坦克手游为例。游戏中每个角色可拥有多种类型的坦克，玩家可以加入军团（公会）。这个系统需要实现两种主要的排行榜：等级排行榜和通天塔排行榜。

       等级排行榜的实现思路是将等级和战斗力合并为一个复合积分。我们可以设定一个公式：分数 = 等级* + 战力。因为玩家等级范围从1到，战斗力范围从0到，所以我们设计时考虑到，等级需要3位数，战斗力需要位数，合计需要位数的积分，而Redis的有序集合（SortedSet）的score取值范围是位整数或双精度浮点数，足以容纳这个需求。

       对于通天塔排行榜，我们采用类似但略有不同的策略。要求相同层数下，通关时间越早越排在前。我们可以将通关时间转换为相对于一个较远时间点（如--）的相对时间，计算公式为：分数 = 层数 * ^N + (基准时间 - 通关时间)。这里我们选择一个远到足以避免现实时间影响的时间戳，从而确保排名的公正性。

       为了实现实时更新排行榜数据，我们采用一个策略：使用 Redis 的有序集合存储玩家的复合积分（如角色uid和坦克id），而使用哈希存储动态数据（如玩家的其他相关信息）。当玩家等级或战斗力发生改变时，实时更新有序集合中的积分值即可。对于其他可能变化的数据，也相应地更新哈希表中的数据。

       在取排行榜时，以等级排行榜为例，平台框架源码大全我们可以使用 Redis 的命令来获取数据。具体的代码实现通常涉及多步骤操作，例如准备数据、排序、分批取数据等。优化点在于合理使用 Redis 的 Pipeline 和 Multi 模式，以提高性能和效率。

       最终，排行榜的实现并不止于此，我们需要考虑的细节还包括对排行榜数据的展示、排序算法的优化等。这里提供了一个基本框架和实现思路，具体的代码和详细步骤需要根据实际项目需求和环境进行调整。

       通过以上内容，我们已经对如何利用 Redis 来搭建游戏排行榜系统有了深入的理解。通过合理的数据结构设计和 Redis 命令的运用，可以实现高效、实时且易于维护的排行榜功能。

Redis radix tree 源码解析

       Redis 实现了不定长压缩前缀的 radix tree，用于集群模式下存储 slot 对应的所有 key 信息。本文解析在 Redis 中实现 radix tree 的核心内容。

       核心数据结构的定义如下：

       每个节点结构体 (raxNode) 包含了指向子节点的指针、当前节点的 key 的长度、以及是否为叶子节点的标记。

       以下是插入流程示例：

       场景一：仅插入 "abcd"。此节点为叶子节点，使用压缩前缀。

       场景二：在 "abcd" 之后插入 "abcdef"。从 "abcd" 的父节点遍历至压缩前缀，找到 "abcd" 空子节点，插入 "ef" 并标记为叶子节点。

       场景三：在 "abcd" 之后插入 "ab"。ab 为 "abcd" 的前缀，插入 "ab" 为子节点，并标记为叶子节点。同时保留 "abcd" 的前缀结构。

       场景四：在 "abcd" 之后插入 "abABC"。ab 为前缀，创建 "ab" 和 "ABC" 分别为子节点，保持压缩前缀结构。

       删除流程则相对简单，找到指定 key 的叶子节点后，向上遍历并删除非叶子节点。若删除后父节点非压缩且大小大于1，则需处理合并问题，以优化树的高度。

       合并的条件涉及：删除节点后，检查父节点是否仍为非压缩节点且包含多个子节点，以此决定是juc源码更新系列否进行合并操作。

       结束语：云数据库 Redis 版提供了稳定可靠、性能卓越、可弹性伸缩的数据库服务，基于飞天分布式系统和全SSD盘高性能存储，支持主备版和集群版高可用架构。提供全面的容灾切换、故障迁移、在线扩容、性能优化的数据库解决方案，欢迎使用。

Redis 实现分布式锁 +Redisson 源码解析

       在一些场景中，多个进程需要以互斥的方式独占共享资源，这时分布式锁成为了一个非常有用的工具。

       随着互联网技术的快速发展，数据规模在不断扩大，分布式系统变得越来越普遍。一个应用往往会部署在多台机器上（多节点），在某些情况下，为了保证数据不重复，同一任务在同一时刻只能在一个节点上运行，即确保某一方法在同一时刻只能被一个线程执行。在单机环境中，应用是在同一进程下的，仅需通过Java提供的 volatile、ReentrantLock、synchronized 及 concurrent 并发包下的线程安全类等来保证线程安全性。而在多机部署环境中，不同机器不同进程，需要在多进程下保证线程的安全性，因此分布式锁应运而生。

       实现分布式锁的三种主要方式包括：zookeeper、Redis和Redisson。这三种方式都可以实现分布式锁，但基于Redis实现的性能通常会更好，具体选择取决于业务需求。

       本文主要探讨基于Redis实现分布式锁的方案，以及分析对比Redisson的RedissonLock、RedissonRedLock源码。

       为了确保分布式锁的可用性，实现至少需要满足以下四个条件：互斥性、过期自动解锁、请求标识和正确解锁。实现方式通过Redis的set命令加上nx、px参数实现加锁，以及使用Lua脚本进行解锁。实现代码包括加锁和解锁流程，核心实现命令和Lua脚本。这种实现方式的主要优点是能够确保互斥性和自动解锁，但存在单点风险，即如果Redis存储锁对应key的节点挂掉，可能会导致锁丢失，导致多个客户端持有锁的情况。

       Redisson提供了一种更高级的实现方式，实现了分布式可重入锁，包括RedLock算法。Redisson不仅支持单点模式、主从模式、哨兵模式和集群模式，还提供了一系列分布式的Java常用对象和锁实现，如可重入锁、公平锁、联锁、读写锁等。Redisson的使用方法简单，旨在分离对Redis的关注，让开发者更专注于业务逻辑。

       通过Redisson实现分布式锁，相比于纯Redis实现，有更完善的特性，如可重入锁、失败重试、最大等待时间设置等。同时，RedissonLock同样面临节点挂掉时可能丢失锁的风险。为了解决这个问题，Redisson提供了实现了RedLock算法的RedissonRedLock，能够真正解决单点故障的问题，但需要额外为RedissonRedLock搭建Redis环境。

       如果业务场景可以容忍这种小概率的错误，推荐使用RedissonLock。如果无法容忍，推荐使用RedissonRedLock。此外，RedLock算法假设存在N个独立的Redis master节点，并确保在N个实例上获取和释放锁，以提高分布式系统中的可靠性。

       在实现分布式锁时，还需要注意到实现RedLock算法所需的Redission节点的搭建，这些节点既可以是单机模式、主从模式、哨兵模式或集群模式，以确保在任一节点挂掉时仍能保持分布式锁的可用性。

       在使用Redisson实现分布式锁时，通过RedissonMultiLock尝试获取和释放锁的核心代码，为实现RedLock算法提供了支持。

[redis 源码走读] maxmemory 数据淘汰策略

       Redis 是一个内存数据库，通过配置 `maxmemory` 来限定其内存使用量。当 Redis 主库内存超出限制时，会触发数据淘汰机制，以减少内存使用量，直至达到限制阈值。

       当 `maxmemory` 配置被应用，Redis 会根据配置采用相应的数据淘汰策略。`volatile-xxx` 类型配置仅淘汰设置了过期时间的数据，而 `allkeys-xxx` 则淘汰数据库中所有数据。若 Redis 主要作为缓存使用，可选择 `allkeys-xxx`。

       数据淘汰时机发生在事件循环处理命令时。有多种淘汰策略可供选择，从简单到复杂包括：不淘汰数据（`noeviction`）、随机淘汰（`volatile-random`、`allkeys-random`）、采样淘汰（`allkeys-lru`、`volatile-lru`、`volatile-ttl`、`volatile-freq`）以及近似 LRU 和 LRU 策略（`volatile-lru` 和 `allkeys-lru`）。

       `noeviction` 策略允许读操作但禁止大多数写命令，返回 `oomerr` 错误，仅允许执行少量写命令，如删除命令 `del`、`hdel` 和 `unlink`。

       `volatile-random` 和 `allkeys-random` 机制相对直接，随机淘汰数据，策略相对暴力。

       `allkeys-lru` 策略根据最近最少使用（LRU）算法淘汰数据，优先淘汰最久未使用的数据。

       `volatile-lru` 结合了过期时间与 LRU 算法，优先淘汰那些最久未访问且即将过期的数据。

       `volatile-ttl` 策略淘汰即将过期的数据，而 `volatile-freq` 则根据访问频率（LFU）淘汰数据，考虑数据的使用热度。

       `volatile-lru` 和 `allkeys-lru` 策略通过采样来近似 LRU 算法，维护一个样本池来确定淘汰顺序，以提高淘汰策略的精确性。

       总结而言，Redis 的数据淘汰策略旨在平衡内存使用与数据访问需求，通过灵活的配置实现高效的数据管理。策略的选择应基于具体应用场景的需求，如数据访问模式、性能目标等。

Redisson可重入锁加锁源码分析

       在分布式环境中，控制并发的关键往往需要分布式锁。Redisson，作为Redis的高效客户端，其源码清晰易懂，这里主要探讨Redisson可重入锁的加锁原理，以版本3..5为例，但重点是理解其核心逻辑，而非特定版本。

       加锁始于用户通过`redissonClient`获取RLock实例，并通过`lock`方法调用。这个过程最后会进入`RLock`类的`lock`方法，核心步骤是`tryAcquire`方法。

       `tryAcquire`方法中，首先获取线程ID，用于标识是哪个线程在请求锁。接着，尝试加锁的真正核心在`tryAcquireAsync`，它嵌套了`get`方法，这个get方法会阻塞等待异步获取锁的结果。

       在`tryAcquireAsync`中，如果锁的租期未设置，会使用默认的秒。脚本执行是加锁的核心，一个lua脚本负责保证命令的原子性。脚本中，`keys`和`argv`参数处理至关重要，尤其是判断哈希结构`_come`的键值对状态。

       脚本逻辑分为三个条件：如果锁不存在，会设置并设置过期时间；如果当前线程已持有锁，会增加重入次数并更新过期时间；若其他线程持有，加锁失败并返回剩余存活时间。加锁失败时，系统会查询锁的剩余时间，用于后续的重试策略。

       加锁成功后，会进行自动续期，通过`Future`监听异步操作结果。如果锁已成功获取且未设置过期时间，会定时执行`scheduleExpirationRenewal`，每秒检查锁状态，延长锁的存活时间。

       整个流程总结如下：首先通过lua脚本在Redis中创建和更新锁的哈希结构，对线程进行标识。若无过期时间，定时任务会确保锁的持续有效。重入锁通过`hincrby`增加键值对实现。加锁失败后，客户端会等待锁的剩余存活时间，再进行重试。

       至于加锁失败的处理，客户端会根据剩余存活时间进行阻塞，等待后尝试再次获取锁。这整个流程展现了Redisson可重入锁的简洁设计，主要涉及线程标识、原子操作和定时续期等关键点。

Redis 主从复制 - 源码梳理

       本文主要剖析Redis主从复制机制中的核心组件之一——复制积压缓冲区（Replication Buffer），旨在为读者提供一个对Redis复制流程和缓冲区机制深入理解的平台，以下内容仅基于Redis版本7.0.，若读者在使用过程中发现偏差，欢迎指正。

       复制积压缓冲区在逻辑上可理解为一个容量最大的位整数，其初始值为1，由offset、master_repl_offset和repl_backlog-histlen三个变量共同决定缓冲区的有效范围。offset表示缓冲区内命令起始位置，master_repl_offset代表结束位置，二者之间的长度由repl_backlog-histlen表示。

       每当主节点执行写命令，新生成的积压缓冲区大小增加，同时增加master_repl_offset和repl_backlog-histlen的值，直至达到预设的最大容量（默认为1MB）。一旦所有从节点接收到命令并确认同步无误，缓冲区内过期的命令将被移除，并调整offset和histlen以维持积压区容量的稳定性。

       为实现动态分配，复制积压缓冲区被分解成多个block，以链表形式组织。每个block采用引用计数管理策略，初始值为0，每当增加或删除从节点对block的引用时，计数值相应增减。新生成block时，将master_repl_offset+1设置为block的repl_offset值，并将写入命令拷贝至缓冲区内，与此同时，master_repl_offset和repl_backlog-histlen增加。

       通过循环遍历所有从节点，为每个从节点设置ref_repl_buf_node指向当前block或最后一个block，确保主从复制能够准确传递命令。当主节点接收到从节点的连接请求时，将开始填充积压缓冲区。在全量复制阶段，从slave-replstate为WAIT_BGSAVE_START至ONLINE，表示redis从后台进程开始执行到完成RDB文件传输和加载，命令传播至此阶段正式开始。

       针对每个从节点，主节点从slave-ref_block_pos开始发送积压缓冲区内的命令，每发送成功，slave-ref_block_pos相应更新。当积压缓冲区超过预设阈值，即复制积压缓冲区中的有效长度超过repl-backlog-size（默认1MB）时，主节点将清除已发送的缓冲区，释放内存。如果主节点写入命令频繁或从节点断线重连时间长，则需合理调整缓冲区大小（推荐值为2 * second * write_size_per_second）以保持增量复制的稳定运行。

       当最后一个从节点与主节点的连接断开超过repl-backlog-ttl（默认为秒）时，主节点将释放repl_backlog和复制积压缓冲区以确保资源的有效使用。不过需要注意的是，从节点的释放操作依赖于节点是否可能成为新的主节点，因此在最后处理逻辑上需保持谨慎。

在语音聊天室APP源码开发中，使用Redis实现关注好友功能

       在语音聊天室APP源码开发中，为了优化社交体验，实现关注好友功能成为关键。单纯通过数据库获取关注列表容易实现，但当需查询多个用户共同关注的人或共同粉丝时，效率低下。利用Redis可简化这一过程，其自带集合操作如交集、并集、差集，使处理变得高效。

       设计思路采用Redis中的zset，利用其排序与去重功能。每个用户存储两个集合，分别用于保存关注的用户和被关注的用户。主要使用命令：zadd用于添加成员，zrem移除成员，zcard统计成员数量，zrange查询指定区间成员（并可选返回成员与分数），zrevrange与zrange操作相反，zrank获取成员排名。zinterstore用于计算交集，聚合方式可选。

       以Java为例，实现过程分为三步：

       1. 添加语音聊天室APP源码Redis客户端。

       2. 封装简单的Redis工具类。

       3. 封装关注类（Follow类），整合上述功能。

       总结：通过Redis实现的语音聊天室APP源码关注好友功能，不仅简化了复杂操作，还提高了处理效率，为用户提供了更流畅的社交体验。本文转载自网络，旨在分享知识，如有侵权请告知云豹科技删除。