解决Redis和数据库一致问题

昨天面试了一家公司，简历上我写了用redis做缓存，当面试官问到，当有用户修改了信息，怎么做到缓存的信息和数据库一致呢，当时或许是紧张或许是真不知道，还是脑子短路了，就没回答出来。

面试完和我舍友提到的时候，慢慢就想起以前看到过类似的解决方法：那就是当用户的信息有更新的时候就进行缓存和数据库双写，然后在具体的操作中，考虑延迟双删策略：即

• 删除缓存
• 更新数据库
• 再次删除缓存

实现伪代码如下：

这里做一个介绍：

1. 首先，代码先删除 Redis 中的缓存数据，以确保接下来的读操作会从数据库中读取到最新的数据。
2. 接着代码更新了数据库中的数据，将数据更新为最新的值
3. 在此之后，代码让当前线程睡眠一段时间，这个时间是为了给数据库操作足够的时间来完成，确保数据已经持久化到数据库中。
4. 最后，代码再次删除Redis中的缓存数据。这是缓存双删的关键步骤。由于之前已经删除了缓存数据，再次删除的目的是为了放置在 Thread.sleep(N)的时间内有其他线程读取到就得缓存数据。因为这段时间内，缓存数据已经被清空，所以其他线程在读取数据时会发现缓存中不存在，然后从数据库中读取最新的数据并写入缓存，从而保证了数据的一致性。

这就避免了并发产生的的脏数据，在这其中延伸出几个思考：

1、为什么选择删除缓存呢？

缓存中的数据可能不只是简单的一个字符串类型，还有可能是其他json串的。如果需要对其进行修改的话则需要进行序列化之后，再解析出其中的字段，把其修改之后再序列化，最后再更新到缓存之中。由此可知更新缓存的动作相比于直接删除缓存更加的复杂，页容易出错。

2、先写数据库还是先删缓存？

先写数据库：

因为数据库和缓存的 操作是两个不同的操作，所以没办法做到原子性，所以就有可能一个操作成功另外一个操作失败。把删除缓存放到第二步，如果失败了，会出现一个情况，那就是数据库的数据已经更新，但是缓存还是旧数据，导致数据不一致的问题。

另外在并发环境下，如果直接更新数据库而不删除缓存，会导致脏数据问题。考虑下面场景：

1. 线程A读取缓存中的旧数据
2. 线程B更新数据库中的数据，并删除缓存
3. 线程A继续使用缓存中的旧数据，因此此时他不知道缓存已经被删除。

先删缓存

如果是先删缓存后写数据库的话，那么第二步的失败还是可以接受的，以为这样不会有脏数据，没什么影响，只需要重试就好。

第二个好处就是：缓存删除的失败概率比较低，一般只有网络问题或者是缓存服务器宕机才出现，所以先删除缓存还是很有保障的。

先删缓存后写数据库这种方式，也会存在一个问题。我们先捋一下使用缓存后读线程的过程：

• 查询缓存，如果缓存中有值，则直接返回
• 查询数据库
• 把数据库中的查询结果更新到缓存之后

所以对于一个读线程来说，虽然不会写数据库，但是会更新缓存，所以在并发情况下会存在数据不一致的情况。

也就是说，假如一个读线程，在读缓存的时候没查询值就是到数据库中查询。但是如果在查到结果之后，更新缓存之前，数据库被另一个线程进来更新了，但是前面那个读线程是完全不知道的，那么就是导致最终缓存会被更新成一个“旧值”覆盖掉了。

虽然发生的概率比较低，但是还是有很低的概率发生，因为读的操作是比写操作要耗时的。一旦这种情况发生，后果也是比较严重的，那就是缓存中的值一旦是错的，就会导致后续所有的从缓冲中查询到的结果都是错的，所以为了进一步解决这种问题，那就是过几秒钟之后再删除一次缓存，就是一开始提到的延迟双删。

3、有第二次删除，第一次还有意义吗？

如果没有第一次删除，只保留第二次删除那么这个流程就变成了：

• 更新数据库
• 更新缓存

这个方案一旦删除缓存失败了会导致数据不一致的问题。

那如果延迟 双删的第二次删除不也一样有可能失败么？

的确，第二次删除也还是有失败的概率，但是比因为我们在延迟双删的方案中先做了一次删除，而延迟双删的第二次删除只为了 尝试解决  因为读写并发导致的不一致问题，或者说尽可能降低这种情况发生的概率。

如果没有第一次删除，只靠第二次删除，那么就不只是解决读写并发情况下不一致的问题了。即使没有并发，第二次只要删除失败，就会存在缓存不一致的问题，所以，第一次删除的目的就是降低不一致的发生概率。

 

因此，延迟双删策略只能在一定程度上提高数据一致性的概率，但不能完全解决数据一致性的问题。更加严格的数据一致性保证需要使用更复杂的机制，比如使用消息队列等。

 

4、先更新数据库后删除缓存 PK 延迟双删

方案	优点	缺点	实现复杂度	适用场景
先更新数据库后删除缓存	减少了一次删除缓存的开销	在数据库更新期间，读取请求可能读取到失效的缓存数据	简单	数据一致性要求较低、对性能要求较高的场景
延迟双删	保证了数据一致性，读取请求不会读取到失效的缓存数据	需要进行两次缓存删除操作，增加了一定的资源开销	复杂	数据一致性要求较高的场景，同时对性能影响有一定容忍度的场景