caffe使用教程_单反使用入门教程

全栈程序员站长

发布于 2022-11-15 17:50:41

1.4K0

发布于 2022-11-15 17:50:41

文章被收录于专栏：全栈程序员必看

《Caffeine入门使用》 -> 《Caffeine基础源码解析》 -> 《Caffeine 驱逐算法》

一、概况

就一般的互联网行业中的应用而言，目前比较通用的并且也是普遍存在的一个应用工作过程，如下图所示：用户从浏览器发出请求-网络转发-应用服务业务处理-底层存储信息获取，然后逆向的返回给用户，形成页面给予用户相应信息。

随着业务的上升，用户量的增加，访问量也会随之增加，如果是计算型的服务，那么对于服务器的计算能力是一个考验，如果是IO型的服务，那么频繁的从文件系统、数据库等磁盘文件获取信息会造成比较大的延时且压力也比较大。因为我们的服务资源是有限的，并且技术革新也不是很迅速，那么我们如何利用有限的服务资源支撑更大的吞吐量呢？业界内很常见的一个普遍方案就是引进缓存，将计算结果、磁盘文件结果信息缓存于内存之中，那么上图中每个环节都可以从缓存中直接获取所需信息，减少应用服务器的压力，也就是通过减少磁盘读取、数据计算等方式来快速获取所需结果，提高相应速度。

当我们提到缓存的时候，第一时间就会想到Redis、memcached缓存中间件，他们支持分布式的缓存，还有一种是基于单机内存的缓存方式，例如最简单的java中的局部变量、java中的ConcurrentHashMap、谷歌发布的Guava cache组件以及本文讲解的Caffeine cache，他们将缓存信息存储于应用本身的内存之中，业务可以缓存组件的API去操作内存中的缓存数据。

简介

Caffeine是一款基于jdk8实现的缓存工具，在设计上参考了google的Guava cach组件，可以理解为是一个GuavaCache的加强版本，性能也是在其基础上有了提升。

Caffeine cache的作者是Ben manes，可以通过他的github：github.com/ben-manes来查看组件的源码，并且他还编写了ConcurrentLinkedHashMap工具类，也被用于缓存的底层数据结构，比如：这个类就是Guava cache的基础。我们知道Guava cache是基于LRU算法实现的一种缓存工具，LRU算法的缺点是短暂持续性冷数据流量会导致热数据的淘汰，造成数据的污染。而Caffeine cache采用了在LRU基础上的W-TinyLFU算法实现，有比较好的命中率。

优点

Caffeine淘汰算法：使用基于W-TinyLFU算法，实现几乎完美的命中率；

FIFO：实现简单，类似于队列，先进先出，因此缓存命中率不是很高。
LRU：最近最久未使用算法（Least Recently Used）如果一个数据在一段时间内没有被访问，那么我们认为后面被访问的概率也很小。当我们添加新数据的时候，会把新数据放到队尾（假设新数据最大概率被再次访问），当我们长度到达阈值需要淘汰数据的时候，会从队首进行淘汰。这种算法造成缓存污染的概率会大些，比如现在有一些较少数据突增流量，但是后面不在访问，那么此时已经将热数据淘汰出去了，而缓存的数据后面也几乎不被访问。
LFU：最近最少使用算法（Least Frequently Used）如果一个数据在一段时间内访问的频率很小，那么认为后面被访问的几率也很小，所以淘汰访问频率最少的数据；该算法可以处理LRU因为冷数据突增带来的缓存污染问题。存在的问题是数据访问模式如果改变，这种算法命中率会下降，并且需要额外的空间存储信息频率。
W-TinyLFU：记录了近期访问记录的频率信息，不满足的记录不会进入到缓存。使用Count-Min Sketch算法记录访问记录的频率信息。依靠衰减操作，来尽可能的支持数据访问模式的变化。

该算法和布隆过滤器有着相似的原理，通过多个哈希函数和位的标志来表示一个结果，可以通过结合布隆过滤器一起理解这个算法。一些常用的页面置换算法可参考文章《缓存算法》

适用场景

因为Caffeine cache是类似于Guava cache的一种内存缓存，所以适合单机的数据缓存；因为存储在内存的，没有持久化，因此适合一些短期或者启动以及结果信息的短暂缓存。当涉及到多机多服务的缓存时候，属于分布式缓存的范畴，可以使用Redis、memcached等分布式的缓存组件。

二、使用

因为是基于Guava cache实现的，因此二者的API大体是类似的，使用Guava cache的开发者可以很快熟练使用Caffeine cache。

坐标

目前Caffeine的最新版是2.8.5版本，本文使用的是2.8.0版本

<dependency>
    <groupId>com.github.ben-manes.caffeine</groupId>
    <artifactId>caffeine</artifactId>
    <version>2.8.0</version>
</dependency>

Jetbrains全家桶1年46，售后保障稳定

缓存填充策略

缓存的填充方式有三种，手动、同步和异步，下面分别简单介绍下每种方式使用的API：

手动加载：手动控制缓存的增删改处理，主动增加、获取以及依据函数式更新缓存；底层使用ConcurrentHashMap进行节点存储，因此get()方法是安全的。批量查找可以使用getAllPresent()方法或者带填充默认值的getAll()方法。

    /** * 手动填充测试 */
public void cacheTest(String k) { 

Cache<String, String> cache = Caffeine.newBuilder()
.maximumSize(100)
.expireAfterAccess(100L, TimeUnit.SECONDS)
.build();
cache.put("c1", "c1");
//获取缓存值，如果为空，返回null
log.info("cacheTest present： [{}] -> [{}]", k, cache.getIfPresent(k));
//获取返回值，如果为空，则运行后面表达式，存入该缓存
log.info("cacheTest default： [{}] -> [{}]", k, cache.get(k, this::buildLoader));
log.info("cacheTest present： [{}] -> [{}]", k, cache.getIfPresent(k));
//清除缓存
cache.invalidate(k);
log.info("cacheTest present： [{}] -> [{}]", k, cache.getIfPresent(k));
}
private String buildLoader(String k) { 

return k + "+default";
}

同步加载：LoadingCache对象进行缓存的操作，使用CacheLoader进行缓存存储管理。批量查找可以使用getAll()方法。默认情况下，getAll()将会对缓存中没有值的key分别调用CacheLoader.load方法来构建缓存的值（build中的表达式）。我们可以重写CacheLoader.loadAll方法来提高getAll()的效率。

    /** * 同步填充测试 */
public void loadingCacheTest(String k) { 

//同步填充在build方法指定表达式
LoadingCache<String, String> loadingCache = Caffeine.newBuilder()
.maximumSize(100)
.expireAfterAccess(100L, TimeUnit.SECONDS)
.build(this::buildLoader);
loadingCache.put("c1", "c1");
log.info("loadingCacheTest get： [{}] -> [{}]", k, loadingCache.get(k));
//获取缓存值，如果为空，返回null
log.info("loadingCacheTest present： [{}] -> [{}]", k, loadingCache.getIfPresent(k));
//获取返回值，如果为空，则运行后面表达式，存入该缓存
log.info("loadingCacheTest default： [{}] -> [{}]", k, loadingCache.get(k, this::buildLoader));
log.info("loadingCacheTest present： [{}] -> [{}]", k, loadingCache.getIfPresent(k));
loadingCache.invalidate(k);
log.info("loadingCacheTest present： [{}] -> [{}]", k, loadingCache.getIfPresent(k));
}
private String buildLoader(String k) { 

return k + "+default";
}

异步加载： 自动异步加载： AsyncLoadingCache对象进行缓存管理，get()返回一个CompletableFuture对象，默认使用ForkJoinPool.commonPool()来执行异步线程，但是我们可以通过Caffeine.executor(Executor) 方法来替换线程池。

    /** * 异步填充测试 */
public void asyncLoadingCacheTest(String k) throws ExecutionException, InterruptedException { 

//异步加载使用Executor去调用方法并返回一个CompletableFuture。异步加载缓存使用了响应式编程模型。
//
//如果要以同步方式调用时，应提供CacheLoader。要以异步表示时，应该提供一个AsyncCacheLoader，并返回一个CompletableFuture。
AsyncLoadingCache<String, String> asyncLoadingCache = Caffeine.newBuilder()
.maximumSize(100)
.expireAfterAccess(100L, TimeUnit.SECONDS)
.buildAsync(s -> this.buildLoaderAsync("123").get());
log.info("asyncLoadingCacheTest get： [{}] -> [{}]", k, asyncLoadingCache.get(k).get());
//获取返回值，如果为空，则运行后面表达式，存入该缓存
log.info("asyncLoadingCacheTest default： [{}] -> [{}]", k, asyncLoadingCache.get(k, this::buildLoader).get());
}
private CompletableFuture<String> buildLoaderAsync(String k) { 

return CompletableFuture.supplyAsync(() -> k + "+buildLoaderAsync");
}

手动异步加载：

    /** * 手动异步测试 */
public void asyncManualCacheTest(String k) throws ExecutionException, InterruptedException { 

//异步加载使用Executor去调用方法并返回一个CompletableFuture。异步加载缓存使用了响应式编程模型。
//
//如果要以同步方式调用时，应提供CacheLoader。要以异步表示时，应该提供一个AsyncCacheLoader，并返回一个CompletableFuture。
AsyncCache<String, String> asyncCache = Caffeine.newBuilder()
.maximumSize(100)
.expireAfterAccess(100L, TimeUnit.SECONDS)
.buildAsync();
//获取返回值，如果为空，则运行后面表达式，存入该缓存
log.info("asyncManualCacheTest default： [{}] -> [{}]", k, asyncCache.get(k, this::buildLoader).get());
}

过期策略

Caffeine的缓存清除是惰性的，可能发生在读请求后或者写请求后，比如说有一条数据过期后，不会立即删除，可能在下一次读/写操作后触发删除（类比于redis的惰性删除）。如果读请求和写请求比较少，但想要尽快的删掉cache中过期的数据的话，可以通过增加定时器的方法，定时执行cache.cleanUp()方法（异步方法，可以等待执行），触发缓存清除操作。

基于大小过期：当缓存超出后，使用W-TinyLFU算法进行缓存淘汰处理

基于缓存条目过期 maximumSize()方法，参数是缓存中存储的最大缓存条目，当添加缓存时达到条目阈值后，将进行缓存淘汰操作

    /** * 淘汰策略-size */
public void sizeTest() { 

LoadingCache<String, String> loadingCache = Caffeine.newBuilder()
.maximumSize(1)
.build(this::buildLoader);
List<String> list = Lists.newArrayList("c1", "c2", "c3");
loadingCache.put(list.get(0), list.get(0));
log.info("weightTest get： [{}] -> [{}]", list.get(0), loadingCache.get(list.get(0)));
loadingCache.put(list.get(1), list.get(1));
log.info("weightTest get： [{}] -> [{}]", list.get(1), loadingCache.get(list.get(1)));
loadingCache.put(list.get(2), list.get(2));
log.info("weightTest get： [{}] -> [{}]", list.get(2), loadingCache.get(list.get(2)));
log.info("weightTest cache map：{}", loadingCache.getAll(list));
}

基于权重过期：权重大小不会决定缓存满时清楚的优先级 weigher()方法可以指定缓存所占比重，maximumWeight()方法指定最大的权重阈值，当添加缓存超过规定权重后，进行数据淘汰

    /** * 淘汰策略-weight */
public void weightTest() { 

LoadingCache<String, String> loadingCache = Caffeine.newBuilder()
.maximumWeight(10)
.weigher((key, value) -> 5)
.build(this::buildLoader);
List<String> list = Lists.newArrayList("c1", "c2", "c3");
loadingCache.put(list.get(0), list.get(0));
log.info("weightTest get： [{}] -> [{}]", list.get(0), loadingCache.get(list.get(0)));
loadingCache.put(list.get(1), list.get(1));
log.info("weightTest get： [{}] -> [{}]", list.get(1), loadingCache.get(list.get(1)));
log.info("weightTest cache map：{}", loadingCache.getAll(list));
}

基于时间过期

expireAfterAccess()：缓存访问后，一定时间失效；即最后一次访问或者写入开始时计时。
expireAfterWrite()：缓存写入后，一定时间失效；以写入缓存操作为准计时。
expireAfter()：自定义缓存策略，满足多样化的过期时间要求。

    /** * 淘汰策略-time */
public void timeTest() { 

//1.缓存访问后，一定时间后失效
LoadingCache<String, String> loadingCacheOne = Caffeine.newBuilder()
.expireAfterAccess(10L, TimeUnit.SECONDS)
.build(this::buildLoader);
//2.缓存写入后，一定时间后失效
LoadingCache<String, String> loadingCacheTwo = Caffeine.newBuilder()
.expireAfterWrite(10L, TimeUnit.SECONDS)
.build(this::buildLoader);
//3.自定义过期策略
LoadingCache<String, String> loadingCacheThree = Caffeine.newBuilder()
.expireAfter(new Expiry<Object, Object>() { 

@Override
public long expireAfterCreate(@NonNull Object o, @NonNull Object o2, long l) { 

return 0;
}
@Override
public long expireAfterUpdate(@NonNull Object o, @NonNull Object o2, long l, @NonNegative long l1) { 

return 0;
}
@Override
public long expireAfterRead(@NonNull Object o, @NonNull Object o2, long l, @NonNegative long l1) { 

return 0;
}
})
.build(this::buildLoader);
}

基于引用过期

引用名称	垃圾回收时机	用途	生存周期
强引用（Strong Reference）	不回收	正常普遍的类别	JVM停止运行
软引用（soft Reference）	内存不足回收	缓存对象	内存不足时
弱引用（weak Reference）	下一次GC回收	缓存对象	GC之后
虚引用（Phantom Reference）	随时回收，引用虚设	通知功能	随时回收
下面展示了API使用方式：

    /** * 淘汰策略-引用 */
public void referenceTest() { 

//1.弱引用弱key方式，没有强引用时，回收
LoadingCache<String, String> loadingCacheOne = Caffeine.newBuilder()
.weakKeys()
.weakValues()
.build(this::buildLoader);
//2.软值引用，内存不足的时候回收
LoadingCache<String, String> loadingCacheTwo = Caffeine.newBuilder()
.softValues()
.build(this::buildLoader);
}

Caffeine.weakKeys()：使用弱引用存储key，当没有其他的强引用时，则会被垃圾回收器回收；
Caffeine.weakValues()：使用弱引用存储value，当没有其他的强引用时，则会被垃圾回收器回收；
Caffeine.softValues()：使用软引用存储key，当没有其他的强引用时，内存不足的时候会被回收；注：Weak or soft values can not be combined with AsyncCache

手动删除

Caffeine中提供了手动进行缓存的删除，无需等待我们上面提到的被动的一些删除策略，使用方法如下：

    cacheOne.invalidateAll();
cacheOne.invalidate(Object o);
cacheOne.invalidateAll(List);

事件监听

移除事件RemovalListener是一种缓存监听事件，当key被移除的时候就会触发这个方法，可以进行一些相关联的操作。RemovalListener可以获取到key、value和RemovalCause（删除的原因）。另外RemovalListener中操作是线程池异步执行的。

    /** * 移除监听器 */
public void removeTest() throws InterruptedException { 

Cache<String, String> cacheOne = Caffeine.newBuilder()
.maximumSize(1)
.removalListener(
(o, o2, removalCause) -> 
System.out.println(o + " is " + "remove" + " reason is " + removalCause.name()))
.build();
}

外部存储

CacheWriter是实现Caffeine cache的实现外部资源操作的一种方式，所有缓存的读写可以通过CacheWriter进行传递，比如我们可以通过CacheWriter的实现方法进行第三方外部资源的操作。一方面这个组件可以代替上面提到的RemovalListener移除事件监听，不同之处在于这个是同步执行的，且是一个原子操作，写入缓存完成之前会阻塞后续更新缓存的操作，但是读缓存不会阻塞；另一方面，可以当作是维持和外部资源的一个纽带，进行外部资源关联使用。

    /** * writer */
public void writerTest() { 

Cache<String, String> cacheOne = Caffeine.newBuilder()
.maximumSize(1)
.writer(new CacheWriter<Object, Object>() { 

@Override
public void write(@NonNull Object o, @NonNull Object o2) { 

System.out.printf("key: %s is write , value: %s", o, o2);
}
@Override
public void delete(@NonNull Object o, @Nullable Object o2, @NonNull RemovalCause removalCause) { 

System.out.printf("key: %s is delete , value: %s , reason is %s", o, o2, removalCause.name());
}
})
.build();
cacheOne.put("k1", "v1");
System.out.printf("key: %s , value: %s", "k1", cacheOne.getIfPresent("k1"));
cacheOne.put("k2", "v2");
System.out.printf("key: %s , value: %s", "k1", cacheOne.getAllPresent(Lists.newArrayList("k1", "k2")));
}

Springboot集成

spring从3的版本开始支持Cache的处理，使用方式也是按照传统方向提供两种，基于注解和基于xml配置文件的方式，其操作纬度为方法或类，比如将注解@Cacheable按要求配置到一个方法上，会构造出一个k-v的缓存信息，k是入参相关，value就是方法的返回值，当请求到这个方法上，先去缓存获取，有则直接返回，无则执行流程然后返回且存入缓存。还有一些其他的注解，例如：@CachePut、@CacheEvict等。

Springboot中的spring cache是可以直接整合Caffeine cache的，配置的步骤大概就是：

声明spring对cache的支持
方法配置缓存使用

注解方式

yml文件配置：

spring:
cache:
type: caffeine
cache-names:
- caffeineTestOne
- caffeineTestTwo
caffeine:
spec: maximumSize=500

在启动类加注解：@EnableCaching，表示开始缓存功能

@EnableCaching
@EnableOpenApi
@SpringBootApplication
@ComponentScan(basePackages = "com.ldy")
public class DemoApplication { 

public static void main(String[] args) { 

SpringApplication.run(DemoApplication.class, args);
}
}

在想要缓存的方法和参数上使用注解：@Cacheable(value = “caffeineTestOne”)（value指定了caffeine）

    @Cacheable(value = "caffeineTestOne")
public String getKey(String key) { 

log.info("本次从逻辑获取 key=[{}]", key);
return key;
}

执行第一次显示日志，表示从逻辑中获取，后面的同参数请求就没日志打印了，表示走的是Caffeine缓存。

配置文件的方式比较死板，这里不做演示，感兴趣的可以自己在本地尝试下。

三、参考文档

[1]：源码 github.com/ben-manes [2]：https://tech.meituan.com/2017/03/17/cache-about.html

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/226764.html原文链接：https://javaforall.cn

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2022年10月30日，如有侵权请联系 cloudcommunity@tencent.com 删除

memcached

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度