news 2026/3/12 18:29:05

从Redis的优缺点开始说说3个常见的面试题

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
从Redis的优缺点开始说说3个常见的面试题

Redis的优缺点

Redis是Key-Value数据库也是内存数据库,数据都存储在内存中,和Redis一样的还有Memcached数据库,都是定期的将数据刷新到硬盘中。

Redis的性能很高,读的速度可以达到110000次/s,写的速度可以达到81000次/s,单个Key和Value能存储最大512MB大小的数据,这个在官方文档是有相关说明的,但是通常建议Key的大小不超过1kb。

而Memcached的Key最长为250字节,Value最大存储数据为1MB,如果超过1MBget/set都是false,并且会引起性能问题。

  • 第一个红框:建议key的大小不超过1kb;

  • 第二个红框:key最大能存储512MB的数据。

  • 红框内容:value最大能存储512MB的数据。

同时,Redis相比如Memcached支持的数据结构更多,有set、string、zset、hash、list五种,且可以设置过期时间。

Redis的过期策略是:定期删除和惰性删除,定期删除是每隔100ms就随机抽取设置了过期时间的key,如果过期了就删除,惰性删除是用到了这个key检测一下过期时间,过期了就删除,Memcached只有惰性删除。

缺点:因为Redis是内存数据库,所以容量受到物理内存的限制,如果是大量数据操作要进行优化,升级CPU内存,或者切片集群。

面试题详解

内存

为什么把数据放到内存中?

普通数据库在操作的时候,都是在硬盘内操作,相对于内存来讲,非常慢,所以放在了内存。

  • 优点:数据保存快;

  • 缺点:数据不能长久保存。

如果想数据库IO操作快的话,就要把数据放入到内存中,再把数据以异步的方式存到硬盘中,所以,Redis就有了快速操作和硬盘持久化的特征。

如果不把数据放入内存,IO操作就会很慢,所以Redis是比较依赖于内存的,目前内存越来越便宜,Redis的使用可能会更加常态化。

如果Redis设置了内存使用数,一旦记录数到了上限之后就写不进去了,也是Redis的一个很大的问题。

持久化

Redis有持久化特征,那么Redis的持久化是怎么实现的?

Redis提供了两种持久化机制,分别是RDB和AOF:

  • RDB是把内存中的数据以快照的形式写入到磁盘中,实际操作是通过fork子进程执行,采用二进制压缩存储,是对Redis中的数据执行周期性的持久化;

  • AOF是写后日志,是以文本日志的形式记录Redis处理的每一个写入或删除操作。

key

假如Redis里面有10亿个key,其中十万个key是以某个前缀开头的,怎么找出来?

直接使用keys,指定模式就可以了,使用keys命令的时间复杂度为O(N),N为数据库中拥有keys的个数,需要注意的是,如果是生产环境下进行大规模查询,不能使用keys命令。

因为Redis是单线程的,在大数据量的情况下,使用keys会造成线程的阻塞,线上服务的卡顿,如果是在线上环境的话,可以使用scan指令。

可以无阻塞的去获取,但是可能会有部分重复数据,需要后续给他做个去重操作,但是这个指令的执行时间要比keys长一些。

感谢每一个认真阅读我文章的人,礼尚往来总是要有的,虽然不是什么很值钱的东西,如果你用得到的话可以直接拿走:

这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你!有需要的小伙伴可以点击下方小卡片领取

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/3/10 15:20:31

Z-Image-Turbo知乎回答插图生成规范建议

Z-Image-Turbo知乎回答插图生成规范建议 背景与目标:为高质量内容创作提供视觉支持 在知乎等知识分享平台,图文并茂的回答显著提升信息传达效率和用户阅读体验。阿里通义推出的 Z-Image-Turbo WebUI 是一款基于扩散模型的AI图像快速生成工具&#xff0…

作者头像 李华
网站建设 2026/3/11 23:36:52

阿里MGeo模型性能对比:中文地址相似度识别准确率超传统方法35%

阿里MGeo模型性能对比:中文地址相似度识别准确率超传统方法35% 背景与挑战:中文地址匹配为何如此困难? 在电商、物流、地图服务等场景中,地址相似度识别是实现“实体对齐”的关键环节。例如,用户输入的“北京市朝阳区…

作者头像 李华
网站建设 2026/3/11 23:36:49

emupedia技术参考:M2FP作为计算机视觉模块的典型应用

emupedia技术参考:M2FP作为计算机视觉模块的典型应用 🧩 M2FP 多人人体解析服务:从模型到落地的完整实践 在当前计算机视觉领域,语义分割正逐步从“识别物体”迈向“理解人体结构”的精细化阶段。尤其在虚拟试衣、智能安防、AR互动…

作者头像 李华
网站建设 2026/3/11 7:49:27

对比DeepLabV3+:M2FP在多人场景F1-score高出15%

对比DeepLabV3:M2FP在多人场景F1-score高出15% 📌 背景与挑战:传统语义分割在人体解析中的局限 在计算机视觉领域,人体解析(Human Parsing) 是一项细粒度的语义分割任务,目标是将人体分解为多个…

作者头像 李华
网站建设 2026/3/11 23:36:45

无需CUDA也能玩转AI:M2FP证明CPU推理的实用边界

无需CUDA也能玩转AI:M2FP证明CPU推理的实用边界 📌 引言:当AI落地遇上无GPU环境 在AI应用快速普及的今天,GPU算力似乎成了深度学习服务的标配。然而,在实际生产环境中,大量边缘设备、本地开发机或低成本部…

作者头像 李华
网站建设 2026/3/11 23:36:43

基于MGeo的地址动态权重分配机制探索

基于MGeo的地址动态权重分配机制探索 在中文地址数据处理中,实体对齐是构建高质量地理信息系统的基石。由于中文地址表述存在高度多样性——如“北京市朝阳区建国门外大街1号”与“北京朝阳建国路1号”虽指向同一位置,但字面差异显著——传统基于字符串匹…

作者头像 李华