Memcached使用点滴

24cun_cn

　　我对于Memcached的接触，还是在去年看了CSDN的一系列国外大型网站架构设计而开始的。最初的时候只是简单的封装了Memcached Java版的客户端，主要是对于配置的简化以及Memcached多点备份作了一些工作，然后就作为ASF的组件一部分提供给其他Team使用。其实看过Memcached Java客户端代码的人就会了解其实客户端的事情很简单，就是要有一套高性能的Socket通信框架以及对Memcached的私有协议实现的接口，自己去做这些事情也是很简单的，不过既然有可以满足自己需求的开源部分，那么就去实现自己需要的但没有实现的。这里我用的是Whalin的客户端版本，这里为什么还要提出来讲这个，后面会提到。
　　在对Java客户端作了简单封装和扩展以后，由于其他Team使用的没有什么特殊需求，也就没有再去做太多的修改，直到最近自己的服务集成平台需要做服务访问控制，才重新丰富了Cache组件，也就是这个过程中对于Memcached的一些特性和小的细节有了一些新的认识。
　　作为服务集成平台需要对服务有所监控，包括访问频率控制以及访问次数控制。频率控制其实很类似于硬件方面的频率控制，例如硬件可以对IP的高频率访问视为***，列入黑名单。而作为服务的访问，对于服务访问者的控制其实涉及到了业务参数，那么硬件就不是很适合去做这方面的控制，为此我也考虑了很久，最开始打算在Apache上做一个模块控制，但是最后觉得还是放在后面的业务框架上做这件事情。当然后面我说说的方案可能并不好，但是也算是一种想法。要把频繁的访问数据记录下来同时分析，那么数据库肯定是不行的，最简单的方式就是采用Cache，又因为是集群范围内的控制，那么集中式Cache就非Memcached莫数了（分布式的Cache传播本身损耗太大，集中式Cache本来的最大缺点就是单点，但作简单的备份操作就可以基本解决此类问题）。
　　作为解决这个问题的方法来说只需要实现两部分工作：访问计数器，定时任务。定时任务在我做日志分析框架的时候都是采用了Jdk5的Concurrent包里面的ScheduledExecutorService，这个作简单的循环任务足够用了，同时也是有很好的多线程异步支持，复杂一点么用Quartz。计数器就要靠Memcached来实现了，本来一般的Cache最大的问题就是高并发下的事务保证，如果采用Get+Set来完成计数的话，那么高并发下计数器就会出现读写不一致性的问题，幸好Memcached提供了计数累加功能，让这种累加动作能够在服务端一次做好，服务端控制并发写入，保证数据的一致性。
　　下面就看看以下几个方法：
　　boolean storeCounter(String key, long count)：存储key的计数器，值为count。
　　long getCounter(String key)：获取key的计数器，如果不存在返回-1。
　　long addOrDecr(String key, long decr)：计数器值减去decr，如果计数器不存在，保存decr作为计数器值
　　long addOrIncr(String key, long inc)：计数器值增加inc，如果计数器不存在，保存inc作为计数器值
　　long decr(String key, long decr)：与addOrDecr不同的是在计数器不存在的时候不保存任何值，返回-1
　　long incr(String key, long inc) ：与addOrIncr不同的是在计数器不存在的时候不保存任何值，返回-1
　　这里需要说明几点：
　　storeCounter和普通的set方法不同，如果通过set方式置入key:value的话，getCounter等其他四个方法都认为技术器不存在。所以Counter的存储方式是和普通内容存储不同的。
　　在不同的场景要慎用addOrXXXX和XXXX的方法，两者还是有比较大的区别的。
　　计数器没有提供移除特殊方法，使用delete方法可以移除计数器，但是频繁的delete和addOrXXXX有时候会出现一些奇怪的问题（例如同名的计数器就没有办法再次被创建，不过这个还需要进一步的去研究一下看看）。一般情况下如果计数器的key不是很多，同时也会被复用，那么可以通过置为0或者减去已经分析过的数量来复位。
　　有上面的一套计数器机制就可以很方便的实现Memcached的计数功能，但是又一个问题出现了，如何让定时任务去遍历计数器，分析计数器是否到了阀值，触发创建黑名单记录的工作。早先我同事希望我能够提供封装好的keySet接口，但是我自己觉得其实作为Cache来说简单就是最重要的，Cache不需要去遍历。首先使用Cache的角色就应该知道Key，然后去Cache里面找，找不到就去后台例如DB里面去搜索，然后将搜索的结果在考虑更新到Cache里面，这样才是最高效并且最可靠的，Cache靠不住阿，随时都可能会丢失或者崩溃，因此作为类似于一级缓存或者这类数据完整性要求不高，性能要求很高的场景使用最合适。当时就没有提供这样的接口，直到今天自己需要了，才考虑如何去做这件事情。
　　开始考虑是否能够将key都记录在另外的Cache中或者是Memcached中，首先在高并发下更新操作就是一大问题，再者Memcached的内存分配回收机制以及Value的大小限制都不能满足这样的需求，如果使用数据库，那么频繁更新操作势必不可行，采用异步缓存刷新又有一个时间间隔期，同时更新也不是很方便。最后考虑如果能够让Memcached实现Keyset那么就是最好的解决方案，网上搜索了一下，找到一种策略，然后自己优化了一下，优化后的代码如下：
　　@SuppressWarnings("unchecked")
　　public Set keySet(int limit,boolean fast)
　　{
　　Set keys = new HashSet();
　　Map dumps = new HashMap();
　　Map slabs = getCacheClient().statsItems();
　　if (slabs != null && slabs.keySet() != null)
　　{
　　Iterator itemsItr = slabs.keySet().iterator();
　　while(itemsItr.hasNext())
　　{
　　String server = itemsItr.next().toString();
　　Map itemNames = (Map) slabs.get(server);
　　Iterator itemNameItr = itemNames.keySet().iterator();
　　while(itemNameItr.hasNext())
　　{
　　String itemName = itemNameItr.next().toString();
　　// itemAtt[0] = itemname
　　// itemAtt[1] = number
　　// itemAtt[2] = field
　　String[] itemAtt = itemName.split(":");
　　if (itemAtt[2].startsWith("number"))
　　dumps.put(itemAtt[1], Integer.parseInt(itemAtt[1]));
　　}
　　}
　　if (!dumps.values().isEmpty())
　　{
　　Iterator dumpIter = dumps.values().iterator();
　　while(dumpIter.hasNext())
　　{
　　int dump = dumpIter.next();
　　Map cacheDump = statsCacheDump(dump,limit);
　　Iterator entryIter = cacheDump.values().iterator();
　　while (entryIter.hasNext())
　　{
　　Map items = (Map)entryIter.next();
　　Iterator ks = items.keySet().iterator();
　　while(ks.hasNext())
　　{
　　String k = (String)ks.next();
　　try
　　{
　　k = URLDecoder.decode(k,"UTF-8");
　　}
　　catch(Exception ex)
　　{
　　Logger.error(ex);
　　}
　　if (k != null && !k.trim().equals(""))
　　{
　　if (fast)
　　keys.add(k);
　　else
　　if (containsKey(k))
　　keys.add(k);
　　}
　　}
　　}
　　}
　　}
　　}
　　return keys;
　　}
　　对于上面代码的了解需要从Memcached内存分配和回收机制开始，以前接触Memcached的时候只是了解，这部分代码写了以后就有些知道怎么回事了。Memcached为了提高内存的分配和回收效率，采用了slab和dump分区的概念。Memcached一大优势就是能够充分利用Memory资源，将同机器或者不同机器的Memcached服务端组合成为对客户端看似统一的存储空间，Memcached可以在一台机器上开多个端口作为服务端多个实例，也可以在多台机器上开多个服务实例，而slab就是Memcached的服务端。下面是我封装后的Cache配置：
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　10.2.225.210:13000,10.2.225.210:13001,10.2.225.210:13002
　　
　　
　　10.2.225.210:13000
　　
　　
　　10.2.225.210:13000
　　
　　
　　mclient1,mclient11