品味Spring Cache设计之美（三）

4 自定义二级缓存

4.1 应用场景

笔者曾经在原来的项目，高并发场景下多次使用多级缓存。多级缓存是一个非常有趣的功能点，值得我们去扩展。

多级缓存有如下优势：

1.离用户越近，速度越快；
2.减少分布式缓存查询频率，降低序列化和反序列化的CPU消耗；
3.大幅度减少网络IO以及带宽消耗。

进程内缓存做为一级缓存，分布式缓存做为二级缓存，首先从一级缓存中查询，若能查询到数据则直接返回，否则从二级缓存中查询，若二级缓存中可以查询到数据，则回填到一级缓存中，并返回数据。若二级缓存也查询不到，则从数据源中查询，将结果分别回填到一级缓存，二级缓存中。

来自《凤凰架构》缓存篇

Spring Cache并没有二级缓存的实现，我们可以实现一个简易的二级缓存DEMO，加深对技术的理解。

4.2 设计思路

1.MultiLevelCacheManager：多级缓存管理器；
2.MultiLevelChannel：封装Caffeine和RedissonClient；
3.MultiLevelCache：实现org.springframework.cache.Cache接口；
4.MultiLevelCacheConfig：配置缓存过期时间等；

MultiLevelCacheManager是最核心的类，需要实现getCache和getCacheNames两个接口。

创建多级缓存，第一级缓存是：Caffeine ,  第二级缓存是：Redisson。二级缓存，为了快速完成DEMO，我们使用Redisson对Spring Cache的扩展类RedissonCache 。它的底层是RMap，底层存储是Hash。我们重点看下缓存的「查询」和「存储」的方法：

@Override
public ValueWrapper get(Object key) {
    Object result = getRawResult(key);
    return toValueWrapper(result);
}

public Object getRawResult(Object key) {
    logger.info("从一级缓存查询key:" + key);
    Object result = localCache.getIfPresent(key);
    if (result != null) {
        return result;
    }
    logger.info("从二级缓存查询key:" + key);
    result = RedissonCache.getNativeCache().get(key);
    if (result != null) {
        localCache.put(key, result);
    }
    return result;
}

「查询」数据的流程：

1.先从本地缓存中查询数据，若能查询到，直接返回；
2.本地缓存查询不到数据，查询分布式缓存，若可以查询出来，回填到本地缓存，并返回；
3.若分布式缓存查询不到数据，则默认会执行被注解的方法。

下面来看下「存储」的代码：

public void put(Object key, Object value) {
    logger.info("写入一级缓存 key:" + key);
    localCache.put(key, value);
    logger.info("写入二级缓存 key:" + key);
    RedissonCache.put(key, value);
}

最后配置缓存管理器，原有的业务代码不变。执行下getUserById方法，查询用户编号为1的用户信息。

- 从一级缓存查询key:1
- 从二级缓存查询key:1
- ==> Preparing: select * FROM user t where t.id = ? 
- ==> Parameters: 1(Long)
- <== Total: 1
- 写入一级缓存 key:1
- 写入二级缓存 key:1

第二次执行相同的动作，从日志可用看到从优先会从本地内存中查询出结果。

- 从一级缓存查询key:1

等待30s ， 再执行一次，因为本地缓存会失效，所以执行的时候会查询二级缓存

- 从一级缓存查询key:1
- 从二级缓存查询key:1

一个简易的二级缓存就组装完了。

5 什么场景选择Spring Cache

在做技术选型的时候，需要针对场景选择不同的技术。

笔者认为Spring Cache的功能很强大，设计也非常优雅。特别适合缓存控制没有那么细致的场景。比如门户首页，偏静态展示页面，榜单等等。这些场景的特点是对数据实时性没有那么严格的要求，只需要将数据源缓存下来，过期之后自动刷新即可。这些场景下，Spring Cache就是神器，能大幅度提升研发效率。

但在高并发大数据量的场景下，精细的缓存颗粒度的控制上，还是需要做功能扩展。

1.多级缓存；
2.列表缓存；
3.缓存变更监听器；

笔者也在思考这几点的过程，研读了 j2cache , jetcache相关源码，受益匪浅。它们的设计思想很多可以用于扩展Spring Cache。后续的文章会重点分享下笔者的心得。