一、什么是bigkey
在Redis中，一个字符串最大512MB，一个二级数据结构（例如hash、list、set、zset）可以存储大约40亿个(2^32-1)个元素，但实际上中如果下面两种情况，我就会认为它是bigkey。
- 字符串类型：它的big体现在单个value值很大，一般认为超过10KB就是bigkey。
- 非字符串类型：哈希、列表、集合、有序集合，它们的big体现在元素个数太多。
二、危害
bigkey可以说就是Redis的老鼠屎，具体表现在：
1.内存空间不均匀
这样会不利于集群对内存的统一管理，存在丢失数据的隐患。
2.超时阻塞
由于Redis单线程的特性，操作bigkey的通常比较耗时，也就意味着阻塞Redis可能性越大，这样会造成客户端阻塞或者引起故障切换，它们通常出现在慢查询中。
例如，在Redis发现了这样的key，你就等着DBA找你吧。
`127.0.0.1:6379> hlen big:hash(integer)`
`2000000127.0.0.1:6379> hgetall big:hash`
`1) "a"`
`2) "1"`
3.网络拥塞
bigkey也就意味着每次获取要产生的网络流量较大，假设一个bigkey为1MB，客户端每秒访问量为1000，那么每秒产生1000MB的流量，对于普通的千兆网卡(按照字节算是128MB/s)的服务器来说简直是灭顶之灾，而且一般服务器会采用单机多实例的方式来部署，也就是说一个bigkey可能会对其他实例造成影响，其后果不堪设想。
4.过期删除
有个bigkey，它安分守己（只执行简单的命令，例如hget、lpop、zscore等），但它设置了过期时间，当它过期后，会被删除，如果没有使用Redis 4.0的过期异步删除(lazyfree-lazy-expire yes)，就会存在阻塞Redis的可能性，而且这个过期删除不会从主节点的慢查询发现（因为这个删除不是客户端产生的，是内部循环事件，可以从latency命令中获取或者从slave节点慢查询发现）。
5.迁移困难
当需要对bigkey进行迁移（例如Redis cluster的迁移slot），实际上是通过migrate命令来完成的，migrate实际上是通过dump + restore + del三个命令组合成原子命令完成，如果是bigkey，可能会使迁移失败，而且较慢的migrate会阻塞Redis。
三、怎么产生的？
一般来说，bigkey的产生都是由于程序设计不当，或者对于数据规模预料不清楚造成的，来看几个：
(1) 社交类：粉丝列表，如果某些明星或者大v不精心设计下，必是bigkey。
(2) 统计类：例如按天存储某项功能或者网站的用户集合，除非没几个人用，否则必是bigkey。
(3) 缓存类：将数据从数据库load出来序列化放到Redis里，这个方式非常常用，但有两个地方需要注意:
- 第一，是不是有必要把所有字段都缓存
- 第二，有没有相关关联的数据
例如遇到过一个例子，该同学将某明星一个专辑下所有视频信息都缓存一个巨大的json中，造成这个json达到6MB，后来这个明星发了一个官宣
四、如何发现
1. redis-cli --bigkeys
redis-cli提供了--bigkeys来查找bigkey，例如下面就是一次执行结果：
`
-------- summary ------- `
2.
`Biggest string found 'user:1' has 5 bytes`
3.
`Biggest list found 'taskflow:175448' has 97478 items`
4.
`Biggest set found 'redisServerSelect:set:11597' has 49 members`
5.
`Biggest hash found 'loginUser:t:20180905' has 863 fields`
6.
`Biggest zset found 'hotkey:scan:instance:zset' has 3431 members`
7.
`40 strings with 200 bytes (00.00% of keys, avg size 5.00)`
8.
`2747619 lists with 14680289 items (99.86% of keys, avg size 5.34)`
9.
`2855 sets with 10305 members (00.10% of keys, avg size 3.61)`
10.
`13 hashs with 2433 fields (00.00% of keys, avg size 187.15)`
11.
`830 zsets with 14098 members (00.03% of keys, avg size 16.99)`
可以看到--bigkeys给出了每种数据结构的top 1 bigkey，同时给出了每种数据类型的键值个数以及平均大小。
bigkeys对问题的排查非常方便，但是在使用它时候也有几点需要注意:
- 建议在从节点执行，因为--bigkeys也是通过scan完成的。
- 建议在节点本机执行，这样可以减少网络开销。
- 如果没有从节点，可以使用--i参数，例如(--i 0.1 代表100毫秒执行一次)
- --bigkeys只能计算每种数据结构的top1，如果有些数据结构非常多的bigkey，也搞不定，毕竟不是自己写的东西嘛
- debug object
再来看一个场景：
你好，麻烦帮我查一下Redis里大于10KB的所有key
您好，帮忙查一下Redis中长度大于5000的hash key
是不是发现用--bigkeys不行了（当然如果改源码也不是太难），但有没有更快捷的方法，Redis提供了debug object ${key}命令获取键值的相关信息：
`127.0.0.1:6379> hlen big:hash`
`(integer) 5000000`
`127.0.0.1:6379> debug object big:hash`
`Value at:0x7fda95b0cb20 refcount:1 encoding:hashtable serializedlength:87777785 lru:9625559 lru_seconds_idle:2`
`(1.08s)`
其中serializedlength表示key对应的value序列化之后的字节数，当然如果是字符串类型，完全看可以执行strlen，例如：
`127.0.0.1:6379> strlen key`
`(integer) 947394`
这样你就可以用scan + debug object的方式遍历Redis所有的键值，找到你需要阈值的数据了。
但是在使用debug object时候一定要注意以下几点：
- debug object bigkey本身可能就会比较慢，它本身就会存在阻塞Redis的可能
- 建议在从节点执行
- 建议在节点本地执行
- 如果不关系具体字节数，完全可以使用scan + strlen|hlen|llen|scard|zcard替代，他们都是o(1)
3. memory usage
上面的debug object可能会比较危险、而且不太准确（序列化后的长度），有没有更准确的呢？Redis 4.0开始提供memory usage命令可以计算每个键值的字节数（自身、以及相关指针开销，具体的细节可查阅相关文章），例如下面是一次执行结果：
`127.0.0.1:6379> memory usage big:hash`
`(integer) 318663444`
下面我们来对比就可以看出来，当前系统就一个key，总内存消耗是400MB左右，memory usage相比debug object还是要精确一些的。
`127.0.0.1:6379> dbsize`
`(integer) 1`
`127.0.0.1:6379> hlen big:hash`
`(integer) 5000000`
`#约300MB`
`127.0.0.1:6379> memory usage big:hash`
`(integer) 318663444`
`#约85MB`
`127.0.0.1:6379> debug object big:hash`
`Value at:0x7fda95b0cb20 refcount:1 encoding:hashtable serializedlength:87777785 lru:9625814 lru_seconds_idle:9`
`(1.06s)`
`127.0.0.1:6379> info memory`
`# Memory`
`used_memory_human:402.16M`
如果你使用Redis 4.0+，你就可以用scan + memory usage(pipeline)了，而且很好的一点是,memory不会执行很慢，当然依然是建议从节点 + 本地 。
4. 客户端
上面三种方式都有一个问题，就是马后炮，如果想很实时的找到bigkey，一方面你可以试试修改Redis源码，还有一种方式就是可以修改客户端，以jedis为例，可以在关键的出入口加上对应的检测机制，例如以Jedis的获取结果为例子：
`protected Object readProtocolWithCheckingBroken() {`
`Object o = null;`
`try {`
`o = Protocol.read(inputStream); return o;`
`}catch(JedisConnectionException exc) {`
`UsefulDataCollector.collectException(exc, getHostPort(), System.currentTimeMillis()); broken = true;`
`throw exc;`
`}finally {`
`if(o != null) {`
`if(o instanceof byte[]) {`
`byte[] bytes = (byte[]) o;`
`if (bytes.length > threshold) {`
`
// 做很多事情，例如用ELK完成收集和展示 `
14.
`}`
15.
`}`
16.
`}`
17.
`}`
18.
`}`
5. 监控报警
bigkey的大操作，通常会引起客户端输入或者输出缓冲区的异常，Redis提供了info clients里面包含的客户端输入缓冲区的字节数以及输出缓冲区的队列长度，可以重点关注下：
如果想知道具体的客户端，可以使用client list命令来查找
`redis-cli client list`
`id=3 addr=127.0.0.1:58500 fd=8 name= age=3978 idle=25 flags=N db=0 sub=0 psub=0 multi=-1 qbuf=0 qbuf-free=0 obl=0 oll=0 omem=26263554 events=r cmd=hgetall`
6. 改源码
这个其实也是能做的，但是各方面成本比较高，对于一般公司来说不适用。
建议的最佳实践：
- Redis端与客户端相结合：--bigkeys临时用、scan长期做排除隐患（尽可能本地化）、客户端实时监控。
- 监控报警要跟上
- debug object尽量少用
- 所有数据平台化
- 要和开发同学强调bigkey的危害
五、如何删除
如果发现了bigkey，而且确认是垃圾是不是直接del就可以了，来看一组数据：
可以看到对于string类型，删除速度还是可以接受的。但对于二级数据结构，随着元素个数的增长以及每个元素字节数的增大，删除速度会越来越慢，存在阻塞Redis的隐患。所以在删除它们时候建议采用渐进式的方式来完成：hscan、ltrim、sscan、zscan。
如果你使用Redis 4.0+，一条异步删除unlink就解决，就可以忽略下面内容。
1. 字符串
一般来说，对于string类型使用del命令不会产生阻塞。
del bigkey
2. hash
使用hscan命令，每次获取部分(例如100个)field-value，在利用hdel删除每个field(为了快速可以使用pipeline)。
`public void delBigHash(String bigKey) {`
`Jedis jedis = new Jedis("127.0.0.1", 6379);`
`
// 游标 `
4.
`String cursor = "0";`
5.
`while(true) {`
6.
`ScanResult<Map.Entry<String, String>> scanResult = jedis.hscan(bigKey, cursor, new ScanParams().count(100));`
7.
` // 每次扫描后获取新的游标 `
8.
`cursor = scanResult.getStringCursor(); // 获取扫描结果 `
9.
`List<Entry<String, String>> list = scanResult.getResult(); if(list == null || list.size() == 0) {`
10.
`continue; } String[] fields = getFieldsFrom(list); // 删除多个field `
11.
`jedis.hdel(bigKey, fields); // 游标为0时停止 `
12.
`if(cursor.equals("0")) {`
13.
`break;`
14.
`} } // 最终删除key `
15.
`jedis.del(bigKey);`
16.
`}`
17.
` /** `
18.
` * 获取field数组 */ `
19.
`private String[] getFieldsFrom(List<Entry<String, String>> list) {`
20.
`List<String> fields = new ArrayList<String>();`
21.
`for (Entry<String, String> entry : list) {`
22.
`fields.add(entry.getKey());`
23.
`}`
24.
`return fields.toArray(new String[fields.size()]);`
25.
`}`
3. list
Redis并没有提供lscan这样的API来遍历列表类型，但是提供了ltrim这样的命令可以渐进式的删除列表元素，直到把列表删除。
`public void delBigList(String bigKey) {`
`Jedis jedis = new Jedis("127.0.0.1", 6379);`
`long llen = jedis.llen(bigKey);`
`int counter = 0;`
`int left = 100;`
`while(counter < llen) {`
`
// 每次从左侧截掉100个 `
8.
`jedis.ltrim(bigKey, left, llen);`
9.
`counter += left;`
10.
`}`
11.
` // 最终删除key `
12.
`jedis.del(bigKey);`
13.
`}`
4. set
使用sscan命令，每次获取部分(例如100个)元素，在利用srem删除每个元素。
`public void delBigSet(String bigKey) {`
`Jedis jedis = new Jedis("127.0.0.1", 6379);`
`
// 游标 `
4.
`String cursor = "0";`
5.
`while(true) {`
6.
`ScanResult<String> scanResult = jedis.sscan(bigKey, cursor, new ScanParams().count(100));`
7.
` // 每次扫描后获取新的游标 `
8.
`cursor = scanResult.getStringCursor(); // 获取扫描结果 `
9.
`List<String> list = scanResult.getResult(); if(list == null || list.size() == 0) {`
10.
`continue;`
11.
`} jedis.srem(bigKey, list.toArray(new String[list.size()]));`
12.
` // 游标为0时停止 `
13.
`if(cursor.equals("0")) {`
14.
`break;`
15.
`} } // 最终删除key `
16.
`jedis.del(bigKey);}`
5. sorted set
使用zscan命令，每次获取部分(例如100个)元素，在利用zremrangebyrank删除元素。
`public void delBigSortedSet(String bigKey) {`
`long startTime = System.currentTimeMillis(); Jedis jedis = new Jedis(HOST, PORT);
// 游标 `
3.
`String cursor = "0";`
4.
`while(true) {`
5.
`ScanResult<Tuple> scanResult = jedis.zscan(bigKey, cursor, new ScanParams().count(100));`
6.
` // 每次扫描后获取新的游标 `
7.
`cursor = scanResult.getStringCursor(); // 获取扫描结果 `
8.
`List<Tuple> list = scanResult.getResult(); if(list == null || list.size() == 0) {`
9.
`continue; } String[] members = getMembers(list); jedis.zrem(bigKey, members); // 游标为0时停止 `
10.
`if(cursor.equals("0")) {`
11.
`break;`
12.
`} } // 最终删除key `
13.
`jedis.del(bigKey);`
14.
`}`
15.
`public void delBigSortedSet2(String bigKey) {`
16.
`Jedis jedis = new Jedis(HOST, PORT);`
17.
`long zcard = jedis.zcard(bigKey);`
18.
`int counter = 0;`
19.
`int incr = 100;`
20.
`while(counter < zcard) {`
21.
`jedis.zremrangeByRank(bigKey, 0, 100);`
22.
` // 每次从左侧截掉100个 `
23.
`counter += incr;`
24.
`}`
25.
` // 最终删除key `
26.
`jedis.del(bigKey);`
27.
`}`
六、如何优化
1.拆分
big list： list1、list2、...listN
big hash：可以做二次的hash，例如hash%100
日期类：key20190320、key20190321、key_20190322。
2.本地缓存
减少访问redis次数，降低危害，但是要注意这里有可能因此本地的一些开销（例如使用堆外内存会涉及序列化，bigkey对序列化的开销也不小）
七、总结：
由于开发人员对Redis的理解程度不同，在实际开发中出现bigkey在所难免，重要的能通过合理的检测机制及时找到它们，进行处理。作为开发人员应该在业务开发时不能将Redis简单暴力的使用，应该在数据结构的选择和设计上更加合理，例如出现了bigkey，要思考一下可不可以做一些优化(例如二级索引)尽量的让这些bigkey消失在业务中，如果bigkey不可避免，也要思考一下要不要每次把所有元素都取出来(例如有时候仅仅需要hmget，而不是hgetall)，删除也是一样，尽量使用优雅的方式来处理。
