基于CurrentHashMap实现本地缓存

简介: 基于CurrentHashMap实现本地缓存
使用map进行一个本地的缓存处理;以下是简单实现
public class LocalMemory {
    private static Logger logger = LogManager.getLogger(LocalMemory.class);
    public static CacheData get(String key) {
        SoftReference<CacheData> cacheDataSoftReference = localData.get(key);
        CacheData cacheData = cacheDataSoftReference.get();
        return cacheData;
    }
    // 数据
    static class CacheData {
        // 过期时间
        private Long invalidTime;
        private Object data;
        public Long getInvalidTime() {
            return invalidTime;
        }
        public void setInvalidTime(Long invalidTime) {
            this.invalidTime = invalidTime;
        }
        public Object getData() {
            return data;
        }
        public void setData(Object data) {
            this.data = data;
        }
        @Override
        public String toString() {
            return "CacheData{" +
                    "invalidTime=" + invalidTime +
                    ", data=" + data +
                    '}';
        }
    }
    // 存储本地缓存数据.用软引用避免OutOfMemoryError
    static Map<String, SoftReference<CacheData>> localData = new ConcurrentHashMap<String, SoftReference<CacheData>>();
    public static final int MAX_SIZE = 10000;
    public static final int WARN_VALUE = 8000;
    /**
     * @param key     缓存KEY
     * @param value   缓存数据
     * @param timeOut 超时时间,单位秒
     */
    public static void put(String key, Object value, Long timeOut) {
        if (localData.size() >= WARN_VALUE) {
            logger.warn("注意:本地缓存已经达到临界值,size:" + localData.size());
        }
        if (localData.size() > MAX_SIZE) {
            logger.error("超出最大值:" + localData.size());
            return;
        }
        CacheData cacheData = new CacheData();
        long now = System.currentTimeMillis();
        long invalidTime = now + (timeOut * 1000);
        cacheData.setData(value);
        cacheData.setInvalidTime(invalidTime);
        SoftReference<CacheData> refCacheData = new SoftReference<CacheData>(cacheData);
        localData.put(key, refCacheData);
    }
    public static void main(String[] args) throws InterruptedException {
        String key = "test";
        Object value = "hello world";
        LocalMemory.put("test", value, 1l);
        System.out.println(LocalMemory.get(key));
        Thread.sleep(2000);
        System.out.println(LocalMemory.get(key));
    }
}
相关文章
|
9月前
|
缓存
基于CurrentHashMap实现本地缓存
基于CurrentHashMap实现本地缓存
115 1
|
缓存
基于CurrentHashMap实现本地缓存
基于CurrentHashMap实现本地缓存
421 0
|
9天前
|
缓存 NoSQL 中间件
Redis,分布式缓存演化之路
本文介绍了基于Redis的分布式缓存演化,探讨了分布式锁和缓存一致性问题及其解决方案。首先分析了本地缓存和分布式缓存的区别与优劣,接着深入讲解了分布式远程缓存带来的并发、缓存失效(穿透、雪崩、击穿)等问题及应对策略。文章还详细描述了如何使用Redis实现分布式锁,确保高并发场景下的数据一致性和系统稳定性。最后,通过双写模式和失效模式讨论了缓存一致性问题,并提出了多种解决方案,如引入Canal中间件等。希望这些内容能为读者在设计分布式缓存系统时提供有价值的参考。感谢您的阅读!
Redis,分布式缓存演化之路
|
2月前
|
存储 缓存 NoSQL
解决Redis缓存数据类型丢失问题
解决Redis缓存数据类型丢失问题
187 85
|
4月前
|
消息中间件 缓存 NoSQL
Redis 是一个高性能的键值对存储系统,常用于缓存、消息队列和会话管理等场景。
【10月更文挑战第4天】Redis 是一个高性能的键值对存储系统,常用于缓存、消息队列和会话管理等场景。随着数据增长,有时需要将 Redis 数据导出以进行分析、备份或迁移。本文详细介绍几种导出方法:1)使用 Redis 命令与重定向;2)利用 Redis 的 RDB 和 AOF 持久化功能;3)借助第三方工具如 `redis-dump`。每种方法均附有示例代码,帮助你轻松完成数据导出任务。无论数据量大小,总有一款适合你。
99 6
|
1月前
|
存储 缓存 NoSQL
云端问道21期方案教学-应对高并发,利用云数据库 Tair(兼容 Redis®*)缓存实现极速响应
云端问道21期方案教学-应对高并发,利用云数据库 Tair(兼容 Redis®*)缓存实现极速响应
|
1月前
|
缓存 NoSQL 关系型数据库
云端问道21期实操教学-应对高并发,利用云数据库 Tair(兼容 Redis®)缓存实现极速响应
本文介绍了如何通过云端问道21期实操教学,利用云数据库 Tair(兼容 Redis®)缓存实现高并发场景下的极速响应。主要内容分为四部分:方案概览、部署准备、一键部署和完成及清理。方案概览中,展示了如何使用 Redis 提升业务性能,降低响应时间;部署准备介绍了账号注册与充值步骤;一键部署详细讲解了创建 ECS、RDS 和 Redis 实例的过程;最后,通过对比测试验证了 Redis 缓存的有效性,并指导用户清理资源以避免额外费用。
|
2月前
|
缓存 监控 NoSQL
Redis经典问题:缓存穿透
本文详细探讨了分布式系统和缓存应用中的经典问题——缓存穿透。缓存穿透是指用户请求的数据在缓存和数据库中都不存在,导致大量请求直接落到数据库上,可能引发数据库崩溃或性能下降。文章介绍了几种有效的解决方案,包括接口层增加校验、缓存空值、使用布隆过滤器、优化数据库查询以及加强监控报警机制。通过这些方法,可以有效缓解缓存穿透对系统的影响,提升系统的稳定性和性能。
|
3月前
|
缓存 NoSQL 关系型数据库
大厂面试高频:如何解决Redis缓存雪崩、缓存穿透、缓存并发等5大难题
本文详解缓存雪崩、缓存穿透、缓存并发及缓存预热等问题,提供高可用解决方案,帮助你在大厂面试和实际工作中应对这些常见并发场景。关注【mikechen的互联网架构】,10年+BAT架构经验倾囊相授。
大厂面试高频:如何解决Redis缓存雪崩、缓存穿透、缓存并发等5大难题
|
3月前
|
存储 缓存 NoSQL
【赵渝强老师】基于Redis的旁路缓存架构
本文介绍了引入缓存后的系统架构,通过缓存可以提升访问性能、降低网络拥堵、减轻服务负载和增强可扩展性。文中提供了相关图片和视频讲解,并讨论了数据库读写分离、分库分表等方法来减轻数据库压力。同时,文章也指出了缓存可能带来的复杂度增加、成本提高和数据一致性问题。
【赵渝强老师】基于Redis的旁路缓存架构