Redis技术文章
-
- Redis队列处理失败任务可见性超时
- Redis 队列要处理消费者崩溃和失败重试,可以把任务原子转入 processing 区,用 Sorted Set 记录可见性超时,并用领取 token 防止旧消费者晚到确认误删新任务。本文给出状态模型、回收脚本和重试边界。
- 数据库 · Redis | 1天前 | 379浏览 收藏
-
- Redis XTRIM 怎样按 MINID 保留指定范围的 Stream
- Redis XTRIM MINID 按完整消息ID下界裁剪Stream。通过独立样例区分精确、近似裁剪和消费组引用策略,说明时间窗口、残留记录与不可恢复删除的边界。
- 数据库 · Redis | 3星期前 | 379浏览 收藏
-
- Redis SET 怎样覆盖值但保留原 TTL
- Redis 普通 SET 会替换键的过期设置。本文说明怎样用 KEEPTTL 覆盖字符串值、用 TTL/ PTTL 确认结果,并梳理 XX、永久键以及 EX/PX 参数冲突。
- 数据库 · Redis | 1个月前 | 379浏览 收藏
-
- Redis FUNCTION LOAD 如何做脚本版本切换:函数库替换与回滚验收
- Redis Functions 会把 Lua 逻辑作为函数库保存。本文用一个订单状态校验函数说明 FUNCTION LOAD、REPLACE、FUNCTION LIST 和 FUNCTION DELETE 的切换边界,给出发布前验收与失败回滚顺序。
- 数据库 · Redis | 2个月前 | Redis · redis replace Redis Functions FUNCTION LOAD FCALL 379浏览 收藏
-
- Redis生产环境持久化方案推荐
- 生产环境必须组合使用RDB和AOF:RDB作冷备快照,AOF负责实时写入;仅用AOF有崩溃导致启动失败、重放慢、数据丢失风险;仅用RDB则丢失窗口大、fork开销高、无法增量修复。
- 数据库 · Redis | 5个月前 | 379浏览 收藏
-
- Redis与HBase协同工作模式深度解析
- Redis和HBase可以协同工作,发挥各自优势。1)使用Redis处理实时数据和缓存,如用户行为数据。2)利用HBase存储和分析历史数据,如用户购买习惯。通过这种方式,可以实现快速访问和长久存储的平衡。
- 数据库 · Redis | 1年前 | 379浏览 收藏
-
- Redis在Docker容器化部署的最佳实践指南
- 最佳实践是使用Docker部署Redis时,应注意数据持久化、配置管理、网络配置和性能优化。1.使用Docker命令启动Redis容器:dockerrun--namemy-redis-p6379:6379-dredis。2.配置数据持久化:dockerrun--namemy-redis-p6379:6379-v/path/to/host/data:/data-dredis。3.定制Redis配置:dockerrun--namemy-redis-p6379:6379-v/path/to/host/conf/
- 数据库 · Redis | 1年前 | 379浏览 收藏
-
- Redis崩溃后重启及数据恢复攻略
- Redis因系统崩溃后的重启和数据恢复可以通过以下步骤实现:1)理解Redis的RDB和AOF持久化机制,根据业务需求选择合适的方式;2)使用redis-check-aof工具修复损坏的AOF文件;3)检查并调整redis.conf文件中的持久化设置;4)对于Redis集群,先移除崩溃节点,重启并恢复数据后再重新加入集群;5)定期使用bgsave命令备份数据,确保数据安全。通过这些步骤,可以有效地重启Redis并恢复数据,保障系统的连续性和数据的安全性。
- 数据库 · Redis | 1年前 | 379浏览 收藏
-
- Redis内存淘汰策略配置的最佳技巧
- Redis需要内存淘汰策略来在内存资源有限时决定移除哪些数据。选择最佳策略应基于应用场景和数据使用模式。具体策略包括:1.noeviction:适用于数据完整性要求极高的场景。2.allkeys-lru:适合缓存系统,淘汰最久未使用的数据。3.volatile-lru:适用于有明确过期时间的数据。4.allkeys-random:适用于对数据敏感度不高的场景。5.volatile-random:适用于有过期时间但对使用模式不敏感的数据。6.volatile-ttl:适用于优先移除即将过期数据的场景。
- 数据库 · Redis | 1年前 | redis 内存淘汰策略 maxmemory-policy allkeys-lru volatile-lru 379浏览 收藏
-
- 怎么用ES做Redis监控
- 序言图示:Redis热度排名Redis当下很流行,也很好用,无论是在业务应用系统,还是在大数据领域都有重要的地位;但Redis也很脆弱,用不好,问题多多。2012年以前都是以memcached为主,之后转到Redis阵营,经历过单实例模式、主从模式、哨兵模式、代理模式,集群模式,真正公司层面用得好的很少,对于Redis掌控都很片面,导致实际项目中问题不少。Redis要想用得好,需要整体掌握3个层面:开发层面架构层面运维层面其中架构与运维至关重要,多数中小型企业仅在开发层面满足常用功能,数据规模稍微大些,业
- 数据库 · Redis | 2年前 | redis es 379浏览 收藏
-
- redis中RDB和AOF持久化的优缺点是什么
- Redis提供了RDB和AOF两种持久化方案:RDB:生成指定时间间隔内的Redis内存中数据快照,是一个二进制文件dumpr.rdbAOF:记录Redis除了查询以外的所有写命令,并在Redis服务启动时,通过重新执行这些命令来还原数据。RDB持久化默认Redis会以RDB快照的形式将一段时间内的数据持久化到硬盘,保存成一个dumpr.rdb二进制文件。【相关推荐:Redis视频教程】工作原理简单介绍一下:当Redis需要做持久化时,Redis会fork一个子进程,子进程将数据写到磁盘上一个临时RDB文
- 数据库 · Redis | 2年前 | redis rdb aof 379浏览 收藏
-
- Redis 内存淘汰策略怎样观察被淘汰的键
- 用 keyspace notification 实时观察 Redis 被 maxmemory 淘汰的键名,再用 INFO stats 的 evicted_keys 做累计核对,覆盖单机、断线和 Cluster 边界。
- 数据库 · Redis | 2星期前 | Redis · 缓存 · 运维 · redis maxmemory 内存淘汰 evicted_keys 378浏览 收藏
-
- Redis TS.CREATERULE 怎样对齐聚合时间桶
- Redis TS.CREATERULE 的时间桶默认按 Unix epoch 对齐。本文用 alignTimestamp 解释毫秒参考点、时区边界、目标序列创建、空桶和最新部分桶,并区分规则对齐与 TS.RANGE 查询端 ALIGN。
- 数据库 · Redis | 2星期前 | Redis · redis RedisTimeSeries TS.CREATERULE alignTimestamp 聚合时间桶 378浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- Golang深入理解GPM模型
- Golang深入理解GPM调度器模型及全场景分析,希望您看完这套视频有所收获;包括调度器的由来和分析、GMP模型简介、以及11个场景总结。
- 474次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1061次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1061次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1227次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1171次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1013次使用

