知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 15 - 缓存和数据库双写一致性怎么保证 > 导读:本文用一问一答的方式,讲清缓存与数据库双写时"先动谁、删除还是更新、删失败怎么兜底"这三个关键问题,读完你能独立设计一套可落地的缓存一致性方案。适合准备后端面试、以及正在给业务加缓存的工程师。 ## 一、先建立全局认知 ### Q:缓存和数据库双写一致性,要解决的到底是什么问题? A:一句话结论——**这两个存储的更新不是原子的,中间任何一个环节出错或被打断,都可能让缓存和数据库长期不一致**。 具体背景:用户修改昵称时,需要同时更新数据库和 Redis 缓存。数据库和 Redis 是两个独立系统,不存在跨系统的本地事务,因此更新顺序和失败处理都必须由业务代码显式设计。这就是"双写一致性"问题的来源。 ### Q:更新两种存储的先后顺序,一共有哪几种组合?推荐哪一种? A:组合共四种: - 方案 A:先更新数据库,再更新缓存 - 方案 B:先更新缓存,再更新数据库 - 方案 C:先更新数据库,再删除缓存 ← 推荐 - 方案 D:先删除缓存,再更新数据库 推荐方案 C(先更新数据库、再删除缓存,即 Cache-Aside 模式)。下面两节分别解释"为什么删除而不是更新""为什么必须先写数据库"。 ## 二、理解核心机制 ### Q:为什么操作的是"删除缓存"而不是"更新缓存"? A:两个原因。 1. **删除是幂等的,更新有顺序依赖。** 删除缓存无论执行多少次结果都一样;而"更新缓存"要求写库和写缓存的顺序严格正确,并发时两次更新可能以相反顺序落到缓存,导致缓存被旧值覆盖。 2. **更新的成本可能更高。** 如果缓存的是对象或大字符串,写入前要经过序列化等操作;而删除只是一个 key 操作,代价更低。  [编辑 Excalidraw 源图](/images/java-interview-copy/business-scenario/15-cache-db-consistency-concurrent-cache-overwrite-diagram.excalidraw) 关键点:删除之后,下一个读请求会缓存未命中并回源,拿到的是数据库最新值,于是自然恢复一致。适用场景:绝大多数读多写少的缓存场景。 ### Q:为什么必须"先更新数据库,再删除缓存",反过来不行? A:反过来(先删缓存再更新数据库)会出现"旧值回填"。 ```text 线程 A(写):删除缓存 线程 B(读):缓存未命中 → 从数据库读到旧值 → 写入缓存(旧值) 线程 A(写):更新数据库为新值 结果:数据库是新值,缓存是旧值 → 不一致! 而且这个旧值会一直留在缓存里直到过期 ```  [编辑 Excalidraw 源图](/images/java-interview-copy/business-scenario/15-cache-db-consistency-delete-first-stale-refill-diagram.excalidraw) 问题根源:读请求在"删除之后、数据库更新之前"这个空档里,把数据库里的旧值写回了缓存,此后没有任何机制去修正它。 采用"先更新数据库,再删除缓存"则不会出现这个空档: ```text 线程 A(写):更新数据库为新值 线程 A(写):删除缓存 线程 B(读):缓存未命中 → 从数据库读到新值 → 写入缓存 结果:一致 ✓ ```  [编辑 Excalidraw 源图](/images/java-interview-copy/business-scenario/15-cache-db-consistency-db-first-invalidate-diagram.excalidraw) 关键点:把"删除"安排在"更新"之后,那么任何在删除之后回源的读请求,读到的都已经是新值。 ### Q:那"先更新数据库再删缓存"就百分之百一致了吗? A:不是。理论上仍有极端不一致的窗口:读请求正好在"更新数据库之后、删除缓存之前"命中了旧缓存,会把旧值继续用一段时间。但这个概率极低,因为数据库的写操作比缓存的写操作慢得多,删除缓存通常发生在读请求命中缓存之前。工程上再叠加缓存 TTL 作为最后兜底,就足够可靠。 ## 三、放进真实场景 ### Q:如果删除缓存这一步失败了呢?有哪些兜底方案? A:有三种,由轻到重依次是延迟双删、MQ 重试删除、订阅 binlog。 **方案一:延迟双删。** 删除缓存、更新数据库之后,延迟一段时间再删一次,用来清掉空档期内被写回的旧值。 ```java public void update(User user) { // 1. 先删缓存 redis.delete("user:" + user.getId()); // 2. 更新数据库 userMapper.update(user); // 3. 延迟再删一次(兜底) executor.schedule(() -> { redis.delete("user:" + user.getId()); }, 500, TimeUnit.MILLISECONDS); } ``` 关键点:延迟时间要大于一次读请求的耗时,确保"读请求把旧值写入缓存"这个动作已经完成,第二次删除才能把它清掉。代价是引入了定时任务,且延迟时间需要估。 **方案二:消息队列重试删除(推荐)。** 删除失败时不吞掉异常,而是发一条 MQ 消息,由消费者重试删除,重试 N 次仍失败则告警。  *图:删除缓存失败后通过 MQ 重试删除的补偿流程* ```text 更新数据库 → 删除缓存 → 失败? ↓ 发 MQ 消息 ↓ 消费者重试删除 ↓ 成功 / 重试 N 次后告警 ```  [编辑 Excalidraw 源图](/images/java-interview-copy/business-scenario/15-cache-db-consistency-cache-delete-retry-diagram.excalidraw) ```java public void update(User user) { userMapper.update(user); try { redis.delete("user:" + user.getId()); } catch (Exception e) { // 删除失败,发消息重试 mqProducer.send("cache-delete-retry", "user:" + user.getId()); } } ``` 关键点:把"可能失败的删除"从主流程里解耦出来,主流程只负责投递重试指令,删除的可靠性交给 MQ 的重试机制保证。适用于删除失败率较高、或不能容忍不一致的场景。 **方案三:订阅 binlog(最可靠)。** 用 Canal 伪装成 MySQL 从节点监听 binlog,数据库一旦有变更就自动发消息删除对应缓存。  *图:Canal 订阅 MySQL binlog,消费者删除缓存* ```text ┌──────────┐ │ MySQL │ │ binlog │ └────┬─────┘ │ ┌────┴─────┐ │ Canal │ ← 伪装成 MySQL 从节点 └────┬─────┘ │ ┌────┴─────┐ │ MQ │ └────┬─────┘ │ ┌────┴─────┐ │ 消费者 │ │ 删除缓存 │ └──────────┘ ``` Canal 监听 MySQL binlog,数据库有变更就自动发消息删除对应缓存。业务代码完全不用关心缓存删除,解耦彻底。  [编辑 Excalidraw 源图](/images/java-interview-copy/business-scenario/15-cache-db-consistency-cache-db-consistency-canal-invalidation-diagram.excalidraw) 关键点:缓存删除不再依赖业务代码是否写对,只要数据库改了,缓存就一定会被失效。代价是引入 Canal + MQ 的运维成本,链路更长,需要自行处理消息的幂等与顺序。 ### Q:这几种方案怎么选?各自的取舍是什么? A:按下表权衡一致性、复杂度与规模。 | 方案 | 一致性 | 实现复杂度 | 适用场景 | |------|--------|-----------|---------| | 先更新 DB 再删缓存 | 较好 | 低 | 大多数场景 | | 延迟双删 | 好 | 中 | 读多写少 | | MQ 重试删除 | 好 | 中 | 删除失败率较高时 | | 订阅 binlog(Canal) | 最好 | 高 | 大规模系统、强一致要求 | 设计取舍:一致性越强、代码侵入越少,运维和基础设施成本就越高。多数团队从"先更新 DB 再删缓存 + TTL"起步,只有在出现可观测的不一致问题后,才逐步升级到 MQ 重试或 Canal。 ## 四、总结与自测 ### Q:面试里怎么答这道题? A:按五步作答,先给结论再补细节。 1. 先说结论:推荐"先更新数据库,再删除缓存"(Cache-Aside 模式) 2. 解释为什么删除而不是更新(并发写入时更新缓存有顺序问题) 3. 解释为什么先更新 DB 再删缓存(先删缓存会导致读请求把旧值写回) 4. 补充删除失败的兜底方案(MQ 重试 / Canal 订阅 binlog) 5. 加分项:提到最终一致性的思想——缓存加 TTL 作为最后兜底 ### Q:这套方案的"最后一道防线"是什么? A:给缓存设置 TTL。无论前面哪种方案在极端情况下失效,过期时间一到缓存必然失效并回源,不一致的窗口就是有限的。双写一致性追求的是最终一致,而不是强一致——强一致需要锁或串行化,吞吐代价远超收益。 --- ## 自测 1. "先删缓存再更新数据库"为什么会出问题?请描述出错的时间窗口。 2. 延迟双删的第二次删除,延迟时间为什么必须大于一次读请求的耗时? 3. 如果让你在"MQ 重试删除"和"Canal 订阅 binlog"之间选,你会考虑哪些因素?
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入