标签：weight 后缀 分析 l数据库 ges engine live family tab
目录
什么是Redis?
Redis：一个高性能的key-value数据库。支持数据的持久化，可以将内存中的数据保存在磁盘中，重启的时候可以再次加载进行使用；提供string、list、set、zset、hash等数据结构的存储，并支持数据的备份。
本文适合使用的场景：当一个项目中Redis缓存的数据量逐渐增大，Redis缓存的数据占用内存也会越来越大，而且其中有很多很可能是价值不大的数据。由于Redis是一个key-value数据库，所以对其中的数据进行分析没有mysql数据库那么直观。那么此时，我们需要寻找工具来分析Redis缓存中的哪些数据占用内存比较大，并结合项目实际的情况来分析这些数据存储的价值如何？从而作出具体删减数据的方案，来解放服务器端宝贵的内存资源。
本文需要采用的工具：Rdbtools和MySQL。
Rdbtools：使用Python语言编写的，可以解析Redis的dump.rdb文件。此外，提供以下工具：
（1）跨所有数据库和密钥生成数据的内存报告
（2）将dump文件转换为JSON
（3）使用标准diff工具比较两个dump文件
具体源码GitHub链接：https://github.com/sripathikrishnan/redis-rdb-tools/
MySQL：一种开源且比较轻量级的关系型数据库。本文使用Rdbtools解析出Redis的dump.rdb文件并生成内存报告*.csv文件（PS：下文操作文件为result_facelive_hot.csv），然后把该文件导入到MySQL数据库中，最后通过编写具体的SQL语句脚本生成想要的数据分析结果的*.csv文件（PS：下文SQL脚本中生成的文件名为redis_key_storage.csv）。
Rdbtools工具在以下操作，需要Python2.7或者Python3.6等版本环境的支持。
（1）找到本机项目使用Redis生成的dump.rdb文件具体所在地址。（PS：本文操作的项目是一个基于Django框架，部署在Ubuntu系统上，所以相关命令都是该系统下的实际操作，其它环境基本类似，就不作介绍）
sudo find / -name ‘*.rdb‘
运行上述命令后，即可看到本机上所有以.rdb为后缀文件的所有具体地址，然后根据项目实际情况，找到具体地址。例如，本文找到的地址：
/home/facelive/redis/data/hot/dump.rdb
PS：有的项目，使用Redis时，会把默认的dump.rdb文件进行了重新命名，例如命名为db-dump.rdb文件。那么此时如何判定具体命名呢？
可以查看项目使用Redis数据库的redis.conf文件内容，并结合以下命令：
cat -n redis.conf |grep "dbfilename"
即可查看具体的文件名。
（2）使用Rdbtools生成项目中使用Redis的内存使用的*.csv文件
此处需要项目先安装Rdbtools工具，项目且是基于Python环境。激活项目的虚拟环境，输入命令：
pip install rdbtools python-lzf
（3）安装完成后，即可在项目的虚拟环境中使用rdb命令。此处本文生成内存报告的命令如下：
rdb -c memory /home/facelive/redis/data/hot/dump.rdb > ~/result_facelive_hot.csv
生成的result_facelive_hot.csv文件会存放在服务器环境根目录。此时，可以从服务器把生成的文件复制到本地，具体操作命令参考：
sudo scp facelive@188.100.10.10:/home/facelive/result_facelive_hot.csv . # 从服务器复制远程文件到本地当前所在根目录，这里的ip是我自己随便写的噢
然后在本地打开result_facelive_hot.csv文件，结果如下（以下截图结果是在Windows环境下打开的噢）：
可以看到该表中有database(对应的数据库)、type(缓存的类型)、key（缓存的key名称）、size_in_bytes(该key具体占用内存大小，这是本文数据分析的核心数据)、encoding（缓存key的编码）、num_elements和len_larget_element六列数据。
（4）把result_facelive_hot.csv导入到MySQL数据库，进行数据分析
首先，选定本地MySQL数据库中某一已经创建好的数据库，并在该数据库中创建一个名称为redis_hot的表（PS：具体表名可随意定）
创建表的SQL语句：
DROP TABLE IF EXISTS `redis_hot`; CREATE TABLE `redis_hot` ( `database` int(11) DEFAULT NULL, `type` varchar(100) DEFAULT NULL, `key` varchar(200) DEFAULT NULL, `size_in_bytes` int(11) DEFAULT NULL, `encoding` varchar(255) DEFAULT NULL, `num_elements` int(11) DEFAULT NULL, `len_largest_element` int(11) DEFAULT NULL ) ENGINE=InnoDB DEFAULT CHARSET=utf8;
创建好redis_hot表后，我们开始使用Navicat工具来进行数据导入工作。（PS：当然也可以使用代码来完成数据导入，这里本文就只给出一个参考链接，不作详细介绍，具体在文末可见。）
以下操作是在Windows环境下进行，其它环境使用Navicat可视化工具，操作步骤基本类似。
首先，使用Navicat打开本地数据库，找到刚刚创建的redis_hot表，鼠标点击右键，选择导入向导，具体流程如下：
数据导入完成后，下面正式开始编写SQL查询脚本，生成具体所需分析结果数据。
此处需要分析的数据：
（1）每一种key所在用的总内存大小（size_in_bytes_sum）
（2）每一种key的总数（PS：因为有的key设计是前缀+用户id，这样的情况都属于一种key）（record_count）
（3）每一种key所在数据库（database）
（4）每一种key的数据类型（type）
（5）每一种key的编码类型（encoding）
（6）每一种key的名称（key）
（7）每一种key占用的平均内存大小（size_in_bytes_avg）
使用的SQL脚本代码如下：
SELECT `database`, type, `key`, encoding, count(`database`) as record_count, SUM(size_in_bytes) as size_in_bytes_sum, AVG(size_in_bytes) as size_in_bytes_avg FROM redis_hot WHERE `key` LIKE ‘user_verify_code_%‘ UNION SELECT `database`, type, `key`, encoding, count(`database`) as record_count, SUM(size_in_bytes) as size_in_bytes_sum, AVG(size_in_bytes) as size_in_bytes_avg FROM redis_hot WHERE `key` LIKE ‘robot_id_list%‘ UNION SELECT `database`, type, `key`, encoding, count(`database`) as record_count, SUM(size_in_bytes) as size_in_bytes_sum, AVG(size_in_bytes) as size_in_bytes_avg FROM redis_hot WHERE `key` LIKE ‘user_last_3_day_duration:%‘ /* 此处可以继续使用UNION来并查其他名称的key具体分析数据，下面一行代码是生成redis_key_storage.csv文件，如果注释掉，就可以直接在Navicat查询界面查看具体查询结果 */ into outfile ‘E:/redis_key_storage.csv‘ fields terminated by ‘,‘ optionally enclosed by ‘"‘ lines terminated by ‘\r\n‘; # 其中可以修改具体文件保存地址（此处文件保存地址：‘E:/redis_key_storage.csv‘）
最终得到的结果数据如下：
好啦，介绍这里就结束了，希望能对观看本文的同学有所帮助~
1.使用代码完成csv文件导入Mysql（https://blog.csdn.net/quiet_girl/article/details/71436108）
2.使用rdbtools工具来解析redis dump.rdb文件及内存使用量（http://www.ywnds.com/?p=8441）
3.MySQL必知必会：组合查询（Union）（https://segmentfault.com/a/1190000007926959）
基于Python项目的Redis缓存消耗内存数据简单分析（附详细操作步骤）
标签：weight 后缀 分析 l数据库 ges engine live family tab
原文地址：https://www.cnblogs.com/liuzhen1995/p/9265383.html
