关于MyBatis的缓存详解

威哥爱编程2024-07-24 14:57

MyBatis 是一个流行的 Java 持久层框架，它提供了对数据库的简单操作和映射。MyBatis 的缓存机制是其核心特性之一，它可以帮助开发者提高应用程序的性能，通过减少对数据库的直接访问次数来降低数据库的负载。

1. MyBatis 缓存介绍

默认缓存行为

  • 局部的 session 缓存：MyBatis 默认开启的缓存是局部的 session 缓存，这意味着每个 MyBatis session 都会有自己的缓存，这个缓存仅在当前 session 内有效。它主要用于处理循环依赖和提升性能。

二级缓存（全局缓存）

  • 开启二级缓存 ：要开启 MyBatis 的二级缓存，需要在 SQL 映射文件中添加 <cache/> 标签。这将允许跨多个 session 共享缓存。

缓存的基本属性

  • select 语句缓存：所有 select 语句的结果都会被缓存。
  • 刷新机制：insert, update 和 delete 语句会触发缓存的刷新。
  • LRU 算法：默认使用最近最少使用（Least Recently Used）算法来决定哪些缓存项应该被移除。
  • 无时间刷新：默认情况下，缓存不会根据时间间隔自动刷新。
  • 引用数量：默认情况下，缓存可以存储 1024 个引用。
  • 可读/可写：默认情况下，缓存是可读写的，这意味着缓存的对象可以被调用者修改，而不会干扰其他调用者或线程。

高级缓存配置

  • eviction（回收策略） ：可以设置不同的回收策略，如 LRU、FIFO、SOFT 和 WEAK。
    • LRU：最近最少使用，移除最长时间不被使用的对象。
    • FIFO：先进先出，按对象进入缓存的顺序移除。
    • SOFT：软引用，基于垃圾收集器状态和软引用规则移除对象。
    • WEAK：弱引用，更积极地移除对象，基于垃圾收集器状态和弱引用规则。
  • flushInterval（刷新间隔）：可以设置一个时间间隔，以毫秒为单位，缓存会在该时间间隔后自动刷新。
  • size（引用数目）：可以设置缓存中存储的对象或列表的引用数量，需要根据可用内存资源来决定。
  • readOnly（只读）：设置为 true 时，所有调用者将获得缓存对象的相同实例，这些对象不能被修改，提供了性能优势。设置为 false 时，缓存对象可以被修改，但会返回对象的拷贝，这会降低性能。

配置示例

以下是一个配置示例，展示了如何使用 <cache> 标签来自定义缓存行为：

xml 复制代码 
<cache eviction="FIFO" flushInterval="60000" size="512" readOnly="true"/>
  • eviction="FIFO"：使用先进先出的策略来管理缓存。
  • flushInterval="60000"：每 60 秒刷新一次缓存。
  • size="512"：缓存可以存储 512 个引用。
  • readOnly="true"：缓存对象是只读的，不能被修改。

2. 四种回收策略的原理分析

1. LRU

LRU（Least Recently Used）算法是一种常见的缓存回收策略，用于决定哪些数据应该被从缓存中移除以腾出空间给新数据。这种策略基于一个简单的理念：如果数据在一段时间内没有被使用，那么它在未来被使用的可能性也相对较低。下面详细介绍LRU算法的实现原理：

数据结构

LRU算法通常使用以下两种数据结构来实现：

  1. 哈希表（Hash Map）：用于快速定位缓存项，O(1)时间复杂度。
  2. 双向链表（Doubly Linked List）：用于维护缓存项的使用顺序，允许快速添加和删除节点。

工作原理

  1. 缓存访问：当缓存被访问时（无论是读取还是写入），该缓存项会被视为"最近使用"的，并移动到双向链表的头部（最近使用的位置）。
  2. 缓存添加：当新数据被添加到缓存时，如果缓存未满，新数据会被添加到链表头部。如果缓存已满，则链表尾部的数据（最不常用的数据）会被移除，新数据添加到头部。
  3. 缓存淘汰：当缓存达到容量上限时，链表尾部的数据（最长时间未被使用的数据）会被移除，为新数据腾出空间。

具体实现步骤

  1. 初始化：创建一个空的哈希表和一个空的双向链表。
  2. 访问缓存 ：
    • 检查数据是否在哈希表中：
      • 如果在，更新该数据在链表中的位置（移动到头部），并返回数据。
      • 如果不在，从数据源获取数据，添加到链表头部，并在哈希表中创建条目。
  3. 添加数据 ：
    • 如果缓存未满，直接添加数据到链表头部，并在哈希表中创建条目。
    • 如果缓存已满，先从链表尾部移除最不常用的数据，并从哈希表中删除相应条目，然后添加新数据到链表头部。
  4. 维护顺序：每次访问或添加数据时，都需要更新数据在双向链表中的位置，确保最近使用的数据总是在链表头部。

性能考虑

  • 时间复杂度：LRU算法在访问和添加数据时都能保持O(1)的时间复杂度，这得益于哈希表和双向链表的结合使用。
  • 空间复杂度：主要取决于缓存的大小，即存储的数据量。

应用场景

LRU算法广泛应用于操作系统的页面置换算法、Web服务器的图片或资源缓存、数据库查询结果缓存等领域，以提高系统性能和响应速度。

示例代码（伪代码）

java 复制代码 
class LRUCache {
    HashMap<Integer, Node> map;
    DoublyLinkedList cacheList;
    int capacity;

    public LRUCache(int capacity) {
        this.capacity = capacity;
        this.map = new HashMap<>();
        this.cacheList = new DoublyLinkedList();
    }

    public get(int key) {
        if (map.containsKey(key)) {
            Node node = map.get(key);
            cacheList.moveToHead(node); // Move to head to mark as recently used
            return node.value;
        }
        return -1; // Not found
    }

    public put(int key, int value) {
        if (map.containsKey(key)) {
            Node node = map.get(key);
            node.value = value;
            cacheList.moveToHead(node);
        } else {
            Node newNode = new Node(key, value);
            map.put(key, newNode);
            cacheList.addHead(newNode);
            if (map.size() > capacity) {
                Node tail = cacheList.removeTail();
                map.remove(tail.key);
            }
        }
    }
}

class Node {
    int key;
    int value;
    Node prev;
    Node next;

    public Node(int key, int value) {
        this.key = key;
        this.value = value;
    }
}

class DoublyLinkedList {
    Node head;
    Node tail;

    public addHead(Node node) {
        // Add node to the head of the list
    }

    public removeTail() {
        // Remove node from the tail of the list and return it
    }

    public moveToHead(Node node) {
        // Move node to the head of the list
    }
}

以上是对LRU算法实现原理的详细介绍，包括其数据结构、工作原理、具体实现步骤以及性能和应用场景。

2. FIFO

FIFO（First In, First Out）算法是一种简单的缓存回收策略，它按照数据进入缓存的顺序来决定哪些数据应该被移除。这种策略的核心思想是：最先进入缓存的数据将会是最先被移除的数据。FIFO算法在实现上相对简单，但可能不如LRU（最近最少使用）算法那样高效，特别是在某些访问模式下。以下是FIFO算法的实现原理和详细步骤：

数据结构

FIFO算法通常使用以下数据结构来实现：

  1. 队列（Queue）：用于维护缓存项的顺序，确保最先进入的数据最先被移除。
  2. 哈希表（Hash Map）：用于快速定位缓存项，提供O(1)时间复杂度的访问。

工作原理

  1. 缓存访问：当缓存被访问时（无论是读取还是写入），该缓存项会被视为"最近使用"的。
  2. 缓存添加 ：
    • 如果缓存未满，新数据会被添加到队列的尾部。
    • 如果缓存已满，队列头部的数据会被移除，新数据添加到队列尾部。
  3. 缓存淘汰：当缓存达到容量上限时，队列头部的数据（最先进入的数据）会被移除，为新数据腾出空间。

具体实现步骤

  1. 初始化：创建一个空的队列和一个空的哈希表。
  2. 访问缓存 ：
    • 检查数据是否在哈希表中：
      • 如果在，返回数据，但不需要移动数据在队列中的位置。
      • 如果不在，从数据源获取数据，添加到队列尾部，并在哈希表中创建条目。
  3. 添加数据 ：
    • 如果缓存未满，直接添加数据到队列尾部，并在哈希表中创建条目。
    • 如果缓存已满，先从队列头部移除最旧的数据，并从哈希表中删除相应条目，然后添加新数据到队列尾部。
  4. 维护顺序：每次添加新数据时，都需要更新队列和哈希表。

性能考虑

  • 时间复杂度：FIFO算法在访问和添加数据时都能保持O(1)的时间复杂度，这得益于哈希表的使用。
  • 空间复杂度：主要取决于缓存的大小，即存储的数据量。

应用场景

FIFO算法由于其简单性，适用于那些对缓存一致性要求不高的场景。它可能不适用于那些频繁访问某些数据的应用程序，因为这些数据可能会被错误地移除。

示例代码（伪代码）

java 复制代码 
class FIFOCache {
    HashMap<Integer, Integer> map;
    LinkedList<Integer> queue;
    int capacity;

    public FIFOCache(int capacity) {
        this.capacity = capacity;
        this.map = new HashMap<>();
        this.queue = new LinkedList<>();
    }

    public get(int key) {
        if (map.containsKey(key)) {
            return map.get(key);
        }
        return -1; // Not found
    }

    public put(int key, int value) {
        if (map.containsKey(key)) {
            // Key already exists, update the value and remove the key from the queue
            queue.remove(map.get(key));
            map.put(key, value);
            queue.addLast(key);
        } else {
            if (map.size() >= capacity) {
                // Cache is full, remove the oldest item
                int oldestKey = queue.removeFirst();
                map.remove(oldestKey);
            }
            // Add new item
            map.put(key, value);
            queue.addLast(key);
        }
    }
}

class LinkedList {
    Node head;
    Node tail;

    public addLast(int value) {
        // Add value to the end of the list
    }

    public removeFirst() {
        // Remove the first element from the list and return it
    }
}

class Node {
    int value;
    Node next;

    public Node(int value) {
        this.value = value;
    }
}

以上是对FIFO算法实现原理的详细介绍，包括其数据结构、工作原理、具体实现步骤以及性能和应用场景。FIFO算法虽然简单，但在某些情况下可能不如LRU算法有效，特别是在数据访问模式不均匀的情况下。

3. SOFT

SOFT（软引用）是一种缓存回收策略，它在 Java 中通过 java.lang.ref.SoftReference 类实现。软引用允许对象在内存不足时被垃圾收集器回收，但只要内存足够，这些对象就可以继续存活。这种策略特别适用于缓存机制，因为它可以在不影响应用程序功能的情况下，动态地释放内存资源。以下是 SOFT 缓存策略的实现原理和详细步骤：

工作原理

  1. 软引用：软引用是一种比强引用（Strong Reference）弱，但比弱引用（Weak Reference）强的引用类型。软引用关联的对象在内存不足时可以被垃圾收集器回收，但只要内存足够，它们就会继续存活。
  2. 垃圾收集器：Java 的垃圾收集器会定期检查内存使用情况，并在内存不足时尝试回收软引用对象。
  3. 缓存管理：使用软引用实现的缓存会在内存不足时自动释放缓存对象，从而为新对象腾出空间。

具体实现步骤

  1. 初始化缓存 ：创建一个缓存容器，如 HashMap，用于存储键和软引用对象的映射。
  2. 访问缓存 ：
    • 当访问缓存时，首先检查软引用是否仍然有效（即其关联的对象是否已被回收）。
    • 如果软引用有效，返回其关联的对象。
    • 如果软引用无效，说明对象已被回收，可以重新从数据源获取数据，并创建新的软引用。
  3. 添加数据 ：
    • 当添加新数据到缓存时，使用 SoftReference 包装该对象，并将其存储在缓存容器中。
    • 由于软引用的特性，如果内存不足，这些对象可能会被垃圾收集器回收。
  4. 内存回收：当系统内存不足时，垃圾收集器会尝试回收软引用对象。这使得缓存可以自动调整大小，释放不再需要的内存。

性能考虑

  • 时间复杂度 ：访问和添加数据的时间复杂度通常为 O(1)，因为 HashMap 提供了快速的键值对查找。
  • 空间复杂度：缓存的大小取决于缓存对象的数量和每个对象的大小，但软引用允许在内存不足时自动回收对象，从而动态调整缓存大小。

应用场景

软引用缓存适用于以下场景：

  • 内存敏感的应用程序：在内存资源有限的设备上，如移动设备或嵌入式系统，软引用缓存可以动态地释放内存。
  • 大对象缓存：对于占用大量内存的对象，如图片或大型文档，软引用缓存可以在内存不足时自动释放这些对象。
  • 可有可无的缓存：在某些情况下，缓存数据的丢失不会对应用程序的功能产生重大影响，软引用缓存是一个很好的选择。

示例代码（Java）

java 复制代码 
import java.lang.ref.SoftReference;
import java.util.HashMap;

public class SoftReferenceCache<K, V> {
    private HashMap<K, SoftReference<V>> cache = new HashMap<>();

    public V get(K key) {
        SoftReference<V> ref = cache.get(key);
        if (ref != null) {
            V value = ref.get();
            if (value != null) {
                return value;
            }
            // SoftReference has been cleared, remove it from the cache
            cache.remove(key);
        }
        return null;
    }

    public void put(K key, V value) {
        cache.put(key, new SoftReference<>(value));
    }
}

在这个示例中，SoftReferenceCache 使用 HashMap 存储键和软引用对象的映射。当访问缓存时，首先检查软引用是否有效。如果软引用无效，说明对象已被回收，可以重新从数据源获取数据，并创建新的软引用。

小结

SOFT 缓存策略通过使用软引用来实现缓存对象的自动回收，从而在内存不足时动态地释放内存资源。这种策略特别适用于内存敏感的应用程序，或者那些缓存数据丢失不会对应用程序功能产生重大影响的场景。

4. WEAK

WEAK（弱引用）是一种比软引用（Soft Reference）更弱的引用类型，它允许对象在下一次垃圾收集时被回收，无论内存是否足够。在 Java 中，弱引用是通过 java.lang.ref.WeakReference 类实现的。弱引用通常用于实现缓存，其中对象的生命周期不需要超过引用本身的生命周期。以下是 WEAK 缓存策略的实现原理和详细步骤：

工作原理

  1. 弱引用：弱引用是一种对对象的引用，它不会阻止垃圾收集器回收其引用的对象。这意味着只要没有其他的强引用指向该对象，对象就可以被垃圾收集器回收。
  2. 垃圾收集器：Java 的垃圾收集器会定期执行，当它发现某个对象只被弱引用所引用时，就会回收该对象占用的内存。
  3. 缓存管理：使用弱引用实现的缓存允许对象在不再被使用时被快速回收，即使内存尚未不足。

具体实现步骤

  1. 初始化缓存 ：创建一个缓存容器，如 HashMap，用于存储键和弱引用对象的映射。
  2. 访问缓存 ：
    • 当访问缓存时，首先检查弱引用是否仍然有效（即其关联的对象是否已被回收）。
    • 如果弱引用有效，返回其关联的对象。
    • 如果弱引用无效，说明对象已被回收，可以重新从数据源获取数据，并创建新的弱引用。
  3. 添加数据 ：
    • 当添加新数据到缓存时，使用 WeakReference 包装该对象，并将其存储在缓存容器中。
    • 由于弱引用的特性，这些对象可能会在下一次垃圾收集时被回收。
  4. 内存回收：当垃圾收集器执行时，它会检查所有弱引用，并回收那些只被弱引用的对象。

性能考虑

  • 时间复杂度 ：访问和添加数据的时间复杂度通常为 O(1)，因为 HashMap 提供了快速的键值对查找。
  • 空间复杂度：缓存的大小取决于缓存对象的数量和每个对象的大小，但由于弱引用允许对象在下一次垃圾收集时被回收，因此缓存不会长时间占用大量内存。

应用场景

弱引用缓存适用于以下场景：

  • 内存敏感的应用程序：在内存资源有限的设备上，如移动设备或嵌入式系统，弱引用缓存可以快速释放内存。
  • 临时对象缓存：对于只在特定时间内需要的对象，使用弱引用缓存可以确保这些对象在不再需要时迅速被回收。
  • 可丢弃的缓存：在某些情况下，缓存数据的丢失不会对应用程序的功能产生重大影响，弱引用缓存是��个很好的选择。

示例代码（Java）

java 复制代码 
import java.lang.ref.WeakReference;
import java.util.HashMap;

public class WeakReferenceCache<K, V> {
    private HashMap<K, WeakReference<V>> cache = new HashMap<>();

    public V get(K key) {
        WeakReference<V> ref = cache.get(key);
        if (ref != null) {
            V value = ref.get();
            if (value != null) {
                return value;
            }
            // WeakReference has been cleared, remove it from the cache
            cache.remove(key);
        }
        return null;
    }

    public void put(K key, V value) {
        cache.put(key, new WeakReference<>(value));
    }
}

在这个示例中，WeakReferenceCache 使用 HashMap 存储键和弱引用对象的映射。当访问缓存时，首先检查弱引用是否有效。如果弱引用无效，说明对象已被回收，可以重新从数据源获取数据，并创建新的弱引用。

小结

WEAK 缓存策略通过使用弱引用来实现缓存对象的快速回收，这对于内存敏感的应用程序或临时对象的缓存非常有用。这种策略允许应用程序在不牺牲内存的情况下，临时存储和管理数据对象。

最后

MyBatis 的缓存机制非常灵活，可以通过简单的配置来满足不同的性能需求。合理地使用缓存可以显著提高应用程序的性能，尤其是在处理大量数据库查询时。然而，开发者需要注意缓存的一致性和并发问题，特别是在使用可读写缓存时。

相关推荐
FIN技术铺4 分钟前
Spring Boot框架Starter组件整理
java·spring boot·后端
小曲程序11 分钟前
vue3 封装request请求
java·前端·typescript·vue
陈王卜29 分钟前
django+boostrap实现发布博客权限控制
java·前端·django
小码的头发丝、29 分钟前
Spring Boot 注解
java·spring boot
java亮小白199734 分钟前
Spring循环依赖如何解决的？
java·后端·spring
飞滕人生TYF40 分钟前
java Queue 详解
java·队列
武子康1 小时前
大数据-230 离线数仓 - ODS层的构建 Hive处理 UDF 与 SerDe 处理 与 当前总结
java·大数据·数据仓库·hive·hadoop·sql·hdfs
武子康1 小时前
大数据-231 离线数仓 - DWS 层、ADS 层的创建 Hive 执行脚本
java·大数据·数据仓库·hive·hadoop·mysql
苏-言1 小时前
Spring IOC实战指南：从零到一的构建过程
java·数据库·spring
界面开发小八哥1 小时前
更高效的Java 23开发，IntelliJ IDEA助力全面升级
java·开发语言·ide·intellij-idea·开发工具
热门推荐
01(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明02PyTorch机器学习实现液态神经网络03【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总04玄机平台应急响应—webshell查杀05Coze扣子平台完整体验和实践（附国内和国际版对比）06Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO07【目标跟踪】相机运动补偿08Unity中PICO实现 隔空取物 和 接触抓取物体09RAG 实践- Ollama+RagFlow 部署本地知识库10怎样让音频速度变慢？请跟随以下方法进行操作