緩存與數據庫一致性問題深度剖析

• 2020 年 9 月 4 日
• 筆記
• 後端開發實戰, 數據庫, 緩存

前言

本篇文章是我之前系列文章中的一篇，主要討論了我們在平時的開發過程中，各大系統中都要用到的緩存數據的問題，進一步延伸到數據庫和緩存的雙寫一致性問題，並且給出了所有方案的實現代碼方便大家參考。

本篇文章主要內容

• 數據緩存
  • 為何要使用緩存
  • 哪類數據適合緩存
  • 緩存的利與弊
• 如何保證緩存和數據庫一致性
  • 不更新緩存，而是刪除緩存
  • 先操作緩存，還是先操作數據庫
  • 非要保證數據庫和緩存數據強一致該怎麼辦
• 緩存和數據庫一致性實戰
  • 實戰：先刪除緩存，再更新數據庫
  • 實戰：先更新數據庫，再刪緩存
  • 實戰：緩存延時雙刪
  • 實戰：刪除緩存重試機制
  • 實戰：讀取binlog異步刪除緩存

碼字不易，只求關注，歡迎關注我的原創技術公眾號：後端技術漫談（二維碼見文章底部）

項目源碼在這裡

//github.com/qqxx6661/miaosha

數據緩存

在我們實際的業務場景中，一定有很多需要做數據緩存的場景，比如售賣商品的頁面，包括了許多並發訪問量很大的數據，它們可以稱作是是「熱點」數據，這些數據有一個特點，就是更新頻率低，讀取頻率高，這些數據應該盡量被緩存，從而減少請求打到數據庫上的機會，減輕數據庫的壓力。

為何要使用緩存

緩存是為了追求「快」而存在的。我們用代碼舉一個例子。

我在自己的Demo代碼倉庫中增加了兩個查詢庫存的接口getStockByDB和getStockByCache，分別表示從數據庫和緩存查詢某商品的庫存量。

隨後我們用JMeter進行並發請求測試。（JMeter的使用請參考我之前寫的文章：點擊這裡）

需要聲明的是，我的測試並不嚴謹，只是作對比測試，不要作為實際服務性能的參考。

這是兩個接口的代碼：

/**
 * 查詢庫存：通過數據庫查詢庫存
 * @param sid
 * @return
 */
@RequestMapping("/getStockByDB/{sid}")
@ResponseBody
public String getStockByDB(@PathVariable int sid) {
    int count;
    try {
        count = stockService.getStockCountByDB(sid);
    } catch (Exception e) {
        LOGGER.error("查詢庫存失敗：[{}]", e.getMessage());
        return "查詢庫存失敗";
    }
    LOGGER.info("商品Id: [{}] 剩餘庫存為: [{}]", sid, count);
    return String.format("商品Id: %d 剩餘庫存為：%d", sid, count);
}

/**
 * 查詢庫存：通過緩存查詢庫存
 * 緩存命中：返回庫存
 * 緩存未命中：查詢數據庫寫入緩存並返回
 * @param sid
 * @return
 */
@RequestMapping("/getStockByCache/{sid}")
@ResponseBody
public String getStockByCache(@PathVariable int sid) {
    Integer count;
    try {
        count = stockService.getStockCountByCache(sid);
        if (count == null) {
            count = stockService.getStockCountByDB(sid);
            LOGGER.info("緩存未命中，查詢數據庫，並寫入緩存");
            stockService.setStockCountToCache(sid, count);
        }
    } catch (Exception e) {
        LOGGER.error("查詢庫存失敗：[{}]", e.getMessage());
        return "查詢庫存失敗";
    }
    LOGGER.info("商品Id: [{}] 剩餘庫存為: [{}]", sid, count);
    return String.format("商品Id: %d 剩餘庫存為：%d", sid, count);
}

首先設置為10000個並發請求的情況下，運行JMeter，結果首先出現了大量的報錯，10000個請求中98%的請求都直接失敗了。讓人很慌張~

打開日誌，報錯如下：

SpringBoot內置的Tomcat最大並發數搞的鬼，其默認值為200，對於10000的並發，單機服務實在是力不從心。當然，你可以修改這裡的並發數設置，但是你的小機器仍然可能會扛不住。

將其修改為如下配置後，我的小機器才在通過緩存拿庫存的情況下，保證了10000個並發的100%返回請求：

server.tomcat.max-threads=10000
server.tomcat.max-connections=10000

可以看到，不使用緩存的情況下，吞吐量為668個請求每秒：

使用緩存的情況下，吞吐量為2177個請求每秒：

在這種「十分不嚴謹」的對比下，有緩存對於一台單機，性能提升了3倍多，如果在多台機器，更多並發的情況下，由於數據庫有了更大的壓力，緩存的性能優勢應該會更加明顯。

測完了這個小實驗，我看了眼我掛着MySql的小水管騰訊雲服務器，生怕他被這麼高流量搞掛。這種突發的流量，指不定會被檢測為異常攻擊流量呢~

我用的是騰訊雲服務器1C4G2M，活動買的，很便宜。這裡打個免費的廣告，請騰訊雲看到後聯繫我給我打錢 😉

哪類數據適合緩存

緩存量大但又不常變化的數據，比如詳情，評論等。對於那些經常變化的數據，其實並不適合緩存，一方面會增加系統的複雜性（緩存的更新，緩存臟數據），另一方面也給系統帶來一定的不穩定性（緩存系統的維護）。

但一些極端情況下，你需要將一些會變動的數據進行緩存，比如想要頁面顯示准實時的庫存數，或者其他一些特殊業務場景。這時候你需要保證緩存不能（一直）有臟數據，這就需要再深入討論一下。

緩存的利與弊

我們到底該不該上緩存的，這其實也是個trade-off（權衡）的問題。

上緩存的優點：

• 能夠縮短服務的響應時間，給用戶帶來更好的體驗。
• 能夠增大系統的吞吐量，依然能夠提升用戶體驗。
• 減輕數據庫的壓力，防止高峰期數據庫被壓垮，導致整個線上服務BOOM！

上了緩存，也會引入很多額外的問題：

• 緩存有多種選型，是內存緩存，memcached還是redis，你是否都熟悉，如果不熟悉，無疑增加了維護的難度（本來是個純潔的數據庫系統）。
• 緩存系統也要考慮分佈式，比如redis的分佈式緩存還會有很多坑，無疑增加了系統的複雜性。
• 在特殊場景下，如果對緩存的準確性有非常高的要求，就必須考慮緩存和數據庫的一致性問題。

本文想要重點討論的，就是緩存和數據庫的一致性問題，各位看官且往下看。

如何保證緩存和數據庫一致性

說了這麼多緩存的必要性，那麼使用緩存是不是就是一個很簡單的事情了呢，我之前也一直是這麼覺得的，直到遇到了需要緩存與數據庫保持強一致的場景，才知道讓數據庫數據和緩存數據保持一致性是一門很高深的學問。

從遠古的硬件緩存，操作系統緩存開始，緩存就是一門獨特的學問。這個問題也被業界探討了非常久，爭論至今。我翻閱了很多資料，發現其實這是一個權衡的問題。值得好好講講。

以下的討論會引入幾方觀點，我會跟着觀點來寫代碼驗證所提到的問題。

不更新緩存，而是刪除緩存

大部分觀點認為，做緩存不應該是去更新緩存，而是應該刪除緩存，然後由下個請求去去緩存，發現不存在後再讀取數據庫，寫入緩存。

觀點引用：《分佈式之數據庫和緩存雙寫一致性方案解析》孤獨煙

原因一：線程安全角度

同時有請求A和請求B進行更新操作，那麼會出現

（1）線程A更新了數據庫

（2）線程B更新了數據庫

（3）線程B更新了緩存

（4）線程A更新了緩存

這就出現請求A更新緩存應該比請求B更新緩存早才對，但是因為網絡等原因，B卻比A更早更新了緩存。這就導致了臟數據，因此不考慮。

原因二：業務場景角度

有如下兩點：

（1）如果你是一個寫數據庫場景比較多，而讀數據場景比較少的業務需求，採用這種方案就會導致，數據壓根還沒讀到，緩存就被頻繁的更新，浪費性能。

（2）如果你寫入數據庫的值，並不是直接寫入緩存的，而是要經過一系列複雜的計算再寫入緩存。那麼，每次寫入數據庫後，都再次計算寫入緩存的值，無疑是浪費性能的。顯然，刪除緩存更為適合。

其實如果業務非常簡單，只是去數據庫拿一個值，寫入緩存，那麼更新緩存也是可以的。但是，淘汰緩存操作簡單，並且帶來的副作用只是增加了一次cache miss，建議作為通用的處理方式。

先操作緩存，還是先操作數據庫

那麼問題就來了，我們是先刪除緩存，然後再更新數據庫，還是先更新數據庫，再刪緩存呢？

先來看看大佬們怎麼說。

《【58沈劍架構系列】緩存架構設計細節二三事》58沈劍：

對於一個不能保證事務性的操作，一定涉及「哪個任務先做，哪個任務後做」的問題，解決這個問題的方向是：如果出現不一致，誰先做對業務的影響較小，就誰先執行。

假設先淘汰緩存，再寫數據庫：第一步淘汰緩存成功，第二步寫數據庫失敗，則只會引發一次Cache miss。

假設先寫數據庫，再淘汰緩存：第一步寫數據庫操作成功，第二步淘汰緩存失敗，則會出現DB中是新數據，Cache中是舊數據，數據不一致。

沈劍老師說的沒有問題，不過沒完全考慮好並發請求時的數據臟讀問題，讓我們再來看看孤獨煙老師《分佈式之數據庫和緩存雙寫一致性方案解析》：

先刪緩存，再更新數據庫

該方案會導致請求數據不一致

同時有一個請求A進行更新操作，另一個請求B進行查詢操作。那麼會出現如下情形:

（1）請求A進行寫操作，刪除緩存

（2）請求B查詢發現緩存不存在

（3）請求B去數據庫查詢得到舊值

（4）請求B將舊值寫入緩存

（5）請求A將新值寫入數據庫

上述情況就會導致不一致的情形出現。而且，如果不採用給緩存設置過期時間策略，該數據永遠都是臟數據。

所以先刪緩存，再更新數據庫並不是一勞永逸的解決方案，再看看先更新數據庫，再刪緩存這種方案怎麼樣？

先更新數據庫，再刪緩存這種情況不存在並發問題么？

不是的。假設這會有兩個請求，一個請求A做查詢操作，一個請求B做更新操作，那麼會有如下情形產生

（1）緩存剛好失效

（2）請求A查詢數據庫，得一個舊值

（3）請求B將新值寫入數據庫

（4）請求B刪除緩存

（5）請求A將查到的舊值寫入緩存

ok，如果發生上述情況，確實是會發生臟數據。

然而，發生這種情況的概率又有多少呢？

發生上述情況有一個先天性條件，就是步驟（3）的寫數據庫操作比步驟（2）的讀數據庫操作耗時更短，才有可能使得步驟（4）先於步驟（5）。可是，大家想想，數據庫的讀操作的速度遠快於寫操作的（不然做讀寫分離幹嘛，做讀寫分離的意義就是因為讀操作比較快，耗資源少），因此步驟（3）耗時比步驟（2）更短，這一情形很難出現。

先更新數據庫，再刪緩存依然會有問題，不過，問題出現的可能性會因為上面說的原因，變得比較低！

所以，如果你想實現基礎的緩存數據庫雙寫一致的邏輯，那麼在大多數情況下，在不想做過多設計，增加太大工作量的情況下，請先更新數據庫，再刪緩存!

我非要數據庫和緩存數據強一致怎麼辦

那麼，如果我非要保證絕對一致性怎麼辦，先給出結論：

沒有辦法做到絕對的一致性，這是由CAP理論決定的，緩存系統適用的場景就是非強一致性的場景，所以它屬於CAP中的AP。

所以，我們得委曲求全，可以去做到BASE理論中說的最終一致性。

最終一致性強調的是系統中所有的數據副本，在經過一段時間的同步後，最終能夠達到一個一致的狀態。因此，最終一致性的本質是需要系統保證最終數據能夠達到一致，而不需要實時保證系統數據的強一致性

大佬們給出了到達最終一致性的解決思路，主要是針對上面兩種雙寫策略（先刪緩存，再更新數據庫/先更新數據庫，再刪緩存）導致的臟數據問題，進行相應的處理，來保證最終一致性。

緩存延時雙刪

問：先刪除緩存，再更新數據庫中避免臟數據？

答案：採用延時雙刪策略。

上文我們提到，在先刪除緩存，再更新數據庫的情況下，如果不採用給緩存設置過期時間策略，該數據永遠都是臟數據。

那麼延時雙刪怎麼解決這個問題呢？

（1）先淘汰緩存

（2）再寫數據庫（這兩步和原來一樣）

（3）休眠1秒，再次淘汰緩存

這麼做，可以將1秒內所造成的緩存臟數據，再次刪除。

那麼，這個1秒怎麼確定的，具體該休眠多久呢？

針對上面的情形，讀者應該自行評估自己的項目的讀數據業務邏輯的耗時。然後寫數據的休眠時間則在讀數據業務邏輯的耗時基礎上，加幾百ms即可。這麼做的目的，就是確保讀請求結束，寫請求可以刪除讀請求造成的緩存臟數據。

如果你用了mysql的讀寫分離架構怎麼辦？

ok，在這種情況下，造成數據不一致的原因如下，還是兩個請求，一個請求A進行更新操作，另一個請求B進行查詢操作。

（1）請求A進行寫操作，刪除緩存

（2）請求A將數據寫入數據庫了，

（3）請求B查詢緩存發現，緩存沒有值

（4）請求B去從庫查詢，這時，還沒有完成主從同步，因此查詢到的是舊值

（5）請求B將舊值寫入緩存

（6）數據庫完成主從同步，從庫變為新值

上述情形，就是數據不一致的原因。還是使用雙刪延時策略。只是，睡眠時間修改為在主從同步的延時時間基礎上，加幾百ms。

採用這種同步淘汰策略，吞吐量降低怎麼辦？

ok，那就將第二次刪除作為異步的。自己起一個線程，異步刪除。這樣，寫的請求就不用沉睡一段時間後了，再返回。這麼做，加大吞吐量。

所以在先刪除緩存，再更新數據庫的情況下，可以使用延時雙刪的策略，來保證臟數據只會存活一段時間，就會被準確的數據覆蓋。

在先更新數據庫，再刪緩存的情況下，緩存出現臟數據的情況雖然可能性極小，但也會出現。我們依然可以用延時雙刪策略，在請求A對緩存寫入了髒的舊值之後，再次刪除緩存。來保證去掉臟緩存。

刪緩存失敗了怎麼辦：重試機制

看似問題都已經解決了，但其實，還有一個問題沒有考慮到，那就是刪除緩存的操作，失敗了怎麼辦？比如延時雙刪的時候，第二次緩存刪除失敗了，那不還是沒有清除臟數據嗎？

解決方案就是再加上一個重試機制，保證刪除緩存成功。

參考孤獨煙老師給的方案圖：

方案一：

流程如下所示

（1）更新數據庫數據；

（2）緩存因為種種問題刪除失敗

（3）將需要刪除的key發送至消息隊列

（4）自己消費消息，獲得需要刪除的key

（5）繼續重試刪除操作，直到成功

然而，該方案有一個缺點，對業務線代碼造成大量的侵入。於是有了方案二，在方案二中，啟動一個訂閱程序去訂閱數據庫的binlog，獲得需要操作的數據。在應用程序中，另起一段程序，獲得這個訂閱程序傳來的信息，進行刪除緩存操作。

方案二：

流程如下圖所示：

（1）更新數據庫數據

（2）數據庫會將操作信息寫入binlog日誌當中

（3）訂閱程序提取出所需要的數據以及key

（4）另起一段非業務代碼，獲得該信息

（5）嘗試刪除緩存操作，發現刪除失敗

（6）將這些信息發送至消息隊列

（7）重新從消息隊列中獲得該數據，重試操作。

而讀取binlog的中間件，可以採用阿里開源的canal

好了，到這裡我們已經把緩存雙寫一致性的思路徹底梳理了一遍，下面就是我對這幾種思路徒手寫的實戰代碼，方便有需要的朋友參考。

緩存和數據庫一致性實戰

實戰：先刪除緩存，再更新數據庫

終於到了實戰，我們在秒殺項目的代碼上增加接口：先刪除緩存，再更新數據庫

OrderController中新增：

/**
 * 下單接口：先刪除緩存，再更新數據庫
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV1/{sid}")
@ResponseBody
public String createOrderWithCacheV1(@PathVariable int sid) {
    int count = 0;
    try {
        // 刪除庫存緩存
        stockService.delStockCountCache(sid);
        // 完成扣庫存下單事務
        orderService.createPessimisticOrder(sid);
    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

stockService中新增：

@Override
public void delStockCountCache(int id) {
    String hashKey = CacheKey.STOCK_COUNT.getKey() + "_" + id;
    stringRedisTemplate.delete(hashKey);
    LOGGER.info("刪除商品id：[{}] 緩存", id);
}

其他涉及的代碼都在之前三篇文章中有介紹，並且可以直接去Github拿到項目源碼，就不在這裡重複貼了。

實戰：先更新數據庫，再刪緩存

如果是先更新數據庫，再刪緩存，那麼代碼只是在業務順序上顛倒了一下，這裡就只貼OrderController中新增：

/**
 * 下單接口：先更新數據庫，再刪緩存
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV2/{sid}")
@ResponseBody
public String createOrderWithCacheV2(@PathVariable int sid) {
    int count = 0;
    try {
        // 完成扣庫存下單事務
        orderService.createPessimisticOrder(sid);
        // 刪除庫存緩存
        stockService.delStockCountCache(sid);
    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

實戰：緩存延時雙刪

如何做延時雙刪呢，最好的方法是開設一個線程池，在線程中刪除key，而不是使用Thread.sleep進行等待，這樣會阻塞用戶的請求。

更新前先刪除緩存，然後更新數據，再延時刪除緩存。

OrderController中新增接口：

// 延時時間：預估讀數據庫數據業務邏輯的耗時，用來做緩存再刪除
private static final int DELAY_MILLSECONDS = 1000;


/**
 * 下單接口：先刪除緩存，再更新數據庫，緩存延時雙刪
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV3/{sid}")
@ResponseBody
public String createOrderWithCacheV3(@PathVariable int sid) {
    int count;
    try {
        // 刪除庫存緩存
        stockService.delStockCountCache(sid);
        // 完成扣庫存下單事務
        count = orderService.createPessimisticOrder(sid);
        // 延時指定時間後再次刪除緩存
        cachedThreadPool.execute(new delCacheByThread(sid));
    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

OrderController中新增線程池：

// 延時雙刪線程池
private static ExecutorService cachedThreadPool = new ThreadPoolExecutor(0, Integer.MAX_VALUE, 60L, TimeUnit.SECONDS,new SynchronousQueue<Runnable>());


/**
 * 緩存再刪除線程
 */
private class delCacheByThread implements Runnable {
    private int sid;
    public delCacheByThread(int sid) {
        this.sid = sid;
    }
    public void run() {
        try {
            LOGGER.info("異步執行緩存再刪除，商品id：[{}]， 首先休眠：[{}] 毫秒", sid, DELAY_MILLSECONDS);
            Thread.sleep(DELAY_MILLSECONDS);
            stockService.delStockCountCache(sid);
            LOGGER.info("再次刪除商品id：[{}] 緩存", sid);
        } catch (Exception e) {
            LOGGER.error("delCacheByThread執行出錯", e);
        }
    }
}

來試驗一下，請求接口createOrderWithCacheV3：

日誌中，做到了兩次刪除：

實戰：刪除緩存重試機制

上文提到了，要解決刪除失敗的問題，需要用到消息隊列，進行刪除操作的重試。這裡我們為了達到效果，接入了RabbitMq，並且需要在接口中寫發送消息，並且需要消費者常駐來消費消息。Spring整合RabbitMq還是比較簡單的，我把簡單的整合代碼也貼出來。

pom.xml新增RabbitMq的依賴：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-amqp</artifactId>
</dependency>

寫一個RabbitMqConfig：

@Configuration
public class RabbitMqConfig {

    @Bean
    public Queue delCacheQueue() {
        return new Queue("delCache");
    }

}

添加一個消費者：

@Component
@RabbitListener(queues = "delCache")
public class DelCacheReceiver {

    private static final Logger LOGGER = LoggerFactory.getLogger(DelCacheReceiver.class);

    @Autowired
    private StockService stockService;

    @RabbitHandler
    public void process(String message) {
        LOGGER.info("DelCacheReceiver收到消息: " + message);
        LOGGER.info("DelCacheReceiver開始刪除緩存: " + message);
        stockService.delStockCountCache(Integer.parseInt(message));
    }
}

OrderController中新增接口：

/**
 * 下單接口：先更新數據庫，再刪緩存，刪除緩存重試機制
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV4/{sid}")
@ResponseBody
public String createOrderWithCacheV4(@PathVariable int sid) {
    int count;
    try {
        // 完成扣庫存下單事務
        count = orderService.createPessimisticOrder(sid);
        // 刪除庫存緩存
        stockService.delStockCountCache(sid);
        // 延時指定時間後再次刪除緩存
        // cachedThreadPool.execute(new delCacheByThread(sid));
        // 假設上述再次刪除緩存沒成功，通知消息隊列進行刪除緩存
        sendDelCache(String.valueOf(sid));

    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

訪問createOrderWithCacheV4：

可以看到，我們先完成了下單，然後刪除了緩存，並且假設延遲刪除緩存失敗了，發送給消息隊列重試的消息，消息隊列收到消息後再去刪除緩存。

實戰：讀取binlog異步刪除緩存

我們需要用到阿里開源的canal來讀取binlog進行緩存的異步刪除。

我寫了一篇Canal的入門文章，其中用的入門例子就是讀取binlog刪除緩存。大家可以直接跳轉到這裡：阿里開源MySQL中間件Canal快速入門

擴展閱讀

更新緩存的的Design Pattern有四種：

• Cache aside
• Read through
• Write through
• Write behind caching，這裡有陳皓的總結文章可以進行學習。

//coolshell.cn/articles/17416.html

小結

引用陳浩《緩存更新的套路》最後的總結語作為小結：

分佈式系統里要麼通過2PC或是Paxos協議保證一致性，要麼就是拚命的降低並發時臟數據的概率

緩存系統適用的場景就是非強一致性的場景，所以它屬於CAP中的AP，BASE理論。

異構數據庫本來就沒辦法強一致，只是儘可能減少時間窗口，達到最終一致性。

還有別忘了設置過期時間，這是個兜底方案

結束語

本文總結並探討了緩存數據庫雙寫一致性問題。

文章內容大致可以總結為如下幾點：

• 對於讀多寫少的數據，請使用緩存。
• 為了保持數據庫和緩存的一致性，會導致系統吞吐量的下降。
• 為了保持數據庫和緩存的一致性，會導致業務代碼邏輯複雜。
• 緩存做不到絕對一致性，但可以做到最終一致性。
• 對於需要保證緩存數據庫數據一致的情況，請盡量考慮對一致性到底有多高要求，選定合適的方案，避免過度設計。

作者水平有限，寫文章過程中難免出現錯誤和疏漏，請理性討論與指正。

碼字不易，只求關注，歡迎關注我的原創技術公眾號：後端技術漫談（二維碼見文章底部）

參考

• //cloud.tencent.com/developer/article/1574827
• //www.jianshu.com/p/2936a5c65e6b
• //www.cnblogs.com/rjzheng/p/9041659.html
• //www.cnblogs.com/codeon/p/8287563.html
• //www.jianshu.com/p/0275ecca2438
• //www.jianshu.com/p/dc1e5091a0d8
• //coolshell.cn/articles/17416.html

關注我

我是一名後端開發工程師。主要關注後端開發，數據安全，爬蟲，物聯網，邊緣計算等方向，歡迎交流。

各大平台都可以找到我

• 微信公眾號：後端技術漫談
• Github：@qqxx6661
• CSDN：@蠻三刀把刀
• 知乎：@後端技術漫談
• 簡書：@蠻三刀把刀
• 掘金：@蠻三刀把刀
• 騰訊雲+社區：@後端技術漫談

原創文章主要內容

• 後端開發實戰
• Java面試知識
• 設計模式/數據結構/算法題解
• 讀書筆記/逸聞趣事/程序人生

個人公眾號：後端技術漫談

如果文章對你有幫助，不妨點贊，收藏起來~