博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Redis和Memcache对比及选择
阅读量:4198 次
发布时间:2019-05-26

本文共 1115 字,大约阅读时间需要 3 分钟。

  没有必要过多的关注性能。由于Redis只使用单核,而Memcached可以使用多核,所以在比较上,平均每一个核上Redis在存储小数据时比Memcached性能更高。而在100k以上的数据中,Memcached性能要高于Redis,虽然Redis最近也在存储大数据的性能上进行优化,但是比起Memcached,还是稍有逊色。说了这么多,结论是,无论你使用哪一个,每秒处理请求的次数都不会成为瓶颈。

   你需要关注内存使用率。对于key-value这样简单的数据储存,memcache的内存使用率更高。如果采用hash结构,redis的内存使用率会更高。当然,这些都依赖于具体的应用场景。

   你需要关注关注数据持久化和主从复制时,只有redis拥有这两个特性。如果你的目标是构建一个缓存在升级或者重启后之前的数据不会丢失的话,那也只能选择redis。

   你应该关心你需要的操作。redis支持很多复杂的操作,甚至只考虑内存的使用情况,在一个单一操作里你常常可以做很多,而不需要将数据读取到客户端中(这样会需要很多的IO操作)。这些复杂的操作基本上和纯GET和POST操作一样快,所以你不只是需要GET/SET而是更多的操作时,redis会起很大的作用。

   对于两者的选择还是要看具体的应用场景,如果需要缓存的数据只是key-value这样简单的结构时,我在项目里还是采用memcache,它也足够的稳定可靠。如果涉及到存储,排序等一系列复杂的操作时,毫无疑问选择redis。  

   关于redis和memcache的不同,下面罗列了一些相关说法,供记录:

   redis和memecache的不同在于[2]:

   1、存储方式:

   memecache 把数据全部存在内存之中,断电后会挂掉,数据不能超过内存大小
   redis有部份存在硬盘上,这样能保证数据的持久性,支持数据的持久化(笔者注:有快照和AOF日志两种持久化方式,在实际应用的时候,要特别注意配置文件快照参数,要不就很有可能服务器频繁满载做dump)。
   2、数据支持类型:
   redis在数据支持上要比memecache多的多。
   3、使用底层模型不同:
   新版本的redis直接自己构建了VM 机制 ,因为一般的系统调用系统函数的话,会浪费一定的时间去移动和请求。
   4、运行环境不同:
   redis目前官方只支持LINUX 上去行,从而省去了对于其它系统的支持,这样的话可以更好的把精力用于本系统 环境上的优化,虽然后来微软有一个小组为其写了补丁。但是没有放到主干上

个人总结一下,有持久化需求或者对数据结构和处理有高级要求的应用,选择redis,其他简单的key/value存储,选择memcache。

转载地址:http://jhbli.baihongyu.com/

你可能感兴趣的文章
论文浅尝 | 通过共享表示和结构化预测进行事件和事件时序关系的联合抽取
查看>>
论文浅尝 | 融合多粒度信息和外部语言知识的中文关系抽取
查看>>
论文浅尝 | GMNN: Graph Markov Neural Networks
查看>>
应用实践 | 网络智能运维下的知识图谱
查看>>
应用实践 | 南方科技大学研发基于新型冠状病毒知识图谱模式挖掘系统
查看>>
征稿 | 2020年全国知识图谱与语义计算大会
查看>>
论文浅尝 | Tree-to-sequence 学习知识问答
查看>>
论文浅尝 | 重新实验评估知识图谱补全方法
查看>>
论文浅尝 | GEOM-GCN: Geometric Graph Convolutional Networks
查看>>
论文浅尝 | ICLR 2020 - 图神经网络的预训练策略
查看>>
开源开放 | 《大词林》开源 75 万核心实体和围绕核心实体的细粒度概念、关系列表...
查看>>
论文浅尝 | AAAI2020 - 基于生成对抗的知识图谱零样本关系学习
查看>>
应用实践 | 电商应用——一种基于强化学习的特定规则学习模型
查看>>
论文浅尝 - ACL2020 | 用于链接预测的开放知识图谱嵌入
查看>>
陈华钧等 | OpenKG区块链:构建可信开放的联邦知识图谱平台
查看>>
论文浅尝 | Iterative Cross-Lingual Entity Alignment Based on TransC
查看>>
论文浅尝 – KDD2020 | 使用图对比编码的图神经网络预训练模型
查看>>
论文浅尝 - CIKM2020 | Relation Reflection Entity Alignment
查看>>
论文浅尝 | 基于对抗学习的弱监督知识图谱对齐
查看>>
论文浅尝 - AAAI2020 | 多通道反向词典模型
查看>>