两难！先更新数据库再删缓存？还是先删缓存再更新数据库？

太过爱你忘了你带给我的痛 2023-10-05 09:46 13阅读 0赞

### 前言 ###

**当我们在做数据库与缓存数据同步时，究竟更新缓存，还是删除缓存，究竟是先操作数据库，还是先操作缓存？本文带大家深度分析数据库与缓存的双写问题****，并且给出了所有方案的实现代码方便大家参考。**

### 本篇文章主要内容 ###

*  数据缓存
 *   *  为何要使用缓存
     *  哪类数据适合缓存
     *  缓存的利与弊
 *  如何保证缓存和数据库一致性
 *   *  不更新缓存，而是删除缓存
     *  先操作缓存，还是先操作数据库
     *  非要保证数据库和缓存数据强一致该怎么办
 *  缓存和数据库一致性实战
 *   *  实战：先删除缓存，再更新数据库
     *  实战：先更新数据库，再删缓存
     *  实战：缓存延时双删
     *  实战：删除缓存重试机制
     *  实战：读取binlog异步删除缓存

### 数据缓存 ###

在我们实际的业务场景中，一定有很多需要做数据缓存的场景，比如售卖商品的页面，包括了许多并发访问量很大的数据，它们可以称作是是“热点”数据，这些数据有一个特点，**就是更新频率低，读取频率高**，这些数据应该尽量被缓存，从而减少请求打到数据库上的机会，减轻数据库的压力。

#### 为何要使用缓存 ####

缓存是为了追求“快”而存在的。我们用代码举一个例子。

我在自己的Demo代码仓库中增加了两个查询库存的接口getStockByDB和getStockByCache，分别表示从数据库和缓存查询某商品的库存量。

随后我们用JMeter进行并发请求测试。（JMeter的使用请参考我之前写的文章：[点击这里][Link 1]）

> 需要声明的是，我的测试并不严谨，只是作对比测试，不要作为实际服务性能的参考。

这是两个接口的代码：

/**
     * 查询库存：通过数据库查询库存
     * @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("查询库存失败：[{}]", e.getMessage());
            return "查询库存失败";
        }
        LOGGER.info("商品Id: [{}] 剩余库存为: [{}]", sid, count);
        return String.format("商品Id: %d 剩余库存为：%d", sid, count);
    }
    
    /**
     * 查询库存：通过缓存查询库存
     * 缓存命中：返回库存
     * 缓存未命中：查询数据库写入缓存并返回
     * @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("缓存未命中，查询数据库，并写入缓存");
                stockService.setStockCountToCache(sid, count);
            }
        } catch (Exception e) {
            LOGGER.error("查询库存失败：[{}]", e.getMessage());
            return "查询库存失败";
        }
        LOGGER.info("商品Id: [{}] 剩余库存为: [{}]", sid, count);
        return String.format("商品Id: %d 剩余库存为：%d", sid, count);
    }

首先设置为10000个并发请求的情况下，运行JMeter，结果首先出现了大量的报错，10000个请求中98%的请求都直接失败了。让人很慌张~

打开日志，报错如下：

![format_png][]

SpringBoot内置的Tomcat最大并发数搞的鬼，其默认值为200，对于10000的并发，单机服务实在是力不从心。当然，你可以修改这里的并发数设置，但是你的小机器仍然可能会扛不住。

![format_png 1][]

将其修改为如下配置后，我的小机器才在通过缓存拿库存的情况下，保证了10000个并发的100%返回请求：

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

**可以看到，不使用缓存的情况下，吞吐量为668个请求每秒**：

![format_png 2][]

**使用缓存的情况下，吞吐量为2177个请求每秒**：

![format_png 3][]

在这种“**十分不严谨**”的对比下，有缓存对于一台单机，性能提升了3倍多，如果在多台机器，更多并发的情况下，由于数据库有了更大的压力，缓存的性能优势应该会更加明显。

测完了这个小实验，我看了眼我挂着MySql的小水管腾讯云服务器，生怕他被这么高流量搞挂。这种突发的流量，指不定会被检测为异常攻击流量呢~

![format_png 4][]

我用的是腾讯云服务器1C4G2M，活动买的，很便宜。这里打个免费的广告，请腾讯云看到后联系我给我打钱 ;)

![format_png 5][]

#### 哪类数据适合缓存 ####

缓存量大但又不常变化的数据，比如详情，评论等。对于那些经常变化的数据，其实并不适合缓存，一方面会增加系统的复杂性（缓存的更新，缓存脏数据），另一方面也给系统带来一定的不稳定性（缓存系统的维护）。

**但一些极端情况下，你需要将一些会变动的数据进行缓存，比如想要页面显示准实时的库存数，或者其他一些特殊业务场景。这时候你需要保证缓存不能（一直）有脏数据，这就需要再深入讨论一下。**

#### 缓存的利与弊 ####

我们到底该不该上缓存的，这其实也是个trade-off（权衡）的问题。

上缓存的优点：

*  能够缩短服务的响应时间，给用户带来更好的体验。
 *  能够增大系统的吞吐量，依然能够提升用户体验。
 *  减轻数据库的压力，防止高峰期数据库被压垮，导致整个线上服务BOOM！

上了缓存，也会引入很多额外的问题：

*  缓存有多种选型，是内存缓存，memcached还是redis，你是否都熟悉，如果不熟悉，无疑增加了维护的难度（本来是个纯洁的数据库系统）。
 *  缓存系统也要考虑分布式，比如redis的分布式缓存还会有很多坑，无疑增加了系统的复杂性。
 *  在特殊场景下，如果对缓存的准确性有非常高的要求，就必须考虑**缓存和数据库的一致性问题**。

**本文想要重点讨论的，就是缓存和数据库的一致性问题，各位看官且往下看。**

### 如何保证缓存和数据库一致性 ###

说了这么多缓存的必要性，那么使用缓存是不是就是一个很简单的事情了呢，我之前也一直是这么觉得的，直到遇到了需要缓存与数据库保持**强一致**的场景，才知道让数据库数据和缓存数据保持一致性是一门很高深的学问。

从远古的硬件缓存，操作系统缓存开始，缓存就是一门独特的学问。这个问题也被业界探讨了非常久，争论至今。我翻阅了很多资料，发现其实这是一个权衡的问题。值得好好讲讲。

**以下的讨论会引入几方观点，我会跟着观点来写代码验证所提到的问题。**

#### 不更新缓存，而是删除缓存 ####

**大部分观点认为，做缓存不应该是去更新缓存，而是应该删除缓存，然后由下个请求去去缓存，发现不存在后再读取数据库，写入缓存。**

观点引用：《分布式之数据库和缓存双写一致性方案解析》孤独烟

> **原因一：线程安全角度**
> 
> 同时有请求A和请求B进行更新操作，那么会出现
> 
> （1）线程A更新了数据库
> 
> （2）线程B更新了数据库
> 
> （3）线程B更新了缓存
> 
> （4）线程A更新了缓存
> 
> 这就出现请求A更新缓存应该比请求B更新缓存早才对，但是因为网络等原因，B却比A更早更新了缓存。这就导致了脏数据，因此不考虑。
> 
> **原因二：业务场景角度**
> 
> 有如下两点：
> 
> （1）如果你是一个写数据库场景比较多，而读数据场景比较少的业务需求，采用这种方案就会导致，数据压根还没读到，缓存就被频繁的更新，浪费性能。
> 
> （2）如果你写入数据库的值，并不是直接写入缓存的，而是要经过一系列复杂的计算再写入缓存。那么，每次写入数据库后，都再次计算写入缓存的值，无疑是浪费性能的。显然，删除缓存更为适合。

**其实如果业务非常简单，只是去数据库拿一个值，写入缓存，那么更新缓存也是可以的。但是，淘汰缓存操作简单，并且带来的副作用只是增加了一次cache miss，建议作为通用的处理方式。**

#### 先操作缓存，还是先操作数据库 ####

**那么问题就来了，我们是先删除缓存，然后再更新数据库，还是先更新数据库，再删缓存呢？**

先来看看大佬们怎么说。

《【58沈剑架构系列】缓存架构设计细节二三事》58沈剑：

> 对于一个不能保证事务性的操作，一定涉及“哪个任务先做，哪个任务后做”的问题，解决这个问题的方向是：如果出现不一致，谁先做对业务的影响较小，就谁先执行。
> 
> 假设先淘汰缓存，再写数据库：第一步淘汰缓存成功，第二步写数据库失败，则只会引发一次Cache miss。
> 
> 假设先写数据库，再淘汰缓存：第一步写数据库操作成功，第二步淘汰缓存失败，则会出现DB中是新数据，Cache中是旧数据，数据不一致。

沈剑老师说的没有问题，不过**没完全考虑好并发请求时的数据脏读问题**，让我们再来看看孤独烟老师《分布式之数据库和缓存双写一致性方案解析》：

> **先删缓存，再更新数据库**
> 
> 该方案会导致请求数据不一致
> 
> 同时有一个请求A进行更新操作，另一个请求B进行查询操作。那么会出现如下情形:
> 
> （1）请求A进行写操作，删除缓存
> 
> （2）请求B查询发现缓存不存在
> 
> （3）请求B去数据库查询得到旧值
> 
> （4）请求B将旧值写入缓存
> 
> （5）请求A将新值写入数据库
> 
> 上述情况就会导致不一致的情形出现。而且，如果不采用给缓存设置过期时间策略，该数据永远都是脏数据。

**所以先删缓存，再更新数据库并不是一劳永逸的解决方案，再看看先更新数据库，再删缓存这种方案怎么样？**

> **先更新数据库，再删缓存**这种情况不存在并发问题么？
> 
> 不是的。假设这会有两个请求，一个请求A做查询操作，一个请求B做更新操作，那么会有如下情形产生
> 
> （1）缓存刚好失效
> 
> （2）请求A查询数据库，得一个旧值
> 
> （3）请求B将新值写入数据库
> 
> （4）请求B删除缓存
> 
> （5）请求A将查到的旧值写入缓存
> 
> ok，如果发生上述情况，确实是会发生脏数据。
> 
> 然而，发生这种情况的概率又有多少呢？
> 
> 发生上述情况有一个先天性条件，就是步骤（3）的写数据库操作比步骤（2）的读数据库操作耗时更短，才有可能使得步骤（4）先于步骤（5）。可是，大家想想，**数据库的读操作的速度远快于写操作的（不然做读写分离干嘛，做读写分离的意义就是因为读操作比较快，耗资源少），因此步骤（3）耗时比步骤（2）更短，这一情形很难出现。**

**先更新数据库，再删缓存依然会有问题，不过，问题出现的可能性会因为上面说的原因，变得比较低！**

所以，如果你想实现基础的缓存数据库双写一致的逻辑，那么在大多数情况下，在不想做过多设计，增加太大工作量的情况下，请**先更新数据库，再删缓存!**

#### 我非要数据库和缓存数据强一致怎么办 ####

那么，如果我非要保证绝对一致性怎么办，先给出结论：

**没有办法做到绝对的一致性，这是由CAP理论决定的，缓存系统适用的场景就是非强一致性的场景，所以它属于CAP中的AP。**

所以，我们得委曲求全，可以去做到BASE理论中说的**最终一致性**。

> 最终一致性强调的是系统中所有的数据副本，在经过一段时间的同步后，最终能够达到一个一致的状态。因此，最终一致性的本质是需要系统保证最终数据能够达到一致，而不需要实时保证系统数据的强一致性

大佬们给出了到达最终一致性的解决思路，主要是针对上面两种双写策略（先删缓存，再更新数据库/先更新数据库，再删缓存）导致的**脏数据问题，进行相应的处理，来保证最终一致性。**

##### 缓存延时双删 #####

问：先删除缓存，再更新数据库中避免脏数据？

答案：采用延时双删策略。

上文我们提到，在先删除缓存，再更新数据库的情况下，如果不采用给缓存设置过期时间策略，该数据永远都是脏数据。

**那么延时双删怎么解决这个问题呢？**

> （1）先淘汰缓存
> 
> （2）再写数据库（这两步和原来一样）
> 
> （3）休眠1秒，再次淘汰缓存
> 
> 这么做，可以将1秒内所造成的缓存脏数据，再次删除。

**那么，这个1秒怎么确定的，具体该休眠多久呢？**

> 针对上面的情形，读者应该自行评估自己的项目的读数据业务逻辑的耗时。然后写数据的休眠时间则在读数据业务逻辑的耗时基础上，加几百ms即可。这么做的目的，就是确保读请求结束，写请求可以删除读请求造成的缓存脏数据。

**如果你用了mysql的读写分离架构怎么办？**

> ok，在这种情况下，造成数据不一致的原因如下，还是两个请求，一个请求A进行更新操作，另一个请求B进行查询操作。
> 
> （1）请求A进行写操作，删除缓存
> 
> （2）请求A将数据写入数据库了，
> 
> （3）请求B查询缓存发现，缓存没有值
> 
> （4）请求B去从库查询，这时，还没有完成主从同步，因此查询到的是旧值
> 
> （5）请求B将旧值写入缓存
> 
> （6）数据库完成主从同步，从库变为新值
> 
> 上述情形，就是数据不一致的原因。还是使用双删延时策略。只是，睡眠时间修改为在主从同步的延时时间基础上，加几百ms。

**采用这种同步淘汰策略，吞吐量降低怎么办？**

> ok，那就将第二次删除作为异步的。自己起一个线程，异步删除。这样，写的请求就不用沉睡一段时间后了，再返回。这么做，加大吞吐量。

**所以在先删除缓存，再更新数据库的情况下**，可以使用延时双删的策略，来保证脏数据只会存活一段时间，就会被准确的数据覆盖。

**在先更新数据库，再删缓存的情况下**，缓存出现脏数据的情况虽然可能性极小，但也会出现。我们依然可以用延时双删策略，在请求A对缓存写入了脏的旧值之后，再次删除缓存。来保证去掉脏缓存。

##### 删缓存失败了怎么办：重试机制 #####

看似问题都已经解决了，但其实，还有一个问题没有考虑到，那就是删除缓存的操作，失败了怎么办？比如延时双删的时候，第二次缓存删除失败了，那不还是没有清除脏数据吗？

**解决方案就是再加上一个重试机制，保证删除缓存成功。**

参考孤独烟老师给的方案图：

**方案一：**

![format_png 6][]

> 流程如下所示
> 
> （1）更新数据库数据；
> 
> （2）缓存因为种种问题删除失败
> 
> （3）将需要删除的key发送至消息队列
> 
> （4）自己消费消息，获得需要删除的key
> 
> （5）继续重试删除操作，直到成功
> 
> 然而，该方案有一个缺点，对业务线代码造成大量的侵入。于是有了方案二，在方案二中，启动一个订阅程序去订阅数据库的binlog，获得需要操作的数据。在应用程序中，另起一段程序，获得这个订阅程序传来的信息，进行删除缓存操作。

方案二：

![format_png 7][]

> 流程如下图所示：
> 
> （1）更新数据库数据
> 
> （2）数据库会将操作信息写入binlog日志当中
> 
> （3）订阅程序提取出所需要的数据以及key
> 
> （4）另起一段非业务代码，获得该信息
> 
> （5）尝试删除缓存操作，发现删除失败
> 
> （6）将这些信息发送至消息队列
> 
> （7）重新从消息队列中获得该数据，重试操作。

**而读取binlog的中间件，可以采用阿里开源的canal**

好了，到这里我们已经把缓存双写一致性的思路彻底梳理了一遍，下面就是我对这几种思路徒手写的实战代码，方便有需要的朋友参考。

### 缓存和数据库一致性实战 ###

#### 实战：先删除缓存，再更新数据库 ####

终于到了实战，我们在秒杀项目的代码上增加接口：先删除缓存，再更新数据库

OrderController中新增：

/**
     * 下单接口：先删除缓存，再更新数据库
     * @param sid
     * @return
     */
    @RequestMapping("/createOrderWithCacheV1/{sid}")
    @ResponseBody
    public String createOrderWithCacheV1(@PathVariable int sid) {
        int count = 0;
        try {
            // 删除库存缓存
            stockService.delStockCountCache(sid);
            // 完成扣库存下单事务
            orderService.createPessimisticOrder(sid);
        } catch (Exception e) {
            LOGGER.error("购买失败：[{}]", e.getMessage());
            return "购买失败，库存不足";
        }
        LOGGER.info("购买成功，剩余库存为: [{}]", count);
        return String.format("购买成功，剩余库存为：%d", count);
    }

stockService中新增：

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

其他涉及的代码都在之前三篇文章中有介绍，并且可以直接去Github拿到项目源码，就不在这里重复贴了。

#### 实战：先更新数据库，再删缓存 ####

如果是先更新数据库，再删缓存，那么代码只是在业务顺序上颠倒了一下，这里就只贴OrderController中新增：

/**
     * 下单接口：先更新数据库，再删缓存
     * @param sid
     * @return
     */
    @RequestMapping("/createOrderWithCacheV2/{sid}")
    @ResponseBody
    public String createOrderWithCacheV2(@PathVariable int sid) {
        int count = 0;
        try {
            // 完成扣库存下单事务
            orderService.createPessimisticOrder(sid);
            // 删除库存缓存
            stockService.delStockCountCache(sid);
        } catch (Exception e) {
            LOGGER.error("购买失败：[{}]", e.getMessage());
            return "购买失败，库存不足";
        }
        LOGGER.info("购买成功，剩余库存为: [{}]", count);
        return String.format("购买成功，剩余库存为：%d", count);
    }

#### 实战：缓存延时双删 ####

如何做延时双删呢，最好的方法是开设一个线程池，在线程中删除key，而不是使用Thread.sleep进行等待，这样会阻塞用户的请求。

更新前先删除缓存，然后更新数据，再延时删除缓存。

OrderController中新增接口：

// 延时时间：预估读数据库数据业务逻辑的耗时，用来做缓存再删除
    private static final int DELAY_MILLSECONDS = 1000;
    
    
    /**
     * 下单接口：先删除缓存，再更新数据库，缓存延时双删
     * @param sid
     * @return
     */
    @RequestMapping("/createOrderWithCacheV3/{sid}")
    @ResponseBody
    public String createOrderWithCacheV3(@PathVariable int sid) {
        int count;
        try {
            // 删除库存缓存
            stockService.delStockCountCache(sid);
            // 完成扣库存下单事务
            count = orderService.createPessimisticOrder(sid);
            // 延时指定时间后再次删除缓存
            cachedThreadPool.execute(new delCacheByThread(sid));
        } catch (Exception e) {
            LOGGER.error("购买失败：[{}]", e.getMessage());
            return "购买失败，库存不足";
        }
        LOGGER.info("购买成功，剩余库存为: [{}]", count);
        return String.format("购买成功，剩余库存为：%d", count);
    }

OrderController中新增线程池：

// 延时双删线程池
    private static ExecutorService cachedThreadPool = new ThreadPoolExecutor(0, Integer.MAX_VALUE, 60L, TimeUnit.SECONDS,new SynchronousQueue<Runnable>());
    
    
    /**
     * 缓存再删除线程
     */
    private class delCacheByThread implements Runnable {
        private int sid;
        public delCacheByThread(int sid) {
            this.sid = sid;
        }
        public void run() {
            try {
                LOGGER.info("异步执行缓存再删除，商品id：[{}]， 首先休眠：[{}] 毫秒", sid, DELAY_MILLSECONDS);
                Thread.sleep(DELAY_MILLSECONDS);
                stockService.delStockCountCache(sid);
                LOGGER.info("再次删除商品id：[{}] 缓存", sid);
            } catch (Exception e) {
                LOGGER.error("delCacheByThread执行出错", e);
            }
        }
    }

来试验一下，请求接口createOrderWithCacheV3：

![format_png 8][]

日志中，做到了两次删除：

![format_png 9][]

#### 实战：删除缓存重试机制 ####

上文提到了，要解决删除失败的问题，需要用到消息队列，进行删除操作的重试。这里我们为了达到效果，接入了RabbitMq，并且需要在接口中写发送消息，并且需要消费者常驻来消费消息。Spring整合RabbitMq还是比较简单的，我把简单的整合代码也贴出来。

pom.xml新增RabbitMq的依赖：

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

写一个RabbitMqConfig：

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

添加一个消费者：

@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开始删除缓存: " + message);
            stockService.delStockCountCache(Integer.parseInt(message));
        }
    }

OrderController中新增接口：

/**
     * 下单接口：先更新数据库，再删缓存，删除缓存重试机制
     * @param sid
     * @return
     */
    @RequestMapping("/createOrderWithCacheV4/{sid}")
    @ResponseBody
    public String createOrderWithCacheV4(@PathVariable int sid) {
        int count;
        try {
            // 完成扣库存下单事务
            count = orderService.createPessimisticOrder(sid);
            // 删除库存缓存
            stockService.delStockCountCache(sid);
            // 延时指定时间后再次删除缓存
            // cachedThreadPool.execute(new delCacheByThread(sid));
            // 假设上述再次删除缓存没成功，通知消息队列进行删除缓存
            sendDelCache(String.valueOf(sid));
    
        } catch (Exception e) {
            LOGGER.error("购买失败：[{}]", e.getMessage());
            return "购买失败，库存不足";
        }
        LOGGER.info("购买成功，剩余库存为: [{}]", count);
        return String.format("购买成功，剩余库存为：%d", count);
    }

访问createOrderWithCacheV4：

![format_png 10][]

可以看到，我们先完成了下单，然后删除了缓存，并且假设延迟删除缓存失败了，发送给消息队列重试的消息，消息队列收到消息后再去删除缓存。

#### 实战：读取binlog异步删除缓存 ####

我们需要用到阿里开源的canal来读取binlog进行缓存的异步删除。

我写了一篇Canal的入门文章，其中用的入门例子就是读取binlog删除缓存。大家可以直接跳转到这里：[阿里开源MySQL中间件Canal快速入门][MySQL_Canal]

#### 扩展阅读 ####

更新缓存的的Design Pattern有四种：

*  Cache aside
 *  Read through
 *  Write through
 *  Write behind caching，这里有陈皓的总结文章可以进行学习。

https://coolshell.cn/articles/17416.html

#### 小结 ####

引用陈浩《缓存更新的套路》最后的总结语作为小结：

> 分布式系统里要么通过2PC或是Paxos协议保证一致性，要么就是拼命的降低并发时脏数据的概率
> 
> 缓存系统适用的场景就是非强一致性的场景，所以它属于CAP中的AP，BASE理论。
> 
> 异构数据库本来就没办法强一致，**只是尽可能减少时间窗口，达到最终一致性**。
> 
> 还有别忘了设置过期时间，这是个兜底方案

## 结束语 ##

本文总结并探讨了缓存数据库双写一致性问题。

**文章内容大致可以总结为如下几点：**

*  对于读多写少的数据，请使用缓存。
 *  为了保持数据库和缓存的一致性，会导致系统吞吐量的下降。
 *  为了保持数据库和缓存的一致性，会导致业务代码逻辑复杂。
 *  缓存做不到绝对一致性，但可以做到最终一致性。
 *  对于需要保证缓存数据库数据一致的情况，请尽量考虑对一致性到底有多高要求，选定合适的方案，避免过度设计。

作者水平有限，写文章过程中难免出现错误和疏漏，请理性讨论与指正。

## 参考 ##

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

**如果文章对你有帮助，不妨点赞，收藏起来~**

![format_png 11][]

往期推荐

[磊哥工作十几年了，竟没有用过do-while！（文末送书）][do-while]

[2020-09-06][do-while]

[![format_png 12][] ][do-while]

[3种时间格式化的方法，SpringBoot篇！][3_SpringBoot]

[2020-09-04][3_SpringBoot]

[![format_png 13][] ][3_SpringBoot]

[多图证明，Java到底是值传递还是引用传递？][Java]

[2020-09-02][Java]

[![format_png 14][] ][Java]

[阿里为什么推荐使用LongAdder，而不是volatile？][LongAdder_volatile]

[2020-08-25][LongAdder_volatile]

[![format_png 15][] ][LongAdder_volatile]

关注下方二维码，收获更多干货！

![format_png 16][]

[Link 1]: https://mp.weixin.qq.com/s?__biz=MzU1NTA0NTEwMg%3D%3D&idx=1&lang=zh_CN&mid=2247484174&scene=21&sn=235af7ead49a7d33e7fab52e05d5021f#wechat_redirect
[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2tNSGhpY1Zla1U4TkN3VFNzdEJ5Z3FBa0g5YWd4elpVY2lhN0p1ZzNScVZMd1FuV0NoazdlMmN6US82NDA?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2swYVFDNktKb0dTUTNVZFNLcU8weXJIUXM1ck1FTGdKc0Vkc3RBU05RVEozTHp6VzA5NXdGaWFRLzY0MA?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2tuN3dSNUNwSG9XbWtqNDBvWVB6MHpLSHh2MWc5bHpyWVhucmxrQzMwRFFUd1ZZMUoyRnB6c2cvNjQw?x-oss-process=image/format,png
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2syVE90R0FaR0lYN2ZhalNWaHNtdmQ1N0JsNXlkekNtVlZnVFpmaWJhTGhJY1puV2M1ZTlJVkR3LzY0MA?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2ttcmpwMlU0cktJYTFkRFBTU0ZNb0h5RUJUMFdjNkNlN0V2R3h1QnJVY0thOThRYW1oMmtiTGcvNjQw?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2t2d2VzdFc2SUNwNXdWaWNoTERCTDJrS1lKV2lha3g2UFRCZFpBZjNlaWNQM3VmTTBZaWJWRmlhQWRHQS82NDA?x-oss-process=image/format,png
[format_png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2tpYmljbjdmR1NRa0pVUW5FVmZSMjZMN2ZkaWNIcUN3aDZ2cWV3TW1EYzdrYzRZQmliY0RkSDZaNEt3LzY0MA?x-oss-process=image/format,png
[format_png 7]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2t1MktzNkRSNXRwV1pIMXFwaGpPT1h1M1dlSWlhaGFaeTNLQzIyS3NjQ2plOHhSNXc4VEFFZ1pRLzY0MA?x-oss-process=image/format,png
[format_png 8]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2tya3FQNmJxak05NVBXYkRaWFY1c29oSkpkZ2xqZjdHc2Z0R1drSDlhVGhLY20xMUVpY3dRMXl3LzY0MA?x-oss-process=image/format,png
[format_png 9]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2thRHYycUxOWkFJeGlhQTR6MUlRN2cwcUpxbURmbklnaWEzOERBYnN2RjZiQVp2N3BZdFZtbjNSUS82NDA?x-oss-process=image/format,png
[format_png 10]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9xbTNSM0xlSDhyWURZM2FSSHZjaGlhNU9LTFd0WUV6V2tZZXJVdHRtOW5nWDJTSURxODBoTTNPZk5zaldIREJXQ0hUZXVhcE5YQWg2aWJyTjFoMlpocXFBLzY0MA?x-oss-process=image/format,png
[MySQL_Canal]: https://mp.weixin.qq.com/s?__biz=MzU1NTA0NTEwMg%3D%3D&chksm=fbdb1af0ccac93e676c2a0c6aeb1ff3edfe43b30969a7c1bbe19ccf7270acd6e41e6812caf0d&idx=1&lang=zh_CN&mid=2247484273&scene=21&sn=7fec41a40e763df094c0dd675330808a&token=1310863846#wechat_redirect
[format_png 11]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi9iOTZDaWJDdDcwaWFid2p5b2pMaEEwM1B0eFVua05QUkVudDJGNDh5d2ZYTHBEZERBamljT1RQSThROTR0VkxiSjU4dGJSczEyaWFYREtoVU9XOWdkNE5sRkEvNjQw?x-oss-process=image/format,png
[do-while]: http://mp.weixin.qq.com/s?__biz=MzU1NTkwODE4Mw%3D%3D&chksm=fbcc7869ccbbf17fa0d7ac79563b7056d33f30ce76e19860bfa0fb0a5c780c2230756a1c1b6d&idx=1&mid=2247488849&scene=21&sn=22c8c052197a9ca1a8b98d19e615cea4#wechat_redirect
[format_png 12]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9Icld3Nlp1WENzZ0llbzU3ZlNNVmpOYnh5Z3ZHSWhpYzlJMHBHdHJIaWFqUHJpYnZOZTk3QWYxZ2tiTFNLbnoyWlNEbkhwUWJjQTZpYWtXaWN0NnBjS2VPN2t3LzY0MA?x-oss-process=image/format,png
[3_SpringBoot]: http://mp.weixin.qq.com/s?__biz=MzU1NTkwODE4Mw%3D%3D&chksm=fbcc7802ccbbf11437ca301812e851eb4e5892c4085b2ec2dcbe60a842170ee2ca8e9d577c42&idx=2&mid=2247488826&scene=21&sn=720824eaa6f76950c9bb821e2cf3c718#wechat_redirect
[format_png 13]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9Icld3Nlp1WENzaExFQ3FWbU9ydzJmalk2N0REUkhlWnltcmxWaWI5aWIxbmljcGxReFhrQnRzNDkyMEJpYjY4N1draWFtWFMyZGxpYlJHWk9pY3BsaWFnRjBGWm13LzY0MA?x-oss-process=image/format,png
[Java]: http://mp.weixin.qq.com/s?__biz=MzU1NTkwODE4Mw%3D%3D&chksm=fbcc7ea7ccbbf7b14e3af50eee3707d5edb3d5f5aaea542faa923a289a0f2475e73b0a0381a1&idx=1&mid=2247488415&scene=21&sn=b6e8512787df3b8ce5ebdb18883f19a6#wechat_redirect
[format_png 14]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9Icld3Nlp1WENzaFlxaWE3dFdiTEU2N2liQ0pZcVFpY3pZSTl5UDEyY2x4Y2VaamxQZGNBaWFnSXNjQzFzd3VlT2xlVExDcW43c0NrN1JJdkdSekhReGpYQUEvNjQw?x-oss-process=image/format,png
[LongAdder_volatile]: http://mp.weixin.qq.com/s?__biz=MzU1NTkwODE4Mw%3D%3D&chksm=fbcc7e13ccbbf705d96a0e2983eaa70eacdbbbfe718a43d6ecf5a8f37ebb45efc3fd003d464e&idx=1&mid=2247488299&scene=21&sn=b95d80307ab34fb5a3c5b2556049fd3b#wechat_redirect
[format_png 15]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9Icld3Nlp1WENzalhMbU4wOHVQSlBpYTltMGUxenAzWHhxaWNRR1p3WTVXaWJnY1dNczJ2QTRncjBLd3ZOMUhDSExqa01oQ1pYZm9kMHVkRWt4WVRMSkxLUS82NDA?x-oss-process=image/format,png
[format_png 16]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9zWnlBSnRpYWVzV2NqajRZNmIyUnNZampPNGNtc0E3OXZKY2RyY080RDZxb2t6V1l6NjQ4S2ZQVFNsSWhCeWVKbGZzQmtLaWFzWHR4a2JSTFRUSUxRcGlidy82NDA?x-oss-process=image/format,png