Redis中的Sharding分片机制

正文

前面我们有学习到AKF原理，我们可以通过主从复制来解决单点故障问题，那我们这个要学习的是怎么解决【容量不足的问题】。

常见的方式，将数据进行分类，或者按照业务逻辑功能去分类，把数据存入到redis缓存当中

采用Sharding分片机制解决

hash+取模

很多情况下数据没发划分清晰，那么我们可以采用Sharding分片的方式将数据存入redis当中。

如图，利用hash+取模的方式进行计算，将数据存入对应映射的redis中

不过这种方式有弊端，取模的数必须固定%3、%4、%10等，会影响分布式下的可拓展性。

随机push

利用一致性哈希算法，不用取模，每个key、node节点都需要参与hash计算。并将0—2^32个位置规划成环状——哈希环。

一致性哈希算法：

首先求出redis服务器（节点）的哈希值，并将其配置到0～2^32的圆（continuum）上。

然后采用同样的方法求出存储数据的键的哈希值，并映射到相同的圆上。

然后从数据映射到的位置开始顺时针查找，将数据保存到找到的第一个服务器上。如果超过2^32仍然找不到服务器，就会保存到第一台redis服务器

了解一致性哈希