面试题：复杂业务场景下Redis多选项执行顺序深度优化

架构设计

数据结构设计：使用Redis的哈希（Hash）结构存储每个用户的购物车数据。哈希的field为商品ID，value为商品数量。例如：HSET user:1:cart product1 5，表示用户1的购物车中商品product1的数量为5。
持久化策略：
- RDB（Redis Database）：RDB是一种快照持久化方式，它在指定的时间间隔内将内存中的数据集快照写入磁盘。适合用于灾难恢复，因为它可以快速恢复大量数据。配置方式可以通过修改redis.conf文件中的save参数，例如save 900 1表示900秒内如果至少有1个键被修改，则进行快照。
- AOF（Append - Only - File）：AOF是一种追加式持久化方式，它将写命令追加到文件末尾。由于是追加操作，因此数据更完整，适合数据安全性要求较高的场景。配置方式通过修改redis.conf文件，开启appendonly yes，并可以选择不同的同步策略，如appendfsync always（每次写操作都同步到磁盘，数据最安全但性能最低）、appendfsync everysec（每秒同步一次，兼顾性能和数据安全）、appendfsync no（由操作系统决定何时同步，性能最高但数据安全性最低）。
缓存一致性：
- 读写分离：在读取购物车数据时，从Redis缓存中读取；在写入操作（添加、更新、删除商品）后，立即更新Redis缓存，并考虑使用发布 - 订阅（Pub/Sub）机制通知其他可能依赖该数据的服务。例如，当用户在购物车中添加商品后，除了更新Redis中的购物车数据，还可以发布一条消息，告知库存服务更新库存。
- 版本控制：为购物车数据添加版本号，每次购物车数据发生变化时，版本号递增。读取数据时，同时读取版本号，在进行更新操作前，先检查版本号是否一致，如果不一致则重新读取数据。这样可以避免在并发操作时出现数据覆盖的问题。
并发控制：
- Redis事务：Redis事务使用MULTI、EXEC、DISCARD等命令。例如，在添加商品、更新商品数量和删除商品等操作时，可以使用事务来保证这些操作的原子性。示例代码如下：

import redis

r = redis.Redis(host='localhost', port=6379, db = 0)

# 开启事务
pipe = r.pipeline()
pipe.multi()
# 添加商品操作
pipe.hincrby('user:1:cart', 'product1', 1)
# 更新商品数量操作
pipe.hset('user:1:cart', 'product2', 3)
# 删除商品操作
pipe.hdel('user:1:cart', 'product3')
# 执行事务
pipe.execute()

- **乐观锁**：使用`WATCH`命令实现乐观锁。例如，在更新购物车商品数量时，先使用`WATCH`监控购物车数据，然后开启事务进行更新操作。如果在`EXEC`执行前，被监控的键被其他客户端修改，事务将被取消。示例代码如下：

import redis

r = redis.Redis(host='localhost', port=6379, db = 0)

with r.pipeline() as pipe:
    while True:
        try:
            # 监控购物车数据
            pipe.watch('user:1:cart')
            # 获取当前商品数量
            current_count = int(pipe.hget('user:1:cart', 'product1'))
            new_count = current_count + 1
            # 开启事务
            pipe.multi()
            pipe.hset('user:1:cart', 'product1', new_count)
            # 执行事务
            pipe.execute()
            break
        except redis.WatchError:
            # 重试
            continue

代码实现思路

添加商品：
- 使用HINCRBY命令增加商品数量，如果商品不存在则创建并设置数量为1。
- 示例代码（Python）：

def add_product_to_cart(user_id, product_id, quantity=1):
    r = redis.Redis(host='localhost', port=6379, db = 0)
    r.hincrby(f'user:{user_id}:cart', product_id, quantity)

更新商品数量：
- 使用HSET命令直接设置商品的新数量。
- 示例代码（Python）：

def update_product_quantity(user_id, product_id, new_quantity):
    r = redis.Redis(host='localhost', port=6379, db = 0)
    r.hset(f'user:{user_id}:cart', product_id, new_quantity)

删除商品：
- 使用HDEL命令删除购物车中的商品。
- 示例代码（Python）：

def remove_product_from_cart(user_id, product_id):
    r = redis.Redis(host='localhost', port=6379, db = 0)
    r.hdel(f'user:{user_id}:cart', product_id)

计算总价：
- 遍历购物车哈希结构，获取每个商品的ID和数量。
- 根据商品ID从商品信息存储（如数据库或另一个Redis哈希）中获取商品单价。
- 计算每个商品的总价并累加。
- 示例代码（Python）：

def calculate_cart_total(user_id):
    r = redis.Redis(host='localhost', port=6379, db = 0)
    cart = r.hgetall(f'user:{user_id}:cart')
    total = 0
    for product_id, quantity in cart.items():
        product_price = get_product_price(product_id.decode('utf - 8'))
        total += int(quantity) * product_price
    return total

def get_product_price(product_id):
    # 这里假设从另一个Redis哈希获取商品价格
    r = redis.Redis(host='localhost', port=6379, db = 0)
    return r.hget('products:prices', product_id)

通过以上架构设计和代码实现思路，可以构建一个高性能、高可用且数据准确的电商购物车系统。

面试题：复杂业务场景下Redis多选项执行顺序深度优化

知识考点

面试题答案

架构设计

代码实现思路