数据缓存，可以尝试RocksDB了

shigen坚持更新文章的博客写手，擅长Java、python、vue、shell等编程语言和各种应用程序、脚本的开发。记录成长，分享认知，留住感动。
个人IP：shigen

shigen在最近的学习中，接触到了一款新的缓存数据库RocksDB，起因是在学习公司内部的一款产品DRM动态配置，其中的底层就用到了这一款RocksDB数据库。但是我当时想到的就是既然是缓存，为什么不去用redis或者guava呢？为此，借助周末，我研究一下了RocketsDB的相关使用。

首先学习的话，肯定是得借助于RocksDB官网了，官网对于它的解释是：

RocksDB是Facebook的一个实验项目，目的是希望能开发一套能能在服务器压力下，真正发挥高速存储硬件（特别是Flash存储）性能的高效数据库系统。这是一个C++库，允许存储任意长度二进制kv数据。支持原子读写操作。

RocksDB依靠大量灵活的配置，使之能针对不同的生产环境进行调优，包括直接使用内存，使用Flash，使用硬盘或者HDFS。支持使用不同的压缩算法，并且有一套完整的工具供生产和调试使用。

RocksDB大量复用了levedb的代码，并且还借鉴了许多HBase的设计理念。原始代码从leveldb 1.5 上fork出来。同时Rocksdb也借用了一些Facebook之前就有的理念和代码。

巴拉巴拉一大堆，概括起来就是：

高速存储的数据库
灵活的配置，可以保存在内存、闪存、Flash、HDFS
数据二进制压缩

对比起来Redis，顿时觉得这个高级在它的高速存储和灵活的配置了。手已经有点痒痒了，准备开始适用一下了。

参照rocksDB的使用文档，我写了如下的代码进行测试：

结合springboot实现单元测试出现了一点问题：

集合springboot出现的问题

目前还没有找到解决方案。代码如下：

配置：

@Configuration
public class RocksDBConfig {@Value("${rocksdb.path}")private String dbPath;@Bean(destroyMethod = "close")public RocksDB rocksDB() throws Exception {Options options = new Options().setCreateIfMissing(true);return RocksDB.open(options, dbPath);}
}

其中，我的配置如下：
rocksdb:
path: ~/rocksdb_data

Service层：

@Service
public class RocksDBService {@Resourceprivate RocksDB rocksDB;public void putData(String key, String value) throws RocksDBException {rocksDB.put(key.getBytes(), value.getBytes());}public String getData(String key) throws RocksDBException {byte[] valueBytes = rocksDB.get(key.getBytes());return valueBytes != null ? new String(valueBytes) : null;}public void updateData(String key, String value) throws RocksDBException {rocksDB.put(key.getBytes(), value.getBytes());}public void deleteData(String key) throws RocksDBException {rocksDB.delete(key.getBytes());}
}

很奇怪的操作，那就先来看下理论的知识吧。借助GPT，我总结了它和redis、guava之间的区别：

特征	RocksDB	Redis	Guava Cache
类型	持久化键值存储引擎	内存键值存储引擎	内存缓存引擎
存储引擎	LSM树	哈希表	内存哈希表
内存使用	低（可配置）	高	中等
持久性	是	否	否
事务支持	是	否	否
数据结构	键值对	键值对	键值对
支持数据类型	字符串、字节流、字节数组等	字符串、哈希、列表、集合、有序集合等	任何Java对象
缓存策略	不适用（持久化存储）	LRU、TTL等	LRU、最大条目数、定时过期等
分布式支持	可以通过RocksDB的其他工具实现	是，通过集群和主从复制	否
优势	适合大规模数据、高吞吐量、低延迟	速度快、支持丰富的数据结构	轻量级、易于集成、适合单机应用
劣势	配置和维护复杂	内存受限、不支持持久化	不支持持久化、不适合大规模数据