Redis缓存News Feed高频变更字段，如何兼顾读写性能？

针对你提到的Redis缓存News Feed时，高频更新点赞/评论数影响读性能的问题，推荐以下几个务实的方案：

1. 拆分缓存：静态内容与高频字段分离 #

把帖子的静态字段（标题、正文、作者信息、发布时间等）和高频更新字段（点赞数、评论数、分享数）拆分成两个独立的Redis缓存结构：

• 主缓存：用有序集合或哈希存储用户的News Feed列表，仅包含帖子ID和静态内容，比如user:{user_id}:feed。
• 计数缓存：为每个帖子单独存储高频计数，用哈希或字符串结构，比如post:{post_id}:metrics（哈希，包含likes/comments字段），或直接用post:{post_id}:likes字符串存点赞数。

操作逻辑：

• 用户读取Feed时，先拉取主缓存的静态内容，再批量查询对应帖子的计数缓存，合并后返回。
• 点赞/评论操作时，仅更新计数缓存（用INCRBY/HINCRBY原子操作），完全不触碰主Feed缓存。

优势：写操作仅针对小体积的计数键，不会影响主Feed大缓存的读性能；原子操作保证计数准确，性能开销极低。

示例代码（Python）：

# 读取Feed并补充计数
def get_user_feed(user_id):
    # 获取主Feed的帖子ID列表（有序集合按时间排序）
    feed_posts = redis_client.zrange(f"user:{user_id}:feed", 0, -1)
    # 批量获取所有帖子的静态内容和计数
    pipe = redis_client.pipeline()
    for post_id in feed_posts:
        pipe.hgetall(f"post:{post_id}:content")
        pipe.hgetall(f"post:{post_id}:metrics")
    raw_data = pipe.execute()
    # 合并数据
    result = []
    for i in range(0, len(raw_data), 2):
        post_content = raw_data[i]
        post_metrics = raw_data[i+1]
        post_content.update(post_metrics)
        result.append(post_content)
    return result

# 处理点赞操作
def like_post(post_id):
    redis_client.hincrby(f"post:{post_id}:metrics", "likes", 1)

2. Redis读写分离+异步复制 #

搭建Redis主从集群，将**写操作（更新计数）**路由到主节点，**读操作（读取Feed和计数）**全部路由到从节点：

• 主节点仅处理计数更新的写请求，压力小；
• 从节点负责承载大量用户的Feed读请求，主从之间用异步复制同步计数数据。

注意点：由于异步复制存在短暂延迟，点赞数/评论数可能会有几秒的滞后，但对于News Feed场景，这种弱一致性通常是用户可接受的。如果需要强一致，可针对特定请求强制读主节点，但不建议全局这么做。

3. 应用层本地缓存+最终一致 #

在应用服务器层添加本地缓存（比如Caffeine、Guava Cache），缓存高频计数的最新值：

• 写操作（点赞/评论）：先更新本地缓存的计数，再异步发送消息到队列（比如Kafka），后台消费者从队列取出请求后更新Redis。
• 读操作：优先读取本地缓存的计数，若未命中则从Redis拉取并写入本地缓存。

优势：进一步减少Redis的读请求量，本地缓存的读写性能远高于远程Redis；异步更新保证写操作不阻塞读，最终一致性由消息队列保证。

注意点：需合理设置本地缓存的过期时间（比如10-30秒），避免缓存数据过期太久；多实例部署时，可结合Redis的发布订阅机制，让实例之间同步计数更新，减少不一致窗口。

4. 批量延迟更新主Feed缓存 #

如果业务上允许计数有一定延迟，可将高频更新的计数暂存到内存队列，定期（比如每5秒）批量合并到主Feed缓存中：

• 点赞/评论操作时，先把更新记录写入内存队列；
• 后台定时任务批量读取队列，将计数更新到主Feed缓存的对应帖子字段。

优势：大幅减少主Feed缓存的写操作次数，避免频繁写大缓存影响读性能；适合对计数实时性要求不高的场景。

注意点：需处理服务重启时内存队列数据丢失的问题，可结合持久化队列（比如Redis List）暂存更新记录。

内容的提问来源于stack exchange，提问作者Nguyễn Hải