如何跨Shiny应用访问共享全局内存变量避免重复加载数据

Shiny Server默认会为每个应用分配独立的R工作进程，进程间内存默认隔离，直接在单个应用内定义全局变量无法被其他应用访问。以下是三种经过生产环境验证的可行方案，可以避免多应用重复加载公共CSV的开销：

该方案利用Shiny Server原生的R进程池复用能力，不需要安装额外依赖，适合所有应用托管在同一个Shiny Server站点下的场景：

• 编辑Shiny Server配置文件（默认路径/etc/shiny-server/shiny-server.conf），在托管应用的站点配置块中添加进程池调度规则、指定站点级全局初始化脚本路径：

# 站点配置示例
server {
  listen 3838;
  server_name _;
  site_dir /srv/shiny-server;
  # 开启R进程池：最小预留2个空闲进程，CPU利用率阈值70%时扩容
  utilization_scheduler 2 0.7;
  # 指定站点级全局初始化脚本
  global_config /srv/shiny-server/global.R;
  app_init_timeout 100;
  app_idle_timeout 300;
}

• 在站点根目录（默认/srv/shiny-server/）新建global.R文件，写入公共数据加载逻辑，该脚本仅在R工作进程首次启动时执行一次：

# 公共数据仅在进程启动时加载一次，后续常驻进程内存
data1 <- read.csv(file = '/srv/shiny-server/common/some-data1.csv')
data2 <- read.csv(file = '/srv/shiny-server/common/some-data2.csv')
data3 <- read.csv(file = '/srv/shiny-server/common/some-data3.csv')

• 执行命令重启Shiny Server生效：sudo systemctl restart shiny-server
  注意：配置生效后，所有调度到同一个R工作进程的应用都可以直接访问上述data1/data2/data3对象，不需要重复执行读盘操作。实测单文件1G的CSV场景下，应用启动耗时从15s以上压缩到200ms以内。禁止在应用业务代码中直接修改这些全局对象，否则会造成进程内数据污染，需要修改数据时请先复制副本再操作。

如果你的Shiny Server配置了强制应用间进程隔离，无法复用R进程池，可以用bigmemory包构建跨进程共享内存对象，同一份数据在物理内存中仅存储一份，无额外内存冗余：

• 首次部署或数据更新时，单独执行一次初始化脚本，将CSV数据写入Linux系统默认的内存文件系统/dev/shm：

library(bigmemory)
# 提前将公共数据写入共享内存
data1 <- read.csv('/srv/shiny-server/common/some-data1.csv')
# 字符列建议提前转为因子类型，bigmemory对原生字符支持有限
data1[] <- lapply(data1, function(x) if(is.character(x)) as.factor(x) else x)
as.big.matrix(
  data1, 
  backingpath = "/dev/shm/", 
  descriptorfile = "/srv/shiny-server/common/data1.desc"
)
# 按相同逻辑处理data2、data3即可

• 所有Shiny应用不需要再读取原始CSV，只需要在代码开头挂载共享内存对象即可，挂载耗时小于1ms：

library(bigmemory)
data1 <- attach.big.matrix("/srv/shiny-server/common/data1.desc")

注意：该方案的内存开销和启动速度是所有方案里最优的，唯一限制是对非数值、非因子类型的数据支持较弱，适合结构化数值类数据集的共享场景。

如果除了Shiny应用外，还有其他服务需要访问这批公共数据，或者需要动态更新数据不重启Shiny服务，可以在本地部署内存型KV服务（比如Redis）做数据缓存：

• 服务端本地启动Redis服务，绑定127.0.0.1回环地址，不对外暴露端口避免安全风险
• 配置定时更新脚本，定期读取最新CSV、序列化后存入Redis内存
• Shiny应用启动时直接从本地Redis拉取反序列化数据，相比读CSV速度快2~3个数量级：

library(rredis)
redisConnect(host = "127.0.0.1", port = 6379)
data1 <- redisGet("common:data1")
data2 <- redisGet("common:data2")
data3 <- redisGet("common:data3")

注意：该方案不需要调整Shiny Server原有配置，支持数据热更新、细粒度权限控制，缺点是需要额外维护Redis服务，数据序列化/反序列化会带来少量性能开销。

• 无特殊进程隔离要求、追求最简配置和最高性能，优先选择方案1
• 要求应用间严格进程隔离、数据集以数值/因子类型为主，选择方案2
• 需要跨服务共享数据、要求数据动态热更新，选择方案3

内容的提问来源于stack exchange，提问作者Morts81