共 4 篇相关文章
这篇讲的是 Redis RDB 持久化的底层实现。作者从 RDB 与 AOF 的基本概念切入，随后迅速深入核心，剖析了负责持久化 IO 操作的关键数据结构 `struct rio`。 文章的亮点在于对 `rio` 结构的拆解。它巧妙地通过函数指针（如 `read`、`write`）抽象了读写行为，并用一个 `union` 联合体统一了对内存缓冲区和文件的处理，使得一套代码能同时服务于内存缓存和磁盘文件两种场景，设计上颇具巧思。 接着，作者以 `rdbSave()` 函数为主线，通过代码注释的方式，清晰地勾勒出整个 RDB 写文件的流程：从创建临时文件、初始化 `rio` 结构，到遍历每个数据库、写入操作码和数据项。这个过程不仅解释了数据是如何被序列化到磁盘的，也揭示了 BGSAVE 等后台操作的基础——主进程 `fork` 出子进程来执行这个主逻辑，从而避免阻塞服务。 对于想了解 Redis 如何将内存数据“快照”到硬盘的开发者而言，这篇文章提供了一个从数据结构到执行流程的清晰视角。
这篇讲的是LevelDB作为高性能键值存储系统的设计原理和动机。作者从持久化数据到硬盘的基本需求出发，解释了如何在实际场景中平衡写入速度和读取效率。 为了快速写入，LevelDB采用追加方式顺序写入日志文件（Log文件），这避免了随机写入的开销，但导致了数据无序。接着，为了从硬盘中高效读取数据，文章指出必须基于查找算法和局部性原理，将数据排序组织到SST文件（Sorted String Tables）中。 文章进一步探讨了为什么使用多个SST文件而不是单个。为了高效插入数据，每个SST文件只保存一定范围的数据，类似于堆的结构。更深入地，LevelDB引入层次（Levels）结构，将SST文件按层次组织，层次越深文件越多但合并频率越低，从而优化了数据合并过程，减少了每次合并影响的文件个数。 面对查找不存在数据时的性能瓶颈，文章强调了结合布隆过滤器（Bloom Filter）的重要性，利用其快速判定“不存在”的特性，避免了在每一层进行无效查找。通过这些层层递进的设计，LevelDB巧妙地解决了存储系统中写入、读取和查询的关键挑战，为读者提供了关于高效数据结构设计的实用思路。
这篇博客文章对Tokyo Tyrant和Redis这两款知名的键值存储系统进行了实用对比。作者从实际应用场景出发，剖析了两者在架构设计、性能特点和功能支持上的核心差异。 文章指出，Tokyo Tyrant基于磁盘存储引擎Tokyo Cabinet，强调数据的持久化和可靠性，适合需要大容量存储且对写入速度要求不极端的场景；而Redis以内存为基础，支持丰富的数据结构（如字符串、哈希、列表），在读写速度和实时性上优势明显，常用于缓存和消息队列。作者还提及了各自的网络协议和集群能力差异，例如Redis的发布/订阅功能和Tokyo Tyrant的简单键值操作。 通过这些对比，文章帮助读者理清选择思路：如果应用需要高速缓存或复杂数据操作，Redis更为合适；若更看重持久化和成本控制，Tokyo Tyrant则是值得考虑的选项。整体上，文章以清晰的框架呈现了技术选型的关键考量点。
这篇讲的是Redis如何通过持久化机制确保数据安全。作者深入源码，拆解了全量持久化与增量持久化两大核心路径的实现细节。 全量持久化（save/bgsave）的关键在于利用操作系统的fork机制创建子进程，通过写时复制（Copy-on-Write）来实现后台快照，避免了阻塞主进程。而增量持久化（AOF）则通过追加写命令日志，并依赖定期的重写（rewrite）机制来压缩文件体积，两者在数据恢复时协同工作。 文章分析了Redis在实现这些机制时所做的巧妙权衡：比如bgsave如何最小化内存峰值，AOF重写如何生成紧凑的新日志，以及fsync策略在性能与可靠性之间的不同选择。这种对底层实现的剖析，能让读者理解Redis为何能在高性能与数据持久性之间取得平衡。
