关于redis:Redis-做接口限流一个注解的事

Redis 除了做缓存,还无能很多很多事件:分布式锁、限流、解决申请接口幂等性。。。太多太多了~

明天想和小伙伴们聊聊用 Redis 解决接口限流,这也是最近的 TienChin 我的项目波及到这个知识点了,我就拎进去和大家聊聊这个话题,前面视频也会讲。

1. 筹备工作

首先咱们创立一个 Spring Boot 工程,引入 Web 和 Redis 依赖,同时思考到接口限流个别是通过注解来标记,而注解是通过 AOP 来解析的,所以咱们还须要加上 AOP 的依赖,最终的依赖如下:

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-aop</artifactId>
</dependency>

而后提前准备好一个 Redis 实例,这里咱们我的项目配置好之后,间接配置一下 Redis 的根本信息即可,如下:

spring.redis.host=localhost
spring.redis.port=6379
spring.redis.password=123

好啦,筹备工作就算是到位了。

2. 限流注解

接下来咱们创立一个限流注解,咱们将限流分为两种状况:

  1. 针对以后接口的全局性限流,例如该接口能够在 1 分钟内拜访 100 次。
  2. 针对某一个 IP 地址的限流,例如某个 IP 地址能够在 1 分钟内拜访 100 次。

针对这两种状况,咱们创立一个枚举类:

public enum LimitType {
    /**
     * 默认策略全局限流
     */
    DEFAULT,
    /**
     * 依据请求者IP进行限流
     */
    IP
}

接下来咱们来创立限流注解:

@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
@Documented
public @interface RateLimiter {
    /**
     * 限流key
     */
    String key() default "rate_limit:";

    /**
     * 限流工夫,单位秒
     */
    int time() default 60;

    /**
     * 限流次数
     */
    int count() default 100;

    /**
     * 限流类型
     */
    LimitType limitType() default LimitType.DEFAULT;
}

第一个参数限流的 key,这个仅仅是一个前缀,未来残缺的 key 是这个前缀再加上接口办法的残缺门路,独特组成限流 key,这个 key 将被存入到 Redis 中。

另外三个参数好了解,我就不多说了。

好了,未来哪个接口须要限流,就在哪个接口上增加 @RateLimiter 注解,而后配置相干参数即可。

3. 定制 RedisTemplate

小伙伴们晓得,在 Spring Boot 中,咱们其实更习惯应用 Spring Data Redis 来操作 Redis,不过默认的 RedisTemplate 有一个小坑,就是序列化用的是 JdkSerializationRedisSerializer,不晓得小伙伴们有没有留神过,间接用这个序列化工具未来存到 Redis 上的 key 和 value 都会莫名其妙多一些前缀,这就导致你用命令读取的时候可能会出错。

例如存储的时候,key 是 name,value 是 javaboy,然而当你在命令行操作的时候,get name 却获取不到你想要的数据,起因就是存到 redis 之后 name 后面多了一些字符,此时只能持续应用 RedisTemplate 将之读取进去。

咱们用 Redis 做限流会用到 Lua 脚本,应用 Lua 脚本的时候,就会呈现下面说的这种状况,所以咱们须要批改 RedisTemplate 的序列化计划。

可能有小伙伴会说为什么不必 StringRedisTemplate 呢?StringRedisTemplate 的确不存在下面所说的问题,然而它可能存储的数据类型不够丰盛,所以这里不思考。

批改 RedisTemplate 序列化计划,代码如下:

@Configuration
public class RedisConfig {

    @Bean
    public RedisTemplate<Object, Object> redisTemplate(RedisConnectionFactory connectionFactory) {
        RedisTemplate<Object, Object> redisTemplate = new RedisTemplate<>();
        redisTemplate.setConnectionFactory(connectionFactory);
        // 应用Jackson2JsonRedisSerialize 替换默认序列化(默认采纳的是JDK序列化)
        Jackson2JsonRedisSerializer<Object> jackson2JsonRedisSerializer = new Jackson2JsonRedisSerializer<>(Object.class);
        ObjectMapper om = new ObjectMapper();
        om.setVisibility(PropertyAccessor.ALL, JsonAutoDetect.Visibility.ANY);
        om.enableDefaultTyping(ObjectMapper.DefaultTyping.NON_FINAL);
        jackson2JsonRedisSerializer.setObjectMapper(om);
        redisTemplate.setKeySerializer(jackson2JsonRedisSerializer);
        redisTemplate.setValueSerializer(jackson2JsonRedisSerializer);
        redisTemplate.setHashKeySerializer(jackson2JsonRedisSerializer);
        redisTemplate.setHashValueSerializer(jackson2JsonRedisSerializer);
        return redisTemplate;
    }
}

这个其实也没啥好说的,key 和 value 咱们都应用 Spring Boot 中默认的 jackson 序列化形式来解决。

4. 开发 Lua 脚本

这个其实我在之前 vhr 那一套视频中讲过,Redis 中的一些原子操作咱们能够借助 Lua 脚本来实现,想要调用 Lua 脚本,咱们有两种不同的思路:

  1. 在 Redis 服务端定义好 Lua 脚本,而后计算出来一个散列值,在 Java 代码中,通过这个散列值锁定要执行哪个 Lua 脚本。
  2. 间接在 Java 代码中将 Lua 脚本定义好,而后发送到 Redis 服务端去执行。

Spring Data Redis 中也提供了操作 Lua 脚本的接口,还是比拟不便的,所以咱们这里就采纳第二种计划。

咱们在 resources 目录下新建 lua 文件夹专门用来寄存 lua 脚本,脚本内容如下:

local key = KEYS[1]
local count = tonumber(ARGV[1])
local time = tonumber(ARGV[2])
local current = redis.call('get', key)
if current and tonumber(current) > count then
    return tonumber(current)
end
current = redis.call('incr', key)
if tonumber(current) == 1 then
    redis.call('expire', key, time)
end
return tonumber(current)

这个脚本其实不难,大略瞅一眼就晓得干啥用的。 KEYS 和 ARGV 都是一会调用时候传进来的参数,tonumber 就是把字符串转为数字,redis.call 就是执行具体的 redis 指令,具体流程是这样:

  1. 首先获取到传进来的 key 以及 限流的 count 和工夫 time。
  2. 通过 get 获取到这个 key 对应的值,这个值就是以后工夫窗内这个接口能够拜访多少次。
  3. 如果是第一次拜访,此时拿到的后果为 nil,否则拿到的后果应该是一个数字,所以接下来就判断,如果拿到的后果是一个数字,并且这个数字还大于 count,那就阐明曾经超过流量限度了,那么间接返回查问的后果即可。
  4. 如果拿到的后果为 nil,阐明是第一次拜访,此时就给以后 key 自增 1,而后设置一个过期工夫。
  5. 最初把自增 1 后的值返回就能够了。

其实这段 Lua 脚本很好了解。

接下来咱们在一个 Bean 中来加载这段 Lua 脚本,如下:

@Bean
public DefaultRedisScript<Long> limitScript() {
    DefaultRedisScript<Long> redisScript = new DefaultRedisScript<>();
    redisScript.setScriptSource(new ResourceScriptSource(new ClassPathResource("lua/limit.lua")));
    redisScript.setResultType(Long.class);
    return redisScript;
}

能够啦,咱们的 Lua 脚本当初就筹备好了。

5. 注解解析

接下来咱们就须要自定义切面,来解析这个注解了,咱们来看看切面的定义:

@Aspect
@Component
public class RateLimiterAspect {
    private static final Logger log = LoggerFactory.getLogger(RateLimiterAspect.class);

    @Autowired
    private RedisTemplate<Object, Object> redisTemplate;

    @Autowired
    private RedisScript<Long> limitScript;

    @Before("@annotation(rateLimiter)")
    public void doBefore(JoinPoint point, RateLimiter rateLimiter) throws Throwable {
        String key = rateLimiter.key();
        int time = rateLimiter.time();
        int count = rateLimiter.count();

        String combineKey = getCombineKey(rateLimiter, point);
        List<Object> keys = Collections.singletonList(combineKey);
        try {
            Long number = redisTemplate.execute(limitScript, keys, count, time);
            if (number==null || number.intValue() > count) {
                throw new ServiceException("拜访过于频繁,请稍候再试");
            }
            log.info("限度申请'{}',以后申请'{}',缓存key'{}'", count, number.intValue(), key);
        } catch (ServiceException e) {
            throw e;
        } catch (Exception e) {
            throw new RuntimeException("服务器限流异样,请稍候再试");
        }
    }

    public String getCombineKey(RateLimiter rateLimiter, JoinPoint point) {
        StringBuffer stringBuffer = new StringBuffer(rateLimiter.key());
        if (rateLimiter.limitType() == LimitType.IP) {
            stringBuffer.append(IpUtils.getIpAddr(((ServletRequestAttributes) RequestContextHolder.currentRequestAttributes()).getRequest())).append("-");
        }
        MethodSignature signature = (MethodSignature) point.getSignature();
        Method method = signature.getMethod();
        Class<?> targetClass = method.getDeclaringClass();
        stringBuffer.append(targetClass.getName()).append("-").append(method.getName());
        return stringBuffer.toString();
    }
}

这个切面就是拦挡所有加了 @RateLimiter 注解的办法,在前置告诉中对注解进行解决。

  1. 首先获取到注解中的 key、time 以及 count 三个参数。
  2. 获取一个组合的 key,所谓的组合的 key,就是在注解的 key 属性根底上,再加上办法的残缺门路,如果是 IP 模式的话,就再加上 IP 地址。以 IP 模式为例,最终生成的 key 相似这样:rate_limit:127.0.0.1-org.javaboy.ratelimiter.controller.HelloController-hello(如果不是 IP 模式,那么生成的 key 中就不蕴含 IP 地址)。
  3. 将生成的 key 放到汇合中。
  4. 通过 redisTemplate.execute 办法取执行一个 Lua 脚本,第一个参数是脚本所封装的对象,第二个参数是 key,对应了脚本中的 KEYS,前面是可变长度的参数,对应了脚本中的 ARGV。
  5. 将 Lua 脚本执行的后果与 count 进行比拟,如果大于 count,就阐明过载了,抛异样就行了。

好了,功败垂成了。

6. 接口测试

接下来咱们就进行接口的一个简略测试,如下:

@RestController
public class HelloController {
    @GetMapping("/hello")
    @RateLimiter(time = 5,count = 3,limitType = LimitType.IP)
    public String hello() {
        return "hello>>>"+new Date();
    }
}

每一个 IP 地址,在 5 秒内只能拜访 3 次。

这个本人手动刷新浏览器都能测试进去。

7. 全局异样解决

因为过载的时候是抛异样进去,所以咱们还须要一个全局异样处理器,如下:

@RestControllerAdvice
public class GlobalException {
    @ExceptionHandler(ServiceException.class)
    public Map<String,Object> serviceException(ServiceException e) {
        HashMap<String, Object> map = new HashMap<>();
        map.put("status", 500);
        map.put("message", e.getMessage());
        return map;
    }
}

这是一个小 demo,我就不去定义实体类了,间接用 Map 来返回 JSON 了。

好啦,功败垂成。

最初咱们看看过载时的测试成果:

好啦,这就是咱们应用 Redis 做限流的形式。

松哥最近正在录制 TienChin 我的项目视频,本文的内容也是 TienChin 我的项目视频的一部分~TienChin 我的项目采纳 Spring Boot+Vue3 技术栈,里边会波及到各种好玩的技术,小伙伴们来和松哥一起做一个完成率超 90% 的我的项目。

【腾讯云】云产品限时秒杀,爆款1核2G云服务器,首年50元

阿里云限时活动-2核2G-5M带宽-60G SSD-1000G月流量 ,特惠价99元/年(原价1234.2元/年,可以直接买3年),速抢

本文由乐趣区整理发布,转载请注明出处,谢谢。

您可能还喜欢...

发表评论

您的电子邮箱地址不会被公开。

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据