快取與資料庫雙寫一致性 深度分析

前言

微笑挖坑，努力填坑。

        ———— 已經擁有黑眼圈，但還沒學會小豬老師時間管理學的蠻三刀同學

我們來討論秒殺系統中快取熱點資料的問題，進一步延伸到資料庫和快取的雙寫一致性問題，並且給出了實現程式碼。

本篇文章主要內容

• 快取熱點資料
  • 為何要使用快取
  • 哪類資料適合快取
  • 快取的利與弊
• 快取和資料庫雙寫一致性
  • 不使用更新快取而是刪除快取
  • 先刪除快取，還是先運算元據庫？
  • 我一定要資料庫和快取資料一致怎麼辦
  • 實戰：先刪除快取，再更新資料庫
  • 實戰：先更新資料庫，再刪快取
  • 實戰：刪除快取重試機制
  • 實戰：刪除快取重試機制
  • 實戰：讀取binlog非同步刪除快取

歡迎關注我的個人公眾號獲取最全的原創文章：後端技術漫談（二維碼見文章底部）

專案原始碼在這裡

媽媽再也不用擔心我看完文章不會寫程式碼實現啦：

https://github.com/qqxx6661/miaosha

正文

快取熱點資料

在秒殺實際的業務中，一定有很多需要做快取的場景，比如售賣的商品，包括名稱，詳情等。訪問量很大的資料，可以算是“熱點”資料了，尤其是一些讀取量遠大於寫入量的資料，更應該被快取，而不應該讓請求打到資料庫上。

為何要使用快取

快取是為了追求“快”而存在的。我們用程式碼舉一個例子。

拿出我之前三篇文章的專案程式碼來，在其中增加兩個查詢庫存的介面getStockByDB和getStockByCache，分別表示從資料庫和快取查詢某商品的庫存量。

隨後我們用JMeter進行併發請求測試。（JMeter的使用請參考我的第一篇秒殺系統文章）

/**
 * 查詢庫存：通過資料庫查詢庫存
 * @param sid
 * @return
 */
@RequestMapping("/getStockByDB/{sid}")
@ResponseBody
public String getStockByDB(@PathVariable int sid) {
    int count;
    try {
        count = stockService.getStockCountByDB(sid);
    } catch (Exception e) {
        LOGGER.error("查詢庫存失敗：[{}]", e.getMessage());
        return "查詢庫存失敗";
    }
    LOGGER.info("商品Id: [{}] 剩餘庫存為: [{}]", sid, count);
    return String.format("商品Id: %d 剩餘庫存為：%d", sid, count);
}

/**
 * 查詢庫存：通過快取查詢庫存
 * 快取命中：返回庫存
 * 快取未命中：查詢資料庫寫入快取並返回
 * @param sid
 * @return
 */
@RequestMapping("/getStockByCache/{sid}")
@ResponseBody
public String getStockByCache(@PathVariable int sid) {
    Integer count;
    try {
        count = stockService.getStockCountByCache(sid);
        if (count == null) {
            count = stockService.getStockCountByDB(sid);
            LOGGER.info("快取未命中，查詢資料庫，並寫入快取");
            stockService.setStockCountToCache(sid, count);
        }
    } catch (Exception e) {
        LOGGER.error("查詢庫存失敗：[{}]", e.getMessage());
        return "查詢庫存失敗";
    }
    LOGGER.info("商品Id: [{}] 剩餘庫存為: [{}]", sid, count);
    return String.format("商品Id: %d 剩餘庫存為：%d", sid, count);
}

在設定為10000個併發請求的情況下，執行JMeter，結果首先出現了大量的報錯，10000個請求中98%的請求都直接失敗了。開啟日誌，報錯如下：

原來是SpringBoot內建的Tomcat最大併發數搞的鬼，其預設值為200，對於10000的併發，單機服務實在是力不從心。當然，你可以修改這裡的併發數設定，但是你的小機器仍然可能會扛不住。

將其修改為如下配置後，我的小機器才在通過快取拿庫存的情況下，保證了10000個併發的100%返回請求：

server.tomcat.max-threads=10000
server.tomcat.max-connections=10000

不使用快取的情況下，吞吐量為668個請求每秒，並且有5%的請求由於服務壓力實在太大，沒有返回庫存資料：

使用快取的情況下，吞吐量為2177個請求每秒：

在這種“不嚴謹”的對比下，有快取對於一臺單機，效能提升了3倍多，如果在多臺機器，更多併發的情況下，由於資料庫有了更大的壓力，快取的效能優勢應該會更加明顯。

測完了這個小實驗，我看了眼我掛著Mysql的小水管騰訊雲伺服器，生怕他被這麼高流量搞掛。這種突發的流量，指不定會被檢測為異常攻擊流量呢~

我用的是騰訊雲伺服器1C4G2M，活動買的，很便宜。

哪類資料適合快取

快取量大但又不常變化的資料，比如詳情，評論等。對於那些經常變化的資料，其實並不適合快取，一方面會增加系統的複雜性（快取的更新，快取髒資料），另一方面也給系統帶來一定的不穩定性（快取系統的維護）。

但一些極端情況下，你需要將一些會變動的資料進行快取，比如想要頁面顯示準實時的庫存數，或者其他一些特殊業務場景。這時候你需要保證快取不能（一直）有髒資料，這就需要再深入討論一下。

快取的利與弊

我們到底該不該上快取的，這其實也是個trade-off的問題。

上快取的優點：

• 能夠縮短服務的響應時間，給使用者帶來更好的體驗。
• 能夠增大系統的吞吐量，依然能夠提升使用者體驗。
• 減輕資料庫的壓力，防止高峰期資料庫被壓垮，導致整個線上服務BOOM！

上了快取，也會引入很多額外的問題：

• 快取有多種選型，是記憶體快取，memcached還是redis，你是否都熟悉，如果不熟悉，無疑增加了維護的難度（本來是個純潔的資料庫系統）。
• 快取系統也要考慮分散式，比如redis的分散式快取還會有很多坑，無疑增加了系統的複雜性。
• 在特殊場景下，如果對快取的準確性有非常高的要求，就必須考慮快取和資料庫的一致性問題。

本文想要重點討論的，就是快取和資料庫的一致性問題，客觀且往下看。

快取和資料庫雙寫一致性

說了這麼多快取的必要性，那麼使用快取是不是就是一個很簡單的事情了呢，我之前也一直是這麼覺得的，直到遇到了需要快取與資料庫保持強一致的場景，才知道讓資料庫資料和快取資料保持一致性是一門很高深的學問。

從遠古的硬體快取，作業系統快取開始，快取就是一門獨特的學問。這個問題也被業界探討了非常久，爭論至今。我翻閱了很多資料，發現其實這是一個權衡的問題。值得好好講講。

以下的討論會引入幾方觀點，我會跟著觀點來寫程式碼驗證所提到的問題。

不使用更新快取而是刪除快取

大部分觀點認為，做快取不應該是去更新快取，而是應該刪除快取，然後由下個請求去去快取，發現不存在後再讀取資料庫，寫入快取。

《分散式之資料庫和快取雙寫一致性方案解析》孤獨煙：

原因一：執行緒安全形度

同時有請求A和請求B進行更新操作，那麼會出現

（1）執行緒A更新了資料庫

（2）執行緒B更新了資料庫

（3）執行緒B更新了快取

（4）執行緒A更新了快取

這就出現請求A更新快取應該比請求B更新快取早才對，但是因為網路等原因，B卻比A更早更新了快取。這就導致了髒資料，因此不考慮。

原因二：業務場景角度

有如下兩點：

（1）如果你是一個寫資料庫場景比較多，而讀資料場景比較少的業務需求，採用這種方案就會導致，資料壓根還沒讀到，快取就被頻繁的更新，浪費效能。

（2）如果你寫入資料庫的值，並不是直接寫入快取的，而是要經過一系列複雜的計算再寫入快取。那麼，每次寫入資料庫後，都再次計算寫入快取的值，無疑是浪費效能的。顯然，刪除快取更為適合。

其實如果業務非常簡單，只是去資料庫拿一個值，寫入快取，那麼更新快取也是可以的。但是，淘汰快取操作簡單，並且帶來的副作用只是增加了一次cache miss，建議作為通用的處理方式。

先刪除快取，還是先運算元據庫？

那麼問題就來了，我們是先刪除快取，然後再更新資料庫，還是先更新資料庫，再刪快取呢？

先來看看大佬們怎麼說。

《【58沈劍架構系列】快取架構設計細節二三事》58沈劍：

對於一個不能保證事務性的操作，一定涉及“哪個任務先做，哪個任務後做”的問題，解決這個問題的方向是：如果出現不一致，誰先做對業務的影響較小，就誰先執行。

假設先淘汰快取，再寫資料庫：第一步淘汰快取成功，第二步寫資料庫失敗，則只會引發一次Cache miss。

假設先寫資料庫，再淘汰快取：第一步寫資料庫操作成功，第二步淘汰快取失敗，則會出現DB中是新資料，Cache中是舊資料，資料不一致。

沈劍老師說的沒有問題，不過沒完全考慮好併發請求時的資料髒讀問題，讓我們再來看看孤獨煙老師《分散式之資料庫和快取雙寫一致性方案解析》：

先刪快取，再更新資料庫

該方案會導致請求資料不一致

同時有一個請求A進行更新操作，另一個請求B進行查詢操作。那麼會出現如下情形:

（1）請求A進行寫操作，刪除快取

（2）請求B查詢發現快取不存在

（3）請求B去資料庫查詢得到舊值

（4）請求B將舊值寫入快取

（5）請求A將新值寫入資料庫

上述情況就會導致不一致的情形出現。而且，如果不採用給快取設定過期時間策略，該資料永遠都是髒資料。

所以先刪快取，再更新資料庫並不是一勞永逸的解決方案，再看看先更新資料庫，再刪快取

先更新資料庫，再刪快取這種情況不存在併發問題麼？

不是的。假設這會有兩個請求，一個請求A做查詢操作，一個請求B做更新操作，那麼會有如下情形產生

（1）快取剛好失效

（2）請求A查詢資料庫，得一箇舊值

（3）請求B將新值寫入資料庫

（4）請求B刪除快取

（5）請求A將查到的舊值寫入快取

ok，如果發生上述情況，確實是會發生髒資料。

然而，發生這種情況的概率又有多少呢？

發生上述情況有一個先天性條件，就是步驟（3）的寫資料庫操作比步驟（2）的讀資料庫操作耗時更短，才有可能使得步驟（4）先於步驟（5）。可是，大家想想，資料庫的讀操作的速度遠快於寫操作的（不然做讀寫分離幹嘛，做讀寫分離的意義就是因為讀操作比較快，耗資源少），因此步驟（3）耗時比步驟（2）更短，這一情形很難出現。

先更新資料庫，再刪快取依然會有問題，不過，問題出現的可能性會因為上面說的原因，變得比較低！

所以，如果你想實現基礎的快取資料庫雙寫一致的邏輯，那麼在大多數情況下，在不想做過多設計，增加太大工作量的情況下，請先更新資料庫，再刪快取!

我一定要資料庫和快取資料一致怎麼辦

那麼，如果我tm非要保證絕對一致性怎麼辦，先給出結論：

沒有辦法做到絕對的一致性，這是由CAP理論決定的，快取系統適用的場景就是非強一致性的場景，所以它屬於CAP中的AP。

所以，我們得委曲求全，可以去做到BASE理論中說的最終一致性。

最終一致性強調的是系統中所有的資料副本，在經過一段時間的同步後，最終能夠達到一個一致的狀態。因此，最終一致性的本質是需要系統保證最終資料能夠達到一致，而不需要實時保證系統資料的強一致性

大佬們給出了到達最終一致性的解決思路，主要是針對上面兩種雙寫策略（先刪快取，再更新資料庫/先更新資料庫，再刪快取）導致的髒資料問題，進行相應的處理，來保證最終一致性。

延時雙刪

問：先刪除快取，再更新資料庫中避免髒資料？

答案：採用延時雙刪策略。

上文我們提到，在先刪除快取，再更新資料庫的情況下，如果不採用給快取設定過期時間策略，該資料永遠都是髒資料。

那麼延時雙刪怎麼解決這個問題呢？

（1）先淘汰快取

（2）再寫資料庫（這兩步和原來一樣）

（3）休眠1秒，再次淘汰快取

這麼做，可以將1秒內所造成的快取髒資料，再次刪除。

那麼，這個1秒怎麼確定的，具體該休眠多久呢？

針對上面的情形，讀者應該自行評估自己的專案的讀資料業務邏輯的耗時。然後寫資料的休眠時間則在讀資料業務邏輯的耗時基礎上，加幾百ms即可。這麼做的目的，就是確保讀請求結束，寫請求可以刪除讀請求造成的快取髒資料。

如果你用了mysql的讀寫分離架構怎麼辦？

ok，在這種情況下，造成資料不一致的原因如下，還是兩個請求，一個請求A進行更新操作，另一個請求B進行查詢操作。

（1）請求A進行寫操作，刪除快取

（2）請求A將資料寫入資料庫了，

（3）請求B查詢快取發現，快取沒有值

（4）請求B去從庫查詢，這時，還沒有完成主從同步，因此查詢到的是舊值

（5）請求B將舊值寫入快取

（6）資料庫完成主從同步，從庫變為新值

上述情形，就是資料不一致的原因。還是使用雙刪延時策略。只是，睡眠時間修改為在主從同步的延時時間基礎上，加幾百ms。

採用這種同步淘汰策略，吞吐量降低怎麼辦？

ok，那就將第二次刪除作為非同步的。自己起一個執行緒，非同步刪除。這樣，寫的請求就不用沉睡一段時間後了，再返回。這麼做，加大吞吐量。

所以在先刪除快取，再更新資料庫的情況下，可以使用延時雙刪的策略，來保證髒資料只會存活一段時間，就會被準確的資料覆蓋。

在先更新資料庫，再刪快取的情況下，快取出現髒資料的情況雖然可能性極小，但也會出現。我們依然可以用延時雙刪策略，在請求A對快取寫入了髒的舊值之後，再次刪除快取。來保證去掉髒快取。

刪快取失敗了怎麼辦：重試機制

看似問題都已經解決了，但其實，還有一個問題沒有考慮到，那就是刪除快取的操作，失敗了怎麼辦？比如延時雙刪的時候，第二次快取刪除失敗了，那不還是沒有清除髒資料嗎？

解決方案就是再加上一個重試機制，保證刪除快取成功。

參考孤獨煙老師給的方案圖：

方案一：

流程如下所示

（1）更新資料庫資料；

（2）快取因為種種問題刪除失敗

（3）將需要刪除的key傳送至訊息佇列

（4）自己消費訊息，獲得需要刪除的key

（5）繼續重試刪除操作，直到成功

然而，該方案有一個缺點，對業務線程式碼造成大量的侵入。於是有了方案二，在方案二中，啟動一個訂閱程式去訂閱資料庫的binlog，獲得需要操作的資料。在應用程式中，另起一段程式，獲得這個訂閱程式傳來的資訊，進行刪除快取操作。

方案二：

流程如下圖所示：

（1）更新資料庫資料

（2）資料庫會將操作資訊寫入binlog日誌當中

（3）訂閱程式提取出所需要的資料以及key

（4）另起一段非業務程式碼，獲得該資訊

（5）嘗試刪除快取操作，發現刪除失敗

（6）將這些資訊傳送至訊息佇列

（7）重新從訊息佇列中獲得該資料，重試操作。

而讀取binlog的中介軟體，可以採用阿里開源的canal

好了，到這裡我們已經把快取雙寫一致性的思路徹底梳理了一遍，下面就是我對這幾種思路徒手寫的實戰程式碼，方便有需要的朋友參考。

實戰：先刪除快取，再更新資料庫

終於到了實戰，我們在秒殺專案的程式碼上增加介面：先刪除快取，再更新資料庫

OrderController中新增：

/**
 * 下單介面：先刪除快取，再更新資料庫
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV1/{sid}")
@ResponseBody
public String createOrderWithCacheV1(@PathVariable int sid) {
    int count = 0;
    try {
        // 刪除庫存快取
        stockService.delStockCountCache(sid);
        // 完成扣庫存下單事務
        orderService.createPessimisticOrder(sid);
    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

stockService中新增：

@Override
public void delStockCountCache(int id) {
    String hashKey = CacheKey.STOCK_COUNT.getKey() + "_" + id;
    stringRedisTemplate.delete(hashKey);
    LOGGER.info("刪除商品id：[{}] 快取", id);
}

其他涉及的程式碼都在之前三篇文章中有介紹，並且可以直接去Github拿到專案原始碼，就不在這裡重複貼了。

實戰：先更新資料庫，再刪快取

如果是先更新資料庫，再刪快取，那麼程式碼只是在業務順序上顛倒了一下，這裡就只貼OrderController中新增：

/**
 * 下單介面：先更新資料庫，再刪快取
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV2/{sid}")
@ResponseBody
public String createOrderWithCacheV2(@PathVariable int sid) {
    int count = 0;
    try {
        // 完成扣庫存下單事務
        orderService.createPessimisticOrder(sid);
        // 刪除庫存快取
        stockService.delStockCountCache(sid);
    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

實戰：快取延時雙刪

如何做延時雙刪呢，最好的方法是開設一個執行緒池，線上程中刪除key，而不是使用Thread.sleep進行等待，這樣會阻塞使用者的請求。

更新前先刪除快取，然後更新資料，再延時刪除快取。

OrderController中新增介面：

// 延時時間：預估讀資料庫資料業務邏輯的耗時，用來做快取再刪除
private static final int DELAY_MILLSECONDS = 1000;


/**
 * 下單介面：先刪除快取，再更新資料庫，快取延時雙刪
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV3/{sid}")
@ResponseBody
public String createOrderWithCacheV3(@PathVariable int sid) {
    int count;
    try {
        // 刪除庫存快取
        stockService.delStockCountCache(sid);
        // 完成扣庫存下單事務
        count = orderService.createPessimisticOrder(sid);
        // 延時指定時間後再次刪除快取
        cachedThreadPool.execute(new delCacheByThread(sid));
    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

OrderController中新增執行緒池：

// 延時雙刪執行緒池
private static ExecutorService cachedThreadPool = new ThreadPoolExecutor(0, Integer.MAX_VALUE, 60L, TimeUnit.SECONDS,new SynchronousQueue<Runnable>());


/**
 * 快取再刪除執行緒
 */
private class delCacheByThread implements Runnable {
    private int sid;
    public delCacheByThread(int sid) {
        this.sid = sid;
    }
    public void run() {
        try {
            LOGGER.info("非同步執行快取再刪除，商品id：[{}]， 首先休眠：[{}] 毫秒", sid, DELAY_MILLSECONDS);
            Thread.sleep(DELAY_MILLSECONDS);
            stockService.delStockCountCache(sid);
            LOGGER.info("再次刪除商品id：[{}] 快取", sid);
        } catch (Exception e) {
            LOGGER.error("delCacheByThread執行出錯", e);
        }
    }
}

來試驗一下，請求介面createOrderWithCacheV3：

日誌中，做到了兩次刪除：

實戰：刪除快取重試機制

上文提到了，要解決刪除失敗的問題，需要用到訊息佇列，進行刪除操作的重試。這裡我們為了達到效果，接入了RabbitMq，並且需要在介面中寫傳送訊息，並且需要消費者常駐來消費訊息。Spring整合RabbitMq還是比較簡單的，我把簡單的整合程式碼也貼出來。

pom.xml新增RabbitMq的依賴：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-amqp</artifactId>
</dependency>

寫一個RabbitMqConfig：

@Configuration
public class RabbitMqConfig {

    @Bean
    public Queue delCacheQueue() {
        return new Queue("delCache");
    }

}

新增一個消費者：

@Component
@RabbitListener(queues = "delCache")
public class DelCacheReceiver {

    private static final Logger LOGGER = LoggerFactory.getLogger(DelCacheReceiver.class);

    @Autowired
    private StockService stockService;

    @RabbitHandler
    public void process(String message) {
        LOGGER.info("DelCacheReceiver收到訊息: " + message);
        LOGGER.info("DelCacheReceiver開始刪除快取: " + message);
        stockService.delStockCountCache(Integer.parseInt(message));
    }
}

OrderController中新增介面：

/**
 * 下單介面：先更新資料庫，再刪快取，刪除快取重試機制
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV4/{sid}")
@ResponseBody
public String createOrderWithCacheV4(@PathVariable int sid) {
    int count;
    try {
        // 完成扣庫存下單事務
        count = orderService.createPessimisticOrder(sid);
        // 刪除庫存快取
        stockService.delStockCountCache(sid);
        // 延時指定時間後再次刪除快取
        // cachedThreadPool.execute(new delCacheByThread(sid));
        // 假設上述再次刪除快取沒成功，通知訊息佇列進行刪除快取
        sendDelCache(String.valueOf(sid));

    } catch (Exception e) {
        LOGGER.error("購買失敗：[{}]", e.getMessage());
        return "購買失敗，庫存不足";
    }
    LOGGER.info("購買成功，剩餘庫存為: [{}]", count);
    return String.format("購買成功，剩餘庫存為：%d", count);
}

訪問createOrderWithCacheV4：

可以看到，我們先完成了下單，然後刪除了快取，並且假設延遲刪除快取失敗了，傳送給訊息佇列重試的訊息，訊息佇列收到訊息後再去刪除快取。

實戰：讀取binlog非同步刪除快取

我們需要用到阿里開源的canal來讀取binlog進行快取的非同步刪除。

不過很蛋疼的是，這次文章的工作量實在有點太大了，連續寫程式碼和整理文字身體有點吃不消了，不知道你們有沒有學累。我準備把canal之後單開一個文章寫，可能就是第五篇，也可能是單開一個canal的文章。我得先休息會，這裡就留一個坑把。

擴充套件閱讀

更新快取的的Design Pattern有四種：Cache aside, Read through, Write through, Write behind caching，這裡有陳皓的總結文章可以進行學習。

https://coolshell.cn/articles/17416.html

小結

引用陳浩《快取更新的套路》最後的總結語作為小結：

分散式系統裡要麼通過2PC或是Paxos協議保證一致性，要麼就是拼命的降低併發時髒資料的概率

快取系統適用的場景就是非強一致性的場景，所以它屬於CAP中的AP，BASE理論。

異構資料庫本來就沒辦法強一致，只是儘可能減少時間視窗，達到最終一致性。

還有別忘了設定過期時間，這是個兜底方案

結束語

本文總結了秒殺系統中關於快取資料的思考和實現，並探討了快取資料庫雙寫一致性問題。

可以總結為如下幾點：

• 對於讀多寫少的資料，請使用快取。
• 為了保持一致性，會導致系統吞吐量的下降。
• 為了保持一致性，會導致業務程式碼邏輯複雜。
• 快取做不到絕對一致性，但可以做到最終一致性。
• 對於需要保證快取資料庫資料一致的情況，請儘量考慮對一致性到底有多高要求，選定合適的方案，避免過度設計。

作者水平有限，寫文章過程中難免出現錯誤和疏漏，請理性討論與指正。

希望大家多多支援我的公主號：後端技術漫談

參考

• https://cloud.tencent.com/developer/article/1574827
• https://www.jianshu.com/p/2936a5c65e6b
• https://www.cnblogs.com/rjzheng/p/9041659.html
• https://www.cnblogs.com/codeon/p/8287563.html
• https://www.jianshu.com/p/0275ecca2438
• https://www.jianshu.com/p/dc1e5091a0d8
• https://coolshell.cn/articles/17416.html

關注我

我是一名後端開發工程師。

主要關注後端開發，資料安全，物聯網，邊緣計算方向，歡迎交流。

各大平臺都可以找到我

• 微信公眾號：後端技術漫談
• Github：@qqxx6661
• CSDN：@Rude3knife
• 知乎：@後端技術漫談
• 簡書：@蠻三刀把刀
• 掘金：@蠻三刀把刀

原創部落格主要內容

• 後端開發技術
• Java面試知識點
• 設計模式/資料結構
• LeetCode/劍指offer 演算法題解析
• SpringBoot/SpringCloud入門實戰系列
• 資料分析/資料爬蟲
• 逸聞趣事/好書分享/個人生活

個人公眾號：後端技術漫談

如果文章對你有幫助，不妨收藏，轉發，在看起來~