Caffeine缓存库中RemovalListener异步通知机制解析
2025-05-13 14:57:39作者:何举烈Damon
背景介绍
Caffeine是一个高性能的Java缓存库,广泛应用于需要高效缓存的场景。在缓存使用过程中,当缓存项被移除时,开发者经常需要监听这些移除事件以执行一些后续操作。Caffeine提供了RemovalListener接口来实现这一功能。
问题现象
在单元测试中,开发者发现当向已满的缓存中添加新条目时,RemovalListener有时不会被立即调用。具体表现为:当缓存大小限制为2时,连续添加3个条目后,预期会有一个条目被移除并触发监听器,但测试中经常出现监听器未被调用的情况。
原因分析
这种现象的根本原因在于Caffeine的设计机制:
- 异步通知机制:Caffeine默认将移除通知任务提交给一个独立的Executor执行,而不是在调用线程中同步执行
- cleanUp方法的局限性:cleanUp()方法会触发缓存维护操作,但不会等待通知任务完成
- 测试线程与通知线程的竞态条件:测试线程可能在通知任务执行前就进行了断言检查
解决方案
针对这一问题,Caffeine提供了多种解决方案:
方案一:使用同步执行器
在测试环境中,可以配置Caffeine使用调用线程直接执行通知任务:
Cache<String, String> cache = Caffeine.newBuilder()
.maximumSize(2)
.executor(Runnable::run) // 使用调用线程同步执行
.removalListener((key, value, cause) -> removed.add(key))
.build();
这种方式简单直接,适合大多数测试场景。
方案二:使用Awaitility等待条件满足
对于需要验证异步行为的测试,可以使用Awaitility库等待预期状态:
await().until(cache::asMap, is(aMapWithSize(2)));
await().until(() -> removed, hasSize(1));
这种方法更贴近真实异步场景,能更好地验证系统行为。
方案三:结合cleanUp与等待
在明确需要触发维护操作时,可以先调用cleanUp(),然后等待结果:
cache.cleanUp();
await().until(() -> removed, hasSize(1));
最佳实践建议
- 在测试环境中优先考虑使用同步执行器,简化测试逻辑
- 在生产环境中保留默认的异步机制,保证性能
- 对于复杂的并发场景测试,使用专门的等待工具如Awaitility
- 注意使用线程安全的集合来收集移除通知,如ConcurrentLinkedQueue
技术原理深入
Caffeine采用这种设计主要基于以下考虑:
- 性能优化:异步执行避免阻塞缓存操作的主路径
- 资源隔离:防止用户回调代码影响缓存内部运作
- 可扩展性:允许用户自定义Executor以适应不同场景
理解这一机制对于正确使用Caffeine至关重要,特别是在需要严格保证数据一致性的场景中。开发者应当根据具体需求选择合适的通知处理方式,并在测试中充分考虑并发场景下的各种可能性。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C037
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0115
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 高效验证码识别解决方案:OCRServer资源文件深度解析与应用指南 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 操作系统概念第六版PDF资源全面指南:适用场景与使用教程 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
433
3.29 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
352
Ascend Extension for PyTorch
Python
237
271
暂无简介
Dart
690
162
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
仓颉编程语言运行时与标准库。
Cangjie
143
881
React Native鸿蒙化仓库
JavaScript
266
327
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
211
115
仓颉编译器源码及 cjdb 调试工具。
C++
138
869