Blog.Core项目中.NET 8缓存Key获取问题的分析与解决
问题背景
在Blog.Core项目中,当升级到.NET 8框架后,开发人员发现使用SqlSugar的二级缓存功能时出现了一个特殊现象:虽然缓存确实生效(相同的SQL查询只执行了一次),但通过GetAllCacheKeys方法却无法获取到缓存Key。这个问题仅出现在内存缓存模式下,Redis分布式缓存则表现正常。
问题现象分析
开发人员通过以下测试确认了问题的存在:
- 首先确认SqlSugar二级缓存确实生效,相同SQL多次调用只执行一次
- 使用内存缓存时,
GetAllCacheKeys返回的Key数量为0 - 但通过具体Key却能获取到缓存值(如"123123")
- Redis缓存模式下一切正常
根本原因
经过深入排查,发现问题根源在于内存缓存的注册方式。在.NET中,标准的IMemoryCache实现(MemoryCache)本身并不支持获取所有缓存Key的功能。Blog.Core项目为了实现这一功能,自定义了MemoryCacheManager类来扩展标准内存缓存。
当系统中存在以下情况时,就会出现获取不到Key的问题:
- 项目中其他地方(可能是第三方库)注册了标准的
IMemoryCache - 自定义的
MemoryCacheManager没有被正确注册为IMemoryCache的默认实现 - 导致
GetAllCacheKeys方法实际上获取的是标准MemoryCache实例,而非自定义的MemoryCacheManager
解决方案
解决这个问题需要确保以下几点:
-
检查重复注册:全局搜索项目中所有
IMemoryCache的注册点,确保没有其他地方注册了标准实现 -
正确覆盖注册:在服务注册时,确保自定义缓存管理器被正确注册:
services.AddSingleton<IMemoryCache>(provider => provider.GetService<MemoryCacheManager>()); -
处理第三方库冲突:如果问题是由第三方库的注册引起的,可以在第三方库注册后显式覆盖注册:
// 第三方库注册后 services.AddSingleton<IMemoryCache>(provider => provider.GetService<MemoryCacheManager>());
最佳实践建议
-
缓存实现选择:对于需要获取所有Key的场景,建议优先考虑Redis等分布式缓存方案
-
注册顺序检查:在涉及缓存的服务注册时,注意检查注册顺序和覆盖关系
-
增加校验机制:可以在代码中添加类型校验,当检测到注入的不是自定义缓存管理器时发出警告
-
文档记录:在项目文档中明确记录缓存的使用方式和注意事项,特别是关于注册顺序的要求
总结
这个问题典型地展示了依赖注入中实现覆盖的重要性。在.NET生态中,当多个库都可能注册相同服务时,后注册的实现会覆盖先前的注册。通过理解这一机制,并确保自定义缓存管理器的正确注册,就能解决这类看似诡异的问题。同时,这也提醒我们在引入第三方库时需要关注其服务注册行为,避免潜在的冲突。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00