JeecgBoot项目中实现Redis缓存差异化过期时间的配置方法
在基于Spring Boot的企业级开发框架JeecgBoot中,缓存机制是提升系统性能的重要手段。默认情况下,JeecgBoot通过RedisConfig配置类对所有缓存键设置了统一的6小时过期时间,这在某些业务场景下可能不够灵活。本文将详细介绍如何实现不同缓存键设置不同过期时间的解决方案。
默认缓存配置分析
JeecgBoot框架默认的Redis缓存配置位于org.jeecg.common.modules.redis.config.RedisConfig类中。该配置类通过@Bean注解创建了一个RedisCacheManager实例,并设置了全局的缓存过期时间。这种统一配置的方式虽然简单,但缺乏对不同业务场景的针对性支持。
自定义缓存过期时间方案
要实现不同缓存键的差异化过期时间配置,可以通过以下几种方式:
方案一:自定义RedisCacheManager
开发者可以创建自定义的RedisCacheConfiguration,为不同的缓存名称指定不同的过期时间。具体实现步骤如下:
- 创建自定义配置类继承RedisConfig
- 重写cacheManager方法
- 使用RedisCacheConfiguration.defaultCacheConfig()构建基础配置
- 为每个需要特殊过期时间的缓存名称创建独立配置
示例代码:
@Bean
public RedisCacheManager cacheManager(RedisConnectionFactory redisConnectionFactory) {
Map<String, RedisCacheConfiguration> cacheConfigurations = new HashMap<>();
// 为user缓存设置30分钟过期
cacheConfigurations.put("user",
RedisCacheConfiguration.defaultCacheConfig()
.entryTtl(Duration.ofMinutes(30)));
// 为product缓存设置24小时过期
cacheConfigurations.put("product",
RedisCacheConfiguration.defaultCacheConfig()
.entryTtl(Duration.ofHours(24)));
return RedisCacheManager.builder(redisConnectionFactory)
.withInitialCacheConfigurations(cacheConfigurations)
.build();
}
方案二:使用注解动态设置
对于需要更细粒度控制的场景,可以在业务代码中通过注解动态设置过期时间:
@Cacheable(value = "shortTermCache", key = "#id")
public Object getWithShortExpiration(String id) {
// 业务逻辑
}
@Cacheable(value = "longTermCache", key = "#id")
public Object getWithLongExpiration(String id) {
// 业务逻辑
}
然后在配置中分别为shortTermCache和longTermCache设置不同的过期时间。
最佳实践建议
-
业务分类:根据业务重要性将缓存分为关键业务缓存、普通业务缓存和临时缓存三类,分别设置不同的过期时间。
-
时间梯度:建议采用阶梯式过期时间策略,如:
- 高频访问数据:10-30分钟
- 普通业务数据:2-6小时
- 基础数据:24小时
- 配置数据:可设置更长或永不过期
-
监控调整:在实际运行中监控缓存命中率,根据实际情况调整过期时间。
-
命名规范:建议为缓存键设计清晰的命名规范,便于管理和维护。
注意事项
-
过度细化的过期时间配置会增加系统复杂度,需权衡业务需求和维护成本。
-
在分布式环境下,确保所有节点的缓存配置一致。
-
对于特别敏感的数据,建议设置较短的过期时间或实现主动失效机制。
通过以上方法,开发者可以在JeecgBoot项目中灵活地为不同业务数据设置最适合的缓存过期时间,在保证系统性能的同时,也能满足各种业务场景的特殊需求。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
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