解决node-cache-manager中Cacheable存储BigInt类型数据的问题
2025-07-08 22:43:39作者:农烁颖Land
在Node.js应用中,缓存管理是一个非常重要的性能优化手段。node-cache-manager作为一个流行的缓存抽象层,提供了统一的API来操作多种缓存存储。然而,在使用其Cacheable功能时,开发者可能会遇到无法直接存储包含BigInt类型数据对象的问题。
问题背景
Cacheable默认会对所有存储的数据进行序列化处理,这在大多数情况下是有益的,可以确保数据在不同存储后端之间的一致性。但当我们需要使用内存缓存(如KeyvCacheableMemory)时,这种强制序列化反而成为了不必要的性能开销,特别是当数据中包含BigInt等特殊类型时。
问题分析
Cacheable的primary存储默认通过Keyv进行包装,而Keyv会对数据进行序列化/反序列化处理。这种设计对于需要持久化的存储后端(如Redis、MongoDB等)是必要的,但对于纯内存缓存来说,这种额外的序列化处理:
- 增加了不必要的CPU开销
- 可能导致特殊数据类型(如BigInt、Date等)的信息丢失
- 降低了内存缓存的性能优势
解决方案
最新版本的Keyv(v5.2.1及以上)提供了绕过序列化的能力,我们可以通过以下方式实现:
import Keyv from 'keyv';
import {KeyvCacheableMemory, Cacheable} from 'cacheable';
// 创建内存存储实例
const primary = new Keyv({ store: new KeyvCacheableMemory });
// 关键步骤:禁用序列化
primary.serialize = undefined;
primary.deserialize = undefined;
// 创建Cacheable实例
const cache = new Cacheable({ primary });
这种方法直接操作Keyv实例,将其序列化方法设为undefined,从而绕过默认的序列化流程。这特别适合以下场景:
- 纯内存缓存应用
- 需要存储包含BigInt、Date等特殊类型的对象
- 对性能有极高要求的应用场景
注意事项
- 此方案仅适用于内存缓存,如果使用需要持久化的存储后端,仍需确保数据可序列化
- 禁用序列化后,存储的数据将直接保存在内存中,需要注意内存使用情况
- 如果需要在不同存储后端之间共享数据,仍需考虑序列化兼容性问题
总结
通过禁用Keyv的序列化功能,我们可以高效地在node-cache-manager的内存缓存中存储包含BigInt等特殊类型的对象。这种优化既保留了Cacheable提供的统一API和功能特性,又避免了不必要的性能开销,是内存缓存场景下的理想解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
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
暂无简介
Dart
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218