Redis如何找出并快速删除亿级指定前缀的key

背景

由于Redis的单线程服务模式，命令keys *会阻塞正常的业务请求，不建议使用keys * pattern的方法进行查询，可能会使服务器卡顿而出现事故。如何获取指定的 key?

可以采用Redis提供的SCAN命令。SCAN 命令是一个基于游标的迭代器（cursor based iterator）：SCAN 命令每次被调用之后都会向用户返回一个新的游标， 用户在下次迭代时会使用这个新游标作为 SCAN 命令的游标参数， 以此来延续之前的迭代过程。当 SCAN 命令的游标参数被设置为 0 时， 服务器将开始一次新的迭代；而当服务器向用户返回值为 0 的游标时， 表示迭代已结束。

SCAN的语法如下：

SCAN cursor [MATCH pattern] [COUNT count]

其中 cousor 是游标，MATCH 则支持正则匹配，我们正好可以利用此功能，比如匹配 前缀为"dba_"的key， COUNT 是每次获取多少个key。

redis 127.0.0.1:6379> scan 0
1) "17"
2)  1) "key:12"
    2) "key:8"
    3) "key:4"
    4) "key:14"
    5) "key:16"
    6) "key:17"
    7) "key:15"
    8) "key:10"
    9) "key:3"
    10) "key:7"
    11) "key:1"
redis 127.0.0.1:6379> scan 17
1) "0"
2) 1) "key:5"
   2) "key:18"
   3) "key:0"
   4) "key:2"
   5) "key:19"
   6) "key:13"
   7) "key:6"
   8) "key:9"
   9) "key:11"

在上面这个例子中， 第一次迭代使用 0 作为游标， 表示开始一次新的迭代。第二次迭代使用的是第一次迭代时返回的游标， 也即是命令回复第一个元素的值 —— 17 。 在第二次调用 SCAN 命令时， 命令返回了游标 0 ， 这表示迭代已经结束， 整个数据集（collection）已经被完整遍历过了。

从上面的示例可以看到， SCAN 命令的回复是一个包含两个元素的数组， 第一个数组元素是用于进行下一次迭代的新游标， 而第二个数组元素则是一个数组， 这个数组中包含了所有被迭代的元素。

例如：　　SCAN    0   MATCH  aaa*   COUNT    5  #表示从游标0开始查询aaa开头的key，每次返回5条，但是这个5条不一定，只是给Redis了参考值，具体返回数量看Redis。

注意:以 0 作为游标开始一次新的迭代， 一直调用 SCAN 命令， 直到命令返回游标 0 ， 我们称这个过程为一次完整遍历（full iteration）。 我们会在后面的代码实现中利用此特点。

Python的redis 模块提供 scan_iter 迭代器来遍历key，其返回的结果迭代器对象。

    In [53]: ret=r.scan_iter('dba_*',20)
    In [54]: print ret
    <generator object scan_iter at 0x102ff45a0>

至此，我们解决了如何获取数据的问题，下面思考第二个问题。

如何执行删除

这个相对比较简单，Redis 提供DEL 命令

    127.0.0.1:6379[2]> get "dba_7"
    "r06cVX9"
    127.0.0.1:6379[2]> get "dba_1"
    "ETX57PA"
    127.0.0.1:6379[2]> del "dba_7" "dba_1"
    (integer) 2
    127.0.0.1:6379[2]>

在redis-py 中，提供了delete(key)，delete(*key)的函数, 其中参数 *key 是多个值的列表。 到这里，我们大致可以想到获取key，然后批量删除

(mytest)➜  test git:(master) ✗ python delete_key.py
initial keys successfully,use time: 90.2497739792
normal ways end at: 68.685477972
normal ways delete numbers: 1000000

常规方式的删除10W个key耗时68.7秒，如果是1.2亿个key 要多少时间呢？68*1000/3600=18.8小时。能不能更快呢？

如何提高执行速度

Redis本身是基于Request/Response协议的，客户端发送一个命令，等待Redis应答，Redis在接收到命令，处理后应答。其中发送命令加上返回结果的时间称为(Round Time Trip)RRT-往返时间。如果客户端发送大量的命令给Redis，那就是等待上一条命令应答后再执行再执行下一条命令，这中间不仅仅多了RTT，而且还频繁的调用系统IO，发送网络请求。

Pipeline(流水线)功能极大的改善了上面的缺点。Pipeline能将一组Redis命令进行组装，然后一次性传输给Redis，再将Redis执行这组命令的结果按照顺序返回给客户端。

需要注意的是Pipeline 虽然好用，但是Pipline组装的命令个数不能没有限制，否则一次组装数据量过大，一方面增加客户端的等待时间，另一方面会造成网络阻塞，需要批量组装。使用Pepline 和常规方式的性能对比如下:

代码

import redis
import random
import string
import time
pool = redis.ConnectionPool(host='127.0.0.1', port=6379, db=2)
r = redis.Redis(connection_pool=pool)

def random_str():
    return ''.join(random.choice(string.ascii_letters + string.digits) for _ in range(7))

def init_keys():
    start_time = time.time()
    for i in xrange(0, 20):
        key_name = 'dba_'+str(i)
        value_name = random_str()
        r.set(key_name, value_name)
    print 'initial keys successfully,use time:', time.time() - start_time

def del_keys_without_pipe():
    start_time = time.time()
    result_length = 0
    for key in r.scan_iter(match='dba_*', count=2000):
        r.delete(key)
        result_length += 1
    print "normal ways end at:", time.time() - start_time
    print "normal ways delete numbers:", result_length

def del_keys_with_pipe():
    start_time = time.time()
    result_length = 0
    pipe = r.pipeline()
    for key in r.scan_iter(match='dba_*', count=5000):
        pipe.delete(key)
        result_length += 1
        if result_length % 5000 == 0:
            pipe.execute()
    pip_time = time.time()
    print "use pipeline scan time ", time.time() - start_time
    pipe.execute()

    print "use pipeline end at:", time.time() - pip_time
    print "use pipeline ways delete numbers:", result_length

def main():
    init_keys()
    del_keys_without_pipe()
    init_keys()
    del_keys_with_pipe()

if __name__ == '__main__':
    main()