Pipeline 批量操作:把 N 次往返压成一次 RTT
批量读取 100 个 key 的场景很常见:商品详情页拼装、用户画像合并、缓存预热。逐条 GET 串行执行,每次都要等上一次响应回来才能发下一条,总耗时约等于 100 次网络往返(RTT)。Pipeline 把这 100 条命令一次性写入 socket,等服务端把全部响应按序返回,总耗时约等于 1 次往返。这是 Redis 客户端优化里投入产出比最高的一项,本文讲清原理、写法与边界。
一、为什么慢:往返成本占大头
Redis 执行一条 GET 通常在几十微秒内,而同城机房一次网络往返就有 0.5~1ms,跨机房 10ms 起步。串行执行 100 条命令时,绝大部分时间耗在"等网络"而不是"算数据"上:
串行:SEND → wait RTT → RECV → SEND → wait RTT → RECV ...(N 次 RTT)
pipeline:SEND×100 → wait RTT → RECV×100(1 次 RTT + 服务端执行时间)
RTT 越高、命令条数越多,加速比越接近命令条数,极限情况下千条命令的耗时从一千次往返塌缩到一次往返加服务端执行时间。跨机房场景一条命令 10ms,100 条串行要 1 秒,pipeline 后约 10 多毫秒,这是量级级别的差异。
加速比可以写成公式:设单次 RTT 为 R、服务端单条命令执行时间为 E、命令条数为 N。串行总耗时约 N × (R + E),pipeline 总耗时约 R + N × E。两者的比值就是加速比:
加速比 = N × (R + E) / (R + N × E)
代入同城场景 R = 0.5ms、E = 0.02ms、N = 100:串行约 52ms,pipeline 约 2.5ms,加速 20 倍。代入跨机房场景 R = 10ms、E = 0.02ms、N = 100:串行约 1002ms,pipeline 约 12ms,加速 83 倍。反过来若只有 5 条命令,同城场景下串行 2.6ms、pipeline 2.6ms,几乎无差别。这个公式直接回答了"要不要上 pipeline"——把业务实际的 R、E、N 代进去算一遍即可,不必凭感觉。
二、原理与边界:快,但不原子
客户端把命令在本地攒成队列,一次性刷入 TCP 连接;服务端按序执行、按序回包,客户端再从缓冲区逐条读取响应。从协议层看,RESP 里每条命令就是一个请求数组,pipeline 只是连续写出多个数组、中间不等响应,服务端的解析路径与单条命令完全一致,不增加额外开销——省掉的纯粹是等待时间。两个关键边界:
- 不是事务。 服务端执行 pipeline 中途会插入其他客户端的命令,100 条命令不构成原子序列,中间的读结果可能被并发写改变。需要原子性用
MULTI/EXEC或 Lua。 - 两端都要缓存。 服务端为该连接的输出缓冲区暂存全部响应,客户端同样要在内存里等齐所有结果。批量过大(几十万条)会撑大服务端
client-output-buffer、挤占客户端堆内存,应分批 flush,每批 500~1000 条是常用量级。
也要认识 pipeline 的适用边界:服务端 CPU 已经打满时,瓶颈在算力而非往返,pipeline 帮不上忙;单热点 key 的并发互相排队,同样不是 RTT 问题;命令之间存在依赖、下一条要用上一条的结果时,只能改用 Lua。压测显示服务端单核未满而 QPS 上不去,才是上 pipeline 的信号。落地前先算收益账:RTT 0.5ms 的同城链路,批量 50 条能把单请求耗时从 25ms 压到 1ms 以内;RTT 1ms、批量只有 10 条时收益有限,不必为了 pipeline 重构代码。
三、客户端写法
Spring Data Redis 的 executePipelined,回调里的命令不会立即发送,统一在最后刷出:
List<Object> results = redisTemplate.executePipelined((RedisCallback<Object>) conn -> {
StringRedisConnection c = (StringRedisConnection) conn;
for (String id : ids) {
c.get("user:profile:" + id);
}
return null; // 必须返回 null,结果由 executePipelined 收集
});
Lettuce 原生 API 天然异步,也可以手动控制刷出时机:
lettuceConn.setAutoFlushCommands(false);
List<RedisFuture<String>> futures = keys.stream()
.map(k -> lettuceConn.async().get(k))
.collect(Collectors.toList());
lettuceConn.flushCommands();
LettuceFutures.awaitAll(Duration.ofSeconds(1), futures.toArray(new RedisFuture[0]));
lettuceConn.setAutoFlushCommands(true);
原生 Jedis 客户端是同样的套路:
try (Jedis jedis = pool.getResource(); Pipeline pipe = jedis.pipelined()) {
for (String id : ids) {
pipe.get("user:profile:" + id);
}
List<Object> results = pipe.syncAndReturnAll(); // 一次性等全部响应
}
离线导数据用 redis-cli --pipe,直接喂 RESP 协议文件,吞吐最高。
四种写法的差异主要体现在错误处理与内存占用上,选型时要一起考虑。Spring 的 executePipelined 内部会为每条命令生成占位结果,批量很大时堆内存压力明显;Lettuce 的 RedisFuture 列表同样要全量持有。Jedis 的 syncAndReturnAll 会把所有响应一次性读进内存,再一次性返回。共同点是"结果必须全量驻留",这就意味着批量大小不是越大越好,而是要在吞吐与内存之间找平衡点。
redis-cli --pipe 的用法值得单独给个例子,它是迁移和批量导入场景的利器:
# 生成 RESP 格式的命令流(每行一条,redis-cli --pipe 会自动转换)
for i in $(seq 1 100000); do
echo "SET user:$i:status active"
done > commands.txt
cat commands.txt | redis-cli -h 10.0.0.5 -p 6379 --pipe
# All data transferred. Waiting for the last reply...
# Last reply received from server.
# errors: 0, replies: 100000
输出里的 errors 与 replies 是核心指标,前者非零说明有命令被拒绝(常见是协议格式错误或 MULTI 嵌套),后者应当等于命令条数。注意 --pipe 不会解析 RESP 返回值,只统计条数,所以它适合"写入不需要看结果"的场景,不适合需要逐条判断成败的业务逻辑。
四、与 MULTI/EXEC、Lua 的区别
| 手段 | 省往返 | 原子 | 适用场景 |
| --- | --- | --- | --- |
| Pipeline | 是 | 否 | 批量读写,无逻辑依赖 |
| MULTI/EXEC | 配合 pipeline 可省 | 是 | 一组命令要么全做要么全不做 |
| Lua 脚本 | 是 | 是 | 命令间有条件依赖,需服务端逻辑 |
三者不互斥:MULTI 与 EXEC 之间的命令本身也可以通过 pipeline 一次发出;有"读 A 判断再写 B"这类依赖时,pipeline 做不到,只能上 Lua。另外,事务入队阶段的命令错误(如命令不存在)会让 EXEC 整体拒绝执行,而运行时错误只影响单条命令;pipeline 没有这两阶段语义,每条命令独立成败——这正是它"非事务"在协议层的体现。工程上还有个折中:批量读走 pipeline、批量写直接用 MSET 这类单命令,两者叠加后多数接口不需要更复杂的优化。
常见坑 / 最佳实践
- 不要把整批数据一次塞进 pipeline。 十万条起步的大批量务必分批 flush,否则先撑爆的是服务端输出缓冲区,客户端被服务端断连。给个数量感:每批 1000 条、每条响应 1KB,单批缓冲约 1MB,两端都无压力;放大到 10 万条就是百 MB 级,足以触发
client-output-buffer-limit的 normal 上限被强制断开。 - 逐条检查响应里的异常。 pipeline 返回的是按序结果列表,某一条失败不影响其他条,把
List<Object>里的错误元素当正常数据处理是常见事故源。 - Cluster 下 pipeline 只发往单节点。 跨槽的 key 需要客户端按节点分组分别 pipeline,Lettuce 的 cluster advanced API 或 Redisson 的批量执行器支持,普通
executePipelined不会自动分片路由。 - 读后写依赖不能靠 pipeline。 需要根据上一条结果决定下一条命令时,改用 Lua 脚本,否则并发下必然出错。
- 批量预热放在低峰期。 大 pipeline 会挤占主线程与其他客户端的带宽,灰度放量并监控 LATENCY。预热脚本提前在低峰验证一遍批量大小与总耗时,别到上线当晚才发现缓冲区超限。
小结
- pipeline 用一次往返执行 N 条命令,RTT 越高收益越大,跨机房场景是量级提升。
- 它只省网络,不提供原子性;需要原子用事务,需要逻辑依赖用 Lua。
- 两端都要缓存响应,批量控制在千条级别、分批 flush。
- Spring 用
executePipelined,Lettuce 用setAutoFlushCommands,导数据用--pipe。 - Cluster 场景必须按节点分组,否则 pipeline 收到的是 MOVED 错误。
- 点赞
- 收藏
- 关注作者
评论(0)