1. Caffeine缓存基础配置第一次接触Caffeine时我被它的简洁API惊艳到了。作为Guava Cache的现代替代品Caffeine在性能上有着显著提升。先看个最简单的例子CaffeineString, User caffeine Caffeine.newBuilder() .initialCapacity(100) .maximumSize(1000); CacheString, User cache caffeine.build();initialCapacity相当于给缓存池预留座位。比如预估系统高峰期会有100个活跃用户数据需要缓存设置这个值可以避免缓存动态扩容带来的性能损耗。我曾在压测时发现合理设置初始容量能使QPS提升15%左右。maximumSize则是缓存容量的硬限制。当缓存条目数达到这个阈值时Caffeine会启动异步线程清理最久未使用的条目。这里有个重要细节清理是异步进行的所以在清理完成前缓存大小可能会短暂超出限制。我在生产环境监控中曾观察到峰值时缓存条目数会比设置的最大值多出5-8%。对于存储大小不一的缓存对象比如有的用户数据只有几KB有的可能包含图片缩略图达到几MB这时可以用maximumWeight配合WeigherCaffeineString, byte[] caffeine Caffeine.newBuilder() .maximumWeight(10_000_000) // 10MB .weigher((String key, byte[] value) - value.length);2. 过期策略深度解析缓存过期是避免数据陈旧的關鍵。Caffeine提供三种过期策略我在实际项目中都使用过expireAfterAccess适合读多写少的场景。比如配置管理系统配置读取后如果10分钟没有被再次访问就会过期.expireAfterAccess(10, TimeUnit.MINUTES)expireAfterWrite则保证数据新鲜度。比如股票行情系统设置数据写入后1秒过期.expireAfterWrite(1, TimeUnit.SECONDS)最灵活的是expireAfter可以实现动态过期。比如电商系统中不同商品有不同的缓存时效.expireAfter(new ExpiryString, Product() { public long expireAfterCreate(String key, Product product, long currentTime) { return product.isHot() ? TimeUnit.MINUTES.toNanos(30) : // 热销商品缓存30分钟 TimeUnit.HOURS.toNanos(2); // 普通商品缓存2小时 } })我曾用这个特性为内容平台实现分级缓存热门内容缓存时间比长尾内容长5倍缓存命中率提升了40%。3. 缓存监控与统计没有监控的缓存就像盲人摸象。Caffeine内置的统计功能帮我们发现了不少问题CacheString, Data cache Caffeine.newBuilder() .recordStats() .build(); // 获取统计快照 CacheStats stats cache.stats(); System.out.println(命中率 stats.hitRate()); System.out.println(平均加载耗时 stats.averageLoadPenalty() ns);关键指标包括hitRate低于0.7就需要考虑调整缓存大小或策略loadFailureRate加载失败率过高可能是数据源问题evictionCount突然增高可能意味着流量激增我们团队将统计指标通过JMX接入监控系统设置了以下告警规则连续5分钟命中率60%触发警告平均加载时间100ms触发调查4. 高级特性实战技巧refreshAfterWrite是个容易被误解的特性。它不会阻塞请求在刷新期间会返回旧值。适合用于耗时较长的加载操作.build(new CacheLoaderString, Data() { Override public Data load(String key) { return fetchFromDB(key); // 初始加载 } Override public Data reload(String key, Data oldValue) { return fetchFromDB(key); // 异步刷新 } });removalListener能帮我们追踪缓存淘汰原因。有次通过它发现大量因大小限制被淘汰的条目于是我们调整了缓存容量.removalListener((String key, Data data, RemovalCause cause) - { metrics.increment(cache.removal. cause.name()); })Writer接口可以实现多级缓存。我们在分布式缓存和本地缓存之间同步数据.writer(new CacheWriterString, Data() { public void write(String key, Data data) { redisClient.put(key, data); // 同时写入Redis } public void delete(String key, Data data, RemovalCause cause) { redisClient.delete(key); // 同时删除Redis数据 } })5. Spring Boot集成实战在Spring项目中集成Caffeine变得异常简单。首先配置CacheManagerBean public CacheManager cacheManager() { CaffeineCacheManager manager new CaffeineCacheManager(); manager.registerCustomCache(users, Caffeine.newBuilder() .maximumSize(10_000) .expireAfterWrite(1, TimeUnit.HOURS) .build()); return manager; }然后通过注解轻松使用缓存Cacheable(value users, key #userId) public User getUser(String userId) { // DB查询 } CacheEvict(value users, key #userId) public void updateUser(User user) { // 更新逻辑 }我们在生产环境发现合理使用Cacheable注解能使API响应时间从平均200ms降到50ms以下。但要注意避免缓存穿透问题可以采用空值缓存或布隆过滤器等方案。6. 性能调优经验通过多次压测我们总结出这些最佳实践线程池配置默认使用ForkJoinPool但在高并发场景下建议自定义线程池.executor(Executors.newFixedThreadPool(16))缓存预热系统启动时预先加载热点数据ListString hotKeys getHotKeys(); cache.getAll(hotKeys);合理使用弱引用对于不重要且可能被GC的数据.weakKeys() .weakValues()批量操作减少网络开销MapString, Data data cache.getAll(keys);记得定期检查缓存统计信息根据实际业务变化调整参数。我们每周都会分析缓存指标持续优化配置。