博客
关于我
springboot redis key乱码
阅读量:666 次
发布时间:2019-03-16

本文共 1474 字,大约阅读时间需要 4 分钟。

RedisTemplate在Spring Boot应用中的键值存储问题及解决方法

在Spring Boot应用中,当使用RedisTemplate进行键值存储时,可能会遇到一个常见问题:存储的键值会被加密,导致难以直观查看和管理。这是因为RedisTemplate默认使用了JDK序列化方式,对象会被转换为字节序列,进而被加密存储。

问题描述

假设在应用中使用以下代码进行RedisTemplate的注入:

@Autowiredprivate RedisTemplate redisTemplate;

如果你尝试存储一个对象,键值会被加密存储。例如:

redisTemplate.set("key", new SomeObject());

执行后,你会发现存储的键值并非你期望的明文形式,而是被加密后的序列。

解决方法

为了解决这个问题,可以通过手动设置RedisTemplate的序列化器,确保键值和值都使用字符串形式存储。以下是具体实现步骤:

  • 首先,在Spring Boot的配置类中添加RedisTemplate的注入:
  • @Autowired(required = false)public void setRedisTemplate(RedisTemplate redisTemplate) {    RedisSerializer stringSerializer = new StringRedisSerializer();    redisTemplate.setKeySerializer(stringSerializer);    redisTemplate.setValueSerializer(stringSerializer);    redisTemplate.setHashKeySerializer(stringSerializer);    redisTemplate.setHashValueSerializer(stringSerializer);    this.redisTemplate = redisTemplate;}
    1. 在注入后,重新获取RedisTemplate实例,并进行操作:
    2. @Autowiredprivate RedisTemplate redisTemplate;public void doSomething() {    redisTemplate.set("key", "value");}

      结果展示

      经过上述配置后,你可以正常使用RedisTemplate进行键值存储,键值将使用明文形式存储。例如:

      redisTemplate.set("key", "value");

      执行后,你可以通过Redis客户端查看键值:

      127.0.0.1:6379> keys *1) "key"

      这样,键值存储更加直观,便于管理和调试。

      注意事项

      • 序列化方式选择:选择合适的序列化方式非常重要。StringRedisSerializer 是最简单和常用的选择,适用于大多数场景。如果需要存储更复杂的对象,可以使用自定义序列化器。

      • 注入方式优化:在注入RedisTemplate时,可以选择required = false,以便在不依赖Redis的场景下仍能正常运行应用。

      • 性能优化:在生产环境中,建议对RedisTemplate进行进一步优化,比如设置缓存策略和连接池,以提升性能表现。

      通过以上方法,可以有效解决RedisTemplate键值存储问题,确保键值以明文形式存储,提升开发和维护效率。

    转载地址:http://zmdqz.baihongyu.com/

    你可能感兴趣的文章
    opencv9-膨胀和腐蚀
    查看>>
    OpenCV_ cv2.imshow()
    查看>>
    opencv——图像缩放1(resize)
    查看>>
    Opencv——模块介绍
    查看>>
    OpenCV与AI深度学习 | 2024年AI初学者需要掌握的热门技能有哪些?
    查看>>
    OpenCV与AI深度学习 | CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !
    查看>>
    OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍
    查看>>
    OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
    查看>>
    OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
    查看>>
    OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
    查看>>
    OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
    查看>>
    OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
    查看>>