本地进程缓存时使用本地的JVM资源去存储数数，减少数据库和redis等中间件的压力，并且远程中间件与进程之间传输数据会经过网络传输，会影响一定的性能，为了加快数据响应提高用户使用体感，我们可以引入本地进程缓存来加快进程响应速度。

但是本地进程缓存的资源有限，所以我们要考虑以最大收益来使用本地进程缓存，它的核心使用场景如下：
1.读多写少、可容忍短暂数据不一致的热点基础数据（字典、地区码、系统配置、公告、商品类目）

2.短期临时数据：接口防重、限流计数、验证码、临时 Token

3.二级缓存架构：Caffeine (本地进程缓存) → Redis → DB，加速热点查询、削峰

不适合：

1.强一致性核心业务：库存、订单、支付、账户余额、实时价格，本地进程缓存无法保证集群环境下的强一致性

2.全局共享状态：分布式会话、全局锁、全局 ID，因为本地进程缓存只能将数据保存在本地JVM,在微服务情形下无法实现全局共享状态

3.需要长期持久保存的数据

4.高频实时更新的数据

三种主流的实现方式

1.使用java原生 ConcurrentHashMap,线程安全、原生无依赖；无自动过期 / 容量淘汰，仅用于少量临时数据，可能会出现内存泄漏，需要谨慎防范

import java.util.Map; import java.util.concurrent.ConcurrentHashMap; public class SimpleLocalCache { // 全局进程内存缓存 private static final Map<String, Object> LOCAL_CACHE = new ConcurrentHashMap<>(); // 存入 public static void put(String key, Object value) { LOCAL_CACHE.put(key, value); } // 读取 public static Object get(String key) { return LOCAL_CACHE.get(key); } // 删除 public static void remove(String key) { LOCAL_CACHE.remove(key); } // 清空 public static void clear() { LOCAL_CACHE.clear(); } public static void main(String[] args) { put("user:1001", "张三"); System.out.println(get("user:1001")); } }

2.Caffeine

import com.github.benmanes.caffeine.cache.Cache; import com.github.benmanes.caffeine.cache.Caffeine; import com.github.benmanes.caffeine.cache.LoadingCache; import java.util.concurrent.TimeUnit; public class CaffeineCacheDemo { public static void main(String[] args) { // 1. 基础手动缓存 Cache<String, String> cache = Caffeine.newBuilder() .maximumSize(1000) // 最大缓存条数，LRU自动淘汰冷门数据 .expireAfterWrite(5, TimeUnit.MINUTES) // 写入后5分钟过期 .expireAfterAccess(2, TimeUnit.MINUTES)// 2分钟未访问则过期 .removalListener((key, val, cause) -> { System.out.println("缓存失效 key:" + key + " 原因:" + cause); }) .build(); // 读写 cache.put("dict:area:100", "北京市"); String val = cache.getIfPresent("dict:area:100"); System.out.println(val); cache.invalidate("dict:area:100"); // 删除指定key cache.cleanUp(); // 主动清理过期缓存 // 2. LoadingCache：自动加载数据源（无缓存时自动查库） LoadingCache<String, String> loadingCache = Caffeine.newBuilder() .maximumSize(1000) .expireAfterWrite(5, TimeUnit.MINUTES) .refreshAfterWrite(1, TimeUnit.MINUTES) // 后台定时刷新 .build(key -> loadFromDb(key)); // 数据加载函数 String data = loadingCache.get("dict:area:200"); System.out.println(data); } // 模拟数据库查询 private static String loadFromDb(String key) { System.out.println("查询数据库：" + key); return key + "-data"; } }

SpringBoot 集成 Caffeine + @Cacheable 注解

@Configuration @EnableCaching public class CaffeineConfig { @Bean public CacheManager caffeineCacheManager() { CaffeineCacheManager cacheManager = new CaffeineCacheManager(); cacheManager.setCaffeine(Caffeine.newBuilder() .maximumSize(2000) .expireAfterWrite(5, TimeUnit.MINUTES)); return cacheManager; } } @Service public class DictService { // 存入本地缓存 @Cacheable(value = "localDictCache", key = "#code") public String getDict(String code) { // 查数据库逻辑 System.out.println("真实查询数据库:" + code); return "字典值-" + code; } // 更新时清除缓存 @CacheEvict(value = "localDictCache", key = "#code") public void updateDict(String code) { // 更新数据库逻辑 } }

3.Guava Cache

import com.google.common.cache.CacheBuilder; import com.google.common.cache.LoadingCache; import com.google.common.cache.CacheLoader; import java.util.concurrent.TimeUnit; public class GuavaCacheDemo { public static void main(String[] args) { LoadingCache<String, String> cache = CacheBuilder.newBuilder() .maximumSize(1000) .expireAfterWrite(5, TimeUnit.MINUTES) .build(new CacheLoader<String, String>() { @Override public String load(String key) { return key + "-guava-data"; } }); } }

本地进程缓存的特质

1.JVM 堆内存缓存，仅当前进程可见，重启 / 部署后数据丢失，集群多实例不共享

2.毫秒 / 微秒级读取，减少 DB/Redis 请求，削峰降延迟

3.不能用于强一致性业务、全局分布式状态

4.务必设置 maximumSize 上限 + TTL 过期策略，防止 OOM 与内存泄漏