RDB文件中不会保存已过期但尚未被删除的键——仅当键在fork子进程时刻已过期才被跳过;若fork时未过期,即使随后过期仍会被写入。

过期键在RDB快照里到底存不存在?
RDB 文件中**不会保存已过期但尚未被删除的键**——只要该键在 fork 子进程执行 RDB 写入的那一刻已经过期,它就不会被写入 RDB 文件。这是因为 RDB 持久化过程会遍历数据库字典,而 expireIfNeeded() 会在实际读取键前触发惰性删除逻辑(即使没被访问,RDB 遍历时也会检查并跳过过期键)。
但要注意:如果一个键在 fork 开始前还没过期,但在子进程写入过程中才过期,它仍会被写入 RDB —— 因为子进程共享父进程内存页(copy-on-write),它看到的是 fork 时刻的“时间切片”状态,不感知后续时间变化。
- 所以 RDB 中残留的过期键,只可能来自“fork 时未过期、但加载时已过期”的情况,加载后 Redis 会通过惰性删除或定期删除清理
- 如果你发现重启后大量 key 突然消失,不是 RDB 漏删了过期键,而是它们在加载后首次访问时被惰性删除了
-
SAVE命令因阻塞主线程,期间无法执行定期删除,更容易让一批临界过期键“侥幸”写入 RDB;BGSAVE更安全,但也不能完全避免临界窗口
AOF 重写时怎么处理过期键?
AOF 重写(BGREWRITEAOF)是真正“净化”过期键的关键环节:它不简单拼接旧 AOF 日志,而是**直接读取当前内存状态,只重写未过期、未被删除的有效键**。
也就是说,哪怕旧 AOF 里还存着一堆 SET key value + EXPIRE key 10 的命令,只要重写时这个 key 已过期或已被删除,新 AOF 文件里就完全不会出现它。
- 重写过程由子进程完成,同样基于 fork 时刻内存快照,因此也存在和 RDB 类似的“临界过期”窗口,但概率更低——因为重写通常比 RDB 触发更频繁(尤其配合
auto-aof-rewrite-percentage) - 若 AOF 重写中途失败,Redis 会保留原 AOF 并继续追加,此时过期键可能长期滞留;可通过
redis-check-aof --fix修复损坏,但不能自动清理过期键 - 务必开启
aof-use-rdb-preamble yes(Redis 7.0+ 默认),让 AOF 文件开头嵌入 RDB 格式数据,能大幅减少重写后首次加载时的过期键扫描压力
为什么 CONFIG SET hz 100 不能根治过期键堆积?
调高 hz 参数(比如从默认 10 改到 100)确实能让定期删除更积极,但**它只影响“已知有到期计划”的键的抽查频率,对根本没进过期字典的键无效,也无法解决主从不一致带来的幻觉残留**。
常见误判场景:你用 TTL key 查到返回 -2(key 不存在),以为它已被删干净,其实只是从库还没同步到 DEL 命令,或者主库刚删完但 AOF 还没 fsync 到磁盘。
- 定期删除每次只随机采样
20个带过期时间的 key,即使hz=100,每秒最多处理 2000 个,面对百万级过期键仍是杯水车薪 - 从库不会主动删除过期键,全靠主库同步
DEL命令;若网络延迟高或积压多,从库上会持续显示“假存活”的过期键 - 用
DBSIZE或INFO keyspace看到的 key 数量,包含所有未被惰性/定期删除扫到的过期键,不能代表真实有效数据量
真正可控的清理手段:主动干预 + 配置协同
依赖自动策略永远有盲区,生产环境必须搭配可预期的主动控制。核心思路是:**让过期行为可观察、可触发、可收敛**。
- 用
EVAL脚本批量探测过期键范围:EVAL "return redis.call('ZCARD', 'redis_expires')" 0(注意:实际过期字典名非公开,此为示意;真实需用INFO stats中的expired_keys累计值辅助判断趋势) - 对关键业务 key,避免依赖自然过期,改用
SET key value EX 300 NX+ 应用层定时刷新 TTL,把“被动等待删除”转为“主动续命或释放” - 若发现 AOF 文件异常膨胀且确认含大量冗余过期操作,不要直接
BGREWRITEAOF,先CONFIG SET auto-aof-rewrite-percentage 0暂停自动重写,再人工触发,避免重写期间流量高峰加剧压力 - 最关键的配置组合:
maxmemory-policy volatile-lru+maxmemory-samples 10+activedefrag yes,三者协同能在内存压力下优先挤出过期键,并减少碎片放大效应
过期键不是“删不掉”,而是 Redis 故意不把它当紧急任务——它的设计哲学是:宁可多占点内存,也不愿卡住你的请求。所以别指望某个开关一开就万事大吉,得根据数据规模、访问模式、主从拓扑,一层层去对齐预期和现实之间的缝隙。











