用 r.pipeline() + pipe.execute() 能把 n 次 rtt 压缩成 1 次，网络延迟越高收益越明显；普通循环 set 1000 次慢在每条命令都需完整等待一次 rtt，瓶颈在于客户端串行等待而非 redis 处理性能；正确用法是构造 pipeline、批量塞命令、显式 execute()，且推荐用 with 语句确保资源安全释放。
直接结论：用 r.pipeline() + pipe.execute() 能把 N 次 RTT 压缩成 1 次，网络延迟越高，收益越明显——本地跑可能只快 2 倍，跨机房（RTT ≈ 30ms）能快 4–8 倍。
为什么普通循环 SET 1000 次特别慢
每条 SET 都要走“发命令 → 等 Redis 响应 → 再发下一条”的流程。假设 RTT 是 20ms，光网络等待就占了 1000 × 20ms = 20 秒，而 Redis 自身执行其实只要几毫秒。瓶颈根本不在服务端，而在客户端反复握手和等待。
常见错误现象：r.set('k1', 'v1') 连续调用 1000 次，time.time() 测出来耗时远超预期，且 redis-cli monitor 显示命令是逐条进来的。
- 这不是 Redis 慢，是你的调用方式放大了网络延迟
- 哪怕用连接池，也解决不了单次请求必须等响应的问题
- 别指望
mset替代——它只支持同类型、同结构的批量写，不通用
正确开启 pipeline 的三步实操
核心就三点：构造 pipeline 对象 → 往里塞命令 → 显式 execute() 发出去。漏掉最后一步，命令根本不会离开客户端内存。
推荐始终用上下文管理器，自动处理异常和资源清理：
import redis
r = redis.Redis(host='localhost', port=6379)
<p>with r.pipeline() as pipe:
pipe.set('user:1001', 'alice')
pipe.hset('profile:1001', mapping={'age': '28', 'city': 'sh'})
pipe.expire('user:1001', 3600)
result = pipe.execute() # ← 必须有这行
</p>
注意：result 是个列表，顺序与命令添加顺序严格一致，比如上面会返回 [True, 2, True]。
- 别写
r.pipeline().set(...).execute()—— 链式调用容易漏掉execute()，且无法捕获中间异常 -
transaction=False是默认值，显式写出更安全（避免误开事务语义） - 不要在
with块外访问pipe，它已被自动关闭
哪些组合能放心用 pipeline，哪些必须拆开
Pipeline 只保证命令发送顺序和服务端执行顺序，不提供原子性或中间结果可见性。是否安全，取决于命令之间有没有隐式依赖。
安全组合（无 key 冲突、无读写耦合）：
-
pipe.set('a', 1); pipe.lpush('list', 'x'); pipe.hset('hash', 'f', 'v')—— 各操作 key 完全隔离 - 批量初始化缓存：
pipe.set(f'user:{i}', data[i]) for i in range(500)
危险组合（结果不可预测）：
-
pipe.get('counter'); pipe.incr('counter')—— 第二条命令无法用第一条的返回值做判断 -
pipe.get('key'); pipe.set('other', result[0].decode())——result要到execute()之后才有，pipeline 里拿不到
完全不支持：
- 含
WATCH的操作 —— 会报WatchError或静默失败 -
EVAL/EVALSHA脚本 —— pipeline 会拒绝执行，抛出ResponseError
性能边界和容易被忽略的坑
不是包得越多越好。单次 pipeline 超过 1000 条命令，风险陡增：
- Redis 默认
client-output-buffer-limit是 256MB，大 pipeline 响应体可能触发断连 - 某条命令出错（如
keys *阻塞），整个 pipeline 卡住，重试成本高 -
instantaneous_ops_per_sec监控值虚高，掩盖真实客户端瓶颈
建议单次控制在 100–500 条，依据平均响应大小动态调整。如果数据量大，宁可分批 execute()，也不要硬塞。
真正卡顿的时候，先用 redis-cli --latency 和 slowlog get 排查是否混进了阻塞命令——这类问题 pipeline 不会帮你过滤，只会一起拖垮。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
