该文档为 腾讯蓝鲸团队 多年的编程最佳实践总结，包括 Python \ Golang 等多个语言及其相关领域。内容将跟随项目发展与语言/框架的更新不断改进。
为了更方便地索引最佳实践，我们建立了一个简单的标号机制 BBP，你可以阅读 BBP-0000 了解更多。
- Python
- Django
- DB 建模
- DB 查询
- BBP-2004 使用 .exists() 判断数据是否存在
- BBP-2005 使用 .count() 查询数据条目数
- BBP-2006 避免 N + 1 查询
- BBP-2007 如果仅查询外键 ID，则无需进行连表操作。使用
外键名_id可直接获取 - BBP-2008 避免查询全部字段
- BBP-2009 避免在循环中进行数据库操作
- BBP-2010 避免隐式的子查询
- BBP-2011
update_or_create与get_or_create通过 defaults 参数避免全表查询 - BBP-2012
update_or_create与get_or_create查询条件的字段必须要有唯一性约束 - BBP-2013 如果查询集只用于单次循环，建议使用
iterator()保持连接查询 - BBP-2014 针对数据库字段更新尽量使用
update_fields - BBP-2015 使用 Django Extra 查询时，需要使用内置的字符串表达
- BBP-2016 善用 bulk_create/bulk_update 减少批量数据库操作耗时
- BBP-2017 当 MySQL 版本较低时（<5.7)，谨慎使用 DateTimeField 进行排序
- Golang
- DRF
- Redis
Python 🐍 最佳实践、优化思路、工具选择。
不要在代码中出现 Magic Number，常量应该使用 Enum 模块来替代。
# BAD
if cluster_type == 1:
pass
# GOOD
from enum import Enum
Class BCSType(Enum):
K8S = 1
Mesos = 2
if cluster_type == BCSType.K8S.value:
pass如果某个变量是通过简单算式得到的，应该保留算式内容。不要直接使用计算后的结果。
# BAD
if delta_seconds > 950400:
return
# GOOD
if delta_seconds > 11 * 24 * 3600:
return使用列表推导或内联函数能够清晰知道要生成一个列表，并且更简洁
# BAD
list_two = []
for v in list_one:
if v[0]:
new_list.append(v[1])
# GOOD one
list_two = [v[1] for v in list_one if v[0]]
# GOOD two
list_two = list(filter(lambda x: x[0], list_one))在很多场景下，lambda 函数都可以用 operator 模块来替代，后者效率更高。
# BAD
product = reduce(lambda x, y: x * y, numbers, 1)
# GOOD
from operator import mul
product = reduce(mul, numbers, 1)# BAD
rows_sorted_by_city = sorted(rows, key=lambda row: row['city'])
# GOOD
from operator import itemgetter
rows_sorted_by_city = sorted(rows, key=itemgetter('city'))# BAD
products_by_quantity = sorted(products, key=lambda p: p.quantity)
# GOOD
from operator import attrgetter
products_by_quantity = sorted(products, key=attrgetter('quantity'))在使用 logging 模块打印日志时，请尽量 不要 在第一个参数内拼接好日志内容（不论是使用何种方式）。正确的做法是只在第一个参数提供模板，参数由后面传入。
在大规模循环打印日志时，这样做效率更高。
参考：https://docs.python.org/3/howto/logging.html#optimization
# BAD
logging.warning("To iterate is %s, to recurse %s" % ("human", "divine"))
# BAD，但并非不可接受
logging.warning(f"To iterate is {human}, to recurse {divine}")
# GOOD
logging.warning("To iterate is %s, to recurse %s", "human", "divine")from datetime import datetime
dt1 = datetime.now()
dt2 = datetime.now()
# BAD
print((dt2 - dt1).seconds)
# GOOD
print((dt2 - dt1).total_seconds())在源码中，seconds 的计算方式为：days, seconds = divmod(seconds, 24*3600)
表达式右侧 seconds 是总秒数，被一天的总秒数取模得到 seconds
@property
def seconds(self):
"""seconds"""
return self._seconds
# in the `__new__`, you can find the `seconds` is modulo by the total number of seconds in a day
def __new__(cls, days=0, seconds=0, microseconds=0,
milliseconds=0, minutes=0, hours=0, weeks=0):
seconds += minutes*60 + hours*3600
# ...
if isinstance(microseconds, float):
microseconds = round(microseconds + usdouble)
seconds, microseconds = divmod(microseconds, 1000000)
# ! 👇
days, seconds = divmod(seconds, 24*3600)
d += days
s += seconds
else:
microseconds = int(microseconds)
seconds, microseconds = divmod(microseconds, 1000000)
# ! 👇
days, seconds = divmod(seconds, 24*3600)
d += days
s += seconds
microseconds = round(microseconds + usdouble)
# ...total_seconds 可以得到一个准确的差值：
def total_seconds(self):
"""Total seconds in the duration."""
return ((self.days * 86400 + self.seconds) * 10**6 +
self.microseconds) / 10**6time.sleep() 是阻塞的，协程执行到此会导致整体事件循环卡住
asyncio.sleep() 非阻塞，事件循环将运行其他逻辑
import time
import asyncio
# BAD
async def execute_task(task_id: int):
print(f"task[{task_id}] hello")
time.sleep(1)
print(f"task[{task_id}] world")
# GOOD
async def execute_task(task_id: int):
print(f"task[{task_id}] hello")
await asyncio.sleep(1)
print(f"task[{task_id}] world")上述例子将通过以下代码执行：
import asyncio
async def main():
await asyncio.gather(task(1), task(2))
await main()BAD 将输出以下内容，task[1] 执行完 hello 后被 time.sleep() 阻塞
task[1] hello
task[1] world
task[2] hello
task[2] world
GOOD 将输出以下内容，task[1] 执行完 hello 后，await asyncio.sleep(1) 将挂起 task[1]，开始执行 task[2]
task[1] hello
task[2] hello
task[1] world
task[2] world
>>> assert 1 == 0
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AssertionError在大段的日志中，单独存在的 AssertionError 不利于日志检索和问题定位，所以添加上可读的断言信息是更推荐的做法。
# BAD
assert "hello" == "world"
# GOOD
assert "hello" == "world", "Hello is not equal to world"调用生成器函数后，拿到的对象是处于“未激活”状态的生成器对象。比如下面的 get_something() 函数，当你调用它时并不会抛出 ZeroDivisionError 异常：
>>> def get_something():
... yield 1 / 0
...
>>> get_something()
<generator object get_something at 0x10d2301b0>如果对该对象使用布尔判断，将永远返回 True。
>>> bool(get_something())
True激活生成器可以使用下面这些方式：
# 使用 list 内建函数
>>> list(get_something())
Traceback (most recent call last):
... ...
ZeroDivisionError: division by zero
# 使用 next 内建函数
>>> next(get_something())
Traceback (most recent call last):
... ...
ZeroDivisionError: division by zero
# 使用 for 循环
>>> for i in get_something(): pass
...
Traceback (most recent call last):
... ...
ZeroDivisionError: division by zero在需要格式化字符串时，请使用 str.format() 或 f-strings。
# BAD
metric_name = '%s_clsuter_id' % data_id
# GOOD
metric_name = '{}_cluster_id'.format(data_id)
# BEST
metric_name = f'{data_id}_cluster_id'当需要重复键入格式化变量名时，使用 f-strings。
# BAD
"{a}-{b}-{c}-{d}".format(a=a, b=b, c=c, d=d)
# GOOD
f"{a}-{b}-{c}-{d}"有时我们常会把 yield 类同于 return，为了减少一些循环次数，我们常会把 return 直接替换成 yield，然而这时候就很容易出现 bug，尤其是当一个函数中有多个条件分支时。
# BAD
def test(a: int):
if a > 1:
yield "a"
yield "b"
list(test(2)) # 预期是 ["a"]， 实际是 ["a", "b"]，因为 yield 仅是让度 CPU 而非结束当前函数
# GOOD
def test(a: int):
if a > 1:
yield "a"
return # 控制好函数的生命周期，以达到预期效果
yield "b"单个函数应该总是返回同一类数据。
# BAD
# 可能返回 bool 或者 None
def is_odd(num):
if num % 2 > 0:
return True
# GOOD
def is_odd(num):
if num % 2 > 0:
return True
return False对变量和函数的参数返回值类型做注解，有助于通过静态检查减少类型方面的错误。
# BAD
def greeting(name):
return 'Hello ' + name
# GOOD
def greeting(name: str) -> str:
return 'Hello ' + name函数作为对象定义的时候就被执行，默认参数是函数的属性，它的值可能会随着函数被调用而改变。
# BAD
def foo(li: list = []):
li.append(1)
print(li)
# GOOD
def foo(li : Optional[list] = None):
li = li or []
li.append(1)
print(li)调用两次foo函数后，不同的输出结果：
# BAD
[1]
[1,1]
# GOOD
[1]
[1]当函数需要返回错误信息时，以抛出异常优先。
# BAD
def disable_agent(ip):
if not IP_DATA.get(ip):
return {"code": ErrorCode.UnknownError, "message": "没有查询到 IP 对应主机"}
# GOOD
def disable_agent(ip):
"""
:raises: 当找不到对应信息时，抛出 UNABLE_TO_DISABLE_AGENT_NO_MATCH_HOST
"""
if not IP_DATA.get(ip):
raise ErrorCode.UNABLE_TO_DISABLE_AGENT_NO_MATCH_HOST对于需要在初始化阶段设置很多属性的数据类，应该使用 dataclass 来简化代码。但同时注意不要滥用，比如一些实例化参数少、没有太多“数据”属性的类仍然应该使用传统 __init__ 方法。
# BAD
class BcsInfoProvider:
def __init__(self, project_id, cluster_id, access_token , namespace_id, context):
self.project_id = project_id
self.cluster_id = cluster_id
self.namespace_id = namespace_id
self.context = context
# GOOD
from dataclasses import dataclass
@dataclass
class BcsInfoProvider:
project_id: str
cluster_id: str
access_token: str
namespace_id: int
context: dict很多场景下，我们会得到比较大的原始数据（比如数万个嵌套的 dict），为了更便利地操作这些数据，往往会选择通过 class 进行实例化，但基于 Python 孱弱的 CPU 计算性能，这一操作可能会耗时过于久。
所以需要在两方面做平衡：
- 保持原始数据，获得最好的性能，但是不方便操作
- 使用
NamedTuple类似的结构，获得一定的结构便利性，但相较于原始数据，会牺牲一定性能 - 使用
dataclass或者class等方式，保证最大的结构便利性，但会非常影响性能
不要捕获过于基础的异常类，比如 Exception / BaseException，捕获这些会扩大处理的异常范围，容易隐藏其他本来不应该被捕获的问题。
尽量捕获预期内可能出现的异常。
# BAD
try
func_code()
except:
# your code
# GOOD
try:
func_code()
except CustomError as error:
# your code
except Exception as error:
logger.exception("some error: %s", error)建议使用纯 Python 实现的 PyMySQL 模块来连接 MySQL 数据库。如果需要在项目中完全替代 MySQL-python 模块，可以使用模块提供的猴子补丁功能：
import pymysql
pymysql.install_as_MySQLdb()
# 如果版本号无法通过框架检查，可以在导入模块后动态修改
setattr(pymysql, 'version_info', (1, 2, 6, "final", 0))dogpile.caches 扩展性强，提供了一套可以对接多中后端存储的缓存 API，推荐作为项目中缓存的基础库。
样例代码：
from dogpile.cache import make_region
region = make_region().configure('dogpile.cache.redis') # 其他参数官方文档
@region.cache_on_arguments(expiration_time=3600)
def get_application(username):
# your code
@region.cache_on_arguments(expiration_time=3600, function_key_generator=ignore_access_token) # function_key_generator 参考官方文档
def get_application(access_token, username):
# your code如果想要转换一个时间，可以将任意对象扔给arrow，然后转成对应的函数格式
常见的时间格式:
- object: datetime对象(
datetime.datetime.now())，区分时区 - int: 整数timestamp(
int(time.time()))，不区分时区 - string: 代表时间的字符串(
2022-11-08 22:57:22)(str(datetime.datetime.now()))，区分时区
这些对象统一都可以扔给arrow.get(任意对象)，得到一个arrow对象arr
-
转成datetime对象: arr.
# 带时区 In [18]: arr.datetime Out[18]: datetime.datetime(2022, 11, 8, 22, 57, 22, 171057, tzinfo=tzlocal()) # 不带时区 In [19]: arr.naive Out[19]: datetime.datetime(2022, 11, 8, 22, 57, 22, 171057)
-
转成timestamp整数:
In [20]: arr.timestamp Out[20]: 1667919442
-
转成字符串:
In [21]: arr.strftime("%Y-%m-%d %H:%M:%S") Out[21]: '2022-11-08 22:57:22'
最佳实践（普通时间 → Unix时间戳(Unix timestamp)）
# BAD
In [22]: int(time.mktime(time.strptime('2022-11-08 22:57:22+0800', '%Y-%m-%d %H:%M:%S%z')))
Out[22]: 1667919442
# GOOD
In [23]: arrow.get('2022-11-08 22:57:22+0800').timestamp
Out[23]: 1667919442无须自己指定时间格式，直接转换即可
更多请查看:
在判断结果前加否，代码可读性变差，让人的理解成本增加，后续维护也不方便
# BAD
if not validated_data["data_type"] == "cleaned":
kafka_config = data_id_info["mq_config"]
else:
kafka_config = data_id_info["result_table_list"][0]["shipper_list"][0]
# GOOD
if validated_data["data_type"] == "cleaned":
kafka_config = data_id_info["result_table_list"][0]["shipper_list"][0]
else:
kafka_config = data_id_info["mq_config"] Django最佳实践、优化思路。
class Students(models.Model):
class Gender(object):
MALE = 'MALE'
FEMALE = 'FEMALE'
GENDER_CHOICES = (
(Gender.MALE, "男"),
(Gender.FEMALE, "女"),
)
gender = models.IntegerField("性别", choices=GENDER_CHOICES)# 字段索引：使用 db_index=True 添加索引
title = models.CharField(max_length=255, db_index=True)
# 联合索引：将多个字段组合在一起建立索引
class Meta:
index_together = ['field_name_1', 'field_name_2']
# 联合唯一索引：将多个组合在一起的索引，并且字段的组合值唯一
class Meta:
unique_together = ('field_name_1', 'field_name_2')# BAD
new_field = models.CharField(default="foo")
# GOOD
new_field = models.CharField(null=True)前者将会在 migrate 操作时对已存在的数据批量刷新，对现有数据库带来不必要的影响。
参考：https://pankrat.github.io/2015/django-migrations-without-downtimes/
如果要查询记录是否存在，建议使用 .exists() 方法。该方法将会往数据库发起一条设置了 LIMIT 1 的查询语句，效率最佳。
# BAD
# 将会查询表中所有结果，效率低
if Foo.objects.filter(name='test'):
# Do something
# GOOD
if Foo.objects.filter(name='test').exists():
# Do something如果要统计数据条目数，建议使用使用 .count() 方法。该方法将会往数据库发起一条 SELECT count(*) 查询语句。
# BAD
# 将查询表中所有内容，耗费大量内存和 CPU
count = len(Foo.objects.all())
# GOOD
count = Foo.objects.count()可使用select_related提前将关联表进行 join，一次性获取相关数据，many-to-many 的外键则使用prefetch_related
# select_related
# Bad
# 由于 ORM 的懒加载特性，在执行 filter 操作时，并不会将外键关联表的字段取出，而是在使用时，实时查询。这样会产生大量的数据库查询操作
students = Student.objects.all()
student_in_class = {student.name: student.cls.name for student in students}
# Good
# 使用 select_related 可以避免 N + 1 查询，一次性将外键字段取出
students = Student.objects.select_related('cls').all()
student_in_class = {student.name: student.cls.name for student in students}
# prefetch_related
# Bad
articles = Article.objects.filter(id__in=(1,2))
for item in articles:
# 会产生新的数据库查询操作
item.tags.all()
# Good
articles = Article.objects.prefetch_related("tags").filter(id__in=(1,2))
for item in articles:
# 不会产生新的数据库查询操作
item.tags.all()# 获取学生的班级ID
student = Student.objects.first()
# Bad: 会产生一次关联查询
cls_id = student.cls.id
# Good: 不产生新的查询
cls_id = student.cls_id可使用values, values_list, only, defer等方法进行过滤出需要使用的字段。
# 仅获取学生姓名的列表
# Bad
students = Student.objects.all()
student_names = [student.name for student in students]
# Good
students = Student.objects.all().values_list('name', flat=True)尽量使用 ORM 提供的批量方法，防止在数据量变大的时候产生大量数据库连接导致请求变慢
# 批量创建项目
project_names = ['ProjectA', 'ProjectB', 'ProjectC']
# Bad
for project_name in project_names:
Project.objects.create(name=project_name)
# Good
projects = []
for project_name in project_names:
project = Project(name=project_name)
projects.append(project)
Project.objects.bulk_create(projects)
# 批量查询项目
project_names = ['ProjectA', 'ProjectB', 'ProjectC']
# Bad: 每次循环都产生一次新的查询
projects = []
for project_name in project_names:
project = Project.objects.get(name=project_name)
projects.append(project)
# Good：使用 in，只需一次数据库查询
projects = Project.objects.filter(name__in=project_names)
# 批量更新项目
project_names = ['ProjectA', 'ProjectB', 'ProjectC']
projects = Project.objects.filter(name__in=project_names)
# Bad: 每次循环都产生一次新的查询
for project in projects:
project.enable = True
project.save()
# Good：批量更新，只需一次数据库查询
projects.update(enable=True)# 查询符合条件的组别中的人员
# Bad: 将查询集作为下一个查询的过滤条件，因此产生了子查询。IN 语句中的子查询在外层查询的每一行中都会被执行一次，复杂度为 O(n^2)
groups = Group.objects.filter(type="typeA")
members = Member.objects.filter(group__in=groups)
# Good: 以确定的数据作为过滤条件，避免子查询
group_ids = Group.objects.filter(type="typeA").values_list('id', flat=True)
members = Member.objects.filter(group__id__in=list(group_ids))使用 update_or_create 与 get_or_create 时，需要将 查询字段 和 更新字段 做区分：
- 前者放在方法参数中，会被 Django 当作查询条件判断是否已有记录
- 后者应该被放入
defaults参数中，否则将会被当作查询条件，容易触发全表查询
# BAD
ModelA.objects.update_or_create(
field_1="field_1",
field_2="field_2",
field_3="field_3",
)
# GOOD
ModelA.objects.update_or_create(
field_1="field_1",
defaults={
"field_2": "field_2",
"field_3": "field_3",
}在并发请求的情况下，get_or_create 并不能保证记录的唯一性，会存在重复创建的情况。因此使用此方法前，需要确定用于存在性查询的字段是否设置了DB级别的唯一性约束。
# BAD
# models.py
class Topic(models.Model):
"""
模型定义
"""
username = models.CharField(max_length=32)
title = models.CharField(max_length=128)
# views.py
def view_func(request):
# 并发请求场景下可能会出现重复记录
Topic.objects.get_or_create(username="foo", title="bar")
# GOOD
# models.py
class Topic(models.Model):
"""
模型定义
"""
username = models.CharField(max_length=32)
title = models.CharField(max_length=128)
class Meta:
# 增加 username 和 title 字段联合唯一性约束
unique_together = ("username", "title")
# views.py
def view_func(request):
# 存在DB级别的唯一性约束，能够保证不会创建重复记录
Topic.objects.get_or_create(username="foo", title="bar")当查询结果有很多对象时，QuerySet 的缓存行为会导致使用大量内存。如果你需要对查询结果进行好几次循环，这种缓存是有意义的，但是对于 QuerySet 只循环一次的情况，缓存就没什么意义了。在这种情况下，iterator()可能是更好的选择。
# Bad
for task in Task.objects.all():
# do something
# Good
for task in Task.objects.all().iterator():
# do something如果要对数据库字段进行更新，使用 update_fields 避免并行 save() 产生数据冲突
# BAD
foo_instance.bar_field = other_value
foo_instance.save()
# GOOD
foo_instance.bar_field = other_value
foo_instance.save(update_fields=["bar_field"])同时需要注意的是，如果 Model 中包含 auto_now 字段时，需要在 update_fields 的列表中添加该字段，保证同时更新。
# BAD
# 有注入风险, username 不会被转义，可以直接注入
Entry.objects.extra(where=[f"headline='{username}'"])
# GOOD
# 安全，Django 会将 username 内容转义
Entry.objects.extra(where=['headline=%s'], params=[username])# BAD
## 每次都执行commit，整体耗时较长(大约25s左右)
for num in range(10000):
Record.objects.create(num=num)
# GOOD
## 统一提交数据库，耗时很短(1s以内)
inserted_list = []
for num in range(10000):
inserted_list.append(Demo(num=num))
Record.objects.bulk_create(inserted_list)同理，当 Django 版本 > 2.x 时，bulk_update 也可以加快批量修改。
tasks = [
Task.objects.create(name='task1', status='start', cost=1),
Task.objects.create(name='task2', status='start', cost=1),
...
]
# BAD
for task in tasks:
task.name = f'{task.pk}-{task.name}'
task.save()
# GOOD
for task in tasks:
task.name = f'{task.pk}-{task.name}'
Task.objects.bulk_update(tasks, ['name'])同时还有一些需要额外注意:
- bulk_create 方法只执行一次数据库交互，这样相当于创建时间一样，并且自定字段不会在返回数据中
- 当单次提交的对象可能过多时，可通过
batch_size控制
当 MySQL 版本较低时，DATETIME 类型默认是不支持 milliseconds 的，当批量创建对象时，会导致大量记录的 auto_now_add 字段都在同一秒，此时根据该字段是无法获得稳定的排序结果的。
# BAD
class Foo(models.Model):
...
foo = models.DateTimeField(auto_now_add=True)
...
class Meta:
ordering = ["foo"]
# GOOD
class Foo(models.Model):
...
foo = models.DateTimeField(auto_now_add=True)
...
class Meta:
# 使用自增 ID 或者其他能准确表明顺序的字段
ordering = ["id"]参考：
蓝鲸监控团队的Golang实践，持续补充中...
如果改为其他长度的channel，都需要很详细的评估设计，因此建议默认考虑长度为1或阻塞的channel
// BAD
c := make(chan int, 100)
// GOOD
c := make(chan int)如果在代码块中使用了新建变量，容易导致覆盖上层的变量而不会发现，容易引发bug
// BAD
if _, err := openFile("/path") {
// do something
}
// GOOD
var err error
if _, err = openFile("/path") {
// do something
}由于读取已关闭的channel会导致panic，因此要求在读取channel的代码都使用二段式，可以避免channel已关闭的导致panic
// BAD
value := <- ch
// GOOD
var (
ok bool
)
if _, ok = <- ch; !ok {
// do something when channel is closed.
}go 会返回元素对应数据类型的零值，取值操作总有值返回，不能通过取出来的值来判断 key 是不是在 map 中
// BAD
x := map[string]string{"demo1": "1", "demo2": "2"}
if v := x["demo3"]; v == "" {
fmt.Println("demo3 is not exist")
}
// GOOD
x := map[string]string{"demo1": "1", "demo2": "2"}
if _, ok := x["demo3"]; !ok {
fmt.Println("demo3 is not exist")
}由于当接口(interface)类型转换为实际类型时，如果类型不正确或接口为nil，会导致panic。因此应该使用二段式或switch的方式来避免panic
var (
a interface{}
b int
ok bool
)
// BAD
b = a.(int)
// GOOD
b, ok = a.(int)
// or
switch a.(type) {
case int:
// do something when type is int
case float64:
// do something when type is float64
default:
// Ooops, trans failed.
}定义常量时，应使用itoa的方式由编译器协助为各个常量赋值，降低后续维护的成本
// BAD
const (
Red = 0
Gray = 1
)
// GOOD
const (
Red = iota
Gray
)DRF 在 3.10 版本以前，ModelSerializer 有较大的性能问题，用作渲染大量的数据返回可能会耗时非常久，可以考虑使用 Serializer 或者原生数据结构返回。
# 当有大量 user 对象需要渲染时
# BAD
class UserModelSerializer(serializers.ModelSerializer):
class Meta:
model = User
fields = "__all__"
# GOOD
# 性能有所提升，同时又不会破坏 Serializer 结构
class UserSerializer(serializers.Serializer):
# 将需要的字段平铺出来
username = serializers.CharField()
...
# GOOD
# 最快！直接返回原始结构体，但是可能需要处理多种对象
def serialize_user(user: User) -> Dict[str, Any]:
...
return {
"username": "foo",
...
}在 DRF 3.10 版本以后，ModelSerializer 性能有一定程度的提升，但依旧会比后两种处理慢，可以根据场景和具体测试数据选择适合的写法。
参考：
在对redis的高频操作中，由于RTT的存在。单点对redis的qps很大程度上受到RTT的限制。当ping响应在1ms时，单点qps最大也不会超过1k/s。
# BAD
for item in item_list:
client.lpush(key, item)
# GOOD （节省了RTT）
pipeline = client.pipeline()
for item in item_list:
pipeline.lpush(key, item)
pipeline.execute()
# BETTER（redis2.4及更高版本）
client.lpush(key, *item_list)如果对 Redis 的同一个 key 有多次操作并且希望保证操作的原子性，除了加锁的复杂操作外，可以通过将多条 Redis 操作指令封装为 lua 脚本，再通过执行 lua 脚本的方式实现。
业务场景：并发场景下，检查 "best-practices:identifier" 的值是否为 abc，是的话删除。
# BAD
if redis_client.get("best-practices:identifier") == "abc":
return redis_client.del("best-practices:identifier")上述实现的问题：并发场景下，best-practices:identifier 对应的值可能被修改，如果修改是在 get del 操作间隙发生，那么会导致值不为 abc 的 best-practices:identifier 被误删。
通过 lua 脚本，可以将 get del 封装成原子性操作，避免上述问题的发生。
# GOOD
# lua 脚本：满足期望值将 key 删除，否则返回 0
del_script = """
if redis.call("get",KEYS[1]) == ARGV[1] then
return redis.call("del",KEYS[1])
else
return 0
end
"""
del_script_func = redis_client.register_script(del_script)
return del_script_func(keys=["best-practices:identifier"], args=["abc"])