离线做好模型之后，线上调用，当离线模型的特征很多数据量很大，线上需要高并发快速获从redis中获取特征数据，来保证线上的实时性。
一、场景
用户特征数据（hash类型，41个field）存放redis集群中，数据量大概35G左右，由于数据量大，不能做本地缓存，如何进行大量数据keys的读取？
二、解决方法
方法1：单次循环调用
缺点：大量keys请求延迟严重，网络IO次数多O(keys)，单次执行一次耗时17ms左右
方法2：pipeline调用，redisCluster版本不支持pipeline，需自己继承PipelineBase重写相应方法实现。
缺点：由于redisCluster依赖于slot进行数据存储，大量keys需要进行不同节点之间的漂移，数据请求延迟严重，出现大量读超时问题。
方法3：pipeline调用，redisCluster基于CRC16本地计算每个key的slot，然后通过slot映射到相应的node节点。基于这种方式，我们首先将keys做slot-node节点的映射，映射完成后，每个node节点可以通过pipeline的方式执行命令，最后做数据的汇总。
主要代码点：
缺点：超时读取问题偶尔还会存在，但优于方法2
方法4：基于方法3进行优化，引入多线程，由于方法3上已经做了jedisPool-keys的分组，这样就相当于每个jedisPool执行一批次的keys，jedisPool可以创建多个jedis连接，基于jedis的pipeline执行keys数据获取。
每个jedisPool执行的keys按照1000维度进行分组，多任务执行，每个任务使用一个jedis执行一个分组。
每个jedis通过pipeline执行key值获取，由于pipeline执行数据是多条命令串行执行，受执行命令数以及命令返回数据限制，我们可以按照5/10/15/20/30/40/50的batchSize维度执行pipeline，分别统计各个batchSize的平均耗时，以便得到最优的维度。
主要代码点：
多线程执行，每个线程执行1000个key，pipeline每批次执行不同数据量batchSize的数据统计分析如下：
根据业务情况，线上环境实际选择了batchSize=10，线上执行数据量耗时如下：
三、redisCluster相关名词解释
slot：普通主从redis实例没有槽位概念，分片集群在主库上分散16384个槽位，redisCluster基于CRC16本地计算每个key的slot，然后通过slot映射到相应的node节点。
集群的主节点大于15秒操作，就会阻塞，进行主从切换，主从切换槽位不会发生变更，槽位与各个节点的对应关系也不会发生变更。如果集群中主节点挂了，会进行主从切换，数据也不会丢失。
集群中的节点如果有槽位的话，节点不能被删除。
集群中添加节点，会引起槽位的变化，槽位与节点的对应关系也会发生变化。
因此方法4，还需要加上刷新集群槽位的方法。
测试发现：3节点集群，刷新槽位节点，耗时在8ms左右；5节点集群，刷新槽位节点，耗时在30ms左右。
解决方式：
1、定时任务刷新集群槽点信息，比如10s刷新一次
2、离线调用的话，在每次类的实例化过程中，初始化刷新一次
方法4改进：因为是离线调用，每次在类的实例化过程中，刷新一次
代码片段：
(1)、刷新集群槽点：
(2)、实例化：
(3)、调用：
