[[392375]]

本文轉(zhuǎn)載自微信公眾號「Java極客技術(shù)」，作者鴨血粉絲。轉(zhuǎn)載本文請聯(lián)系Java極客技術(shù)公眾號。  

 一、摘要

在日常開發(fā)中，數(shù)據(jù)庫中主鍵id的生成方案，主要有三種

數(shù)據(jù)庫自增ID

采用隨機數(shù)生成不重復(fù)的ID

采用jdk提供的uuid

對于這三種方案，我發(fā)現(xiàn)在數(shù)據(jù)量少的情況下，沒有特別的差異，但是當(dāng)單表的數(shù)據(jù)量達到百萬級以上時候，他們的性能有著顯著的區(qū)別，光說理論不行，還得看實際程序測試，今天小編就帶著大家一探究竟!

二、程序?qū)嵗?/h3>

首先，我們在本地數(shù)據(jù)庫中創(chuàng)建三張單表tb_uuid_1、tb_uuid_2、tb_uuid_3，同時設(shè)置tb_uuid_1表的主鍵為自增長模式，腳本如下：

CREATE TABLE `tb_uuid_1` ( 
  `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT, 
  `name` varchar(20) DEFAULT NULL, 
  PRIMARY KEY (`id`) 
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='主鍵ID自增長'; 

CREATE TABLE `tb_uuid_2` ( 
  `id` bigint(20) unsigned NOT NULL, 
  `name` varchar(20) DEFAULT NULL, 
  PRIMARY KEY (`id`) 
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='主鍵ID隨機數(shù)生成'; 

CREATE TABLE `tb_uuid_3` ( 
  `id` varchar(50)  NOT NULL, 
  `name` varchar(20) DEFAULT NULL, 
  PRIMARY KEY (`id`) 
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='主鍵采用uuid生成'; 

下面，我們采用Springboot + mybatis來實現(xiàn)插入測試。

2.1、數(shù)據(jù)庫自增

以數(shù)據(jù)庫自增為例，首先編寫好各種實體、數(shù)據(jù)持久層操作，方便后續(xù)進行測試

/** 
 * 表實體 
 */ 
public class UUID1 implements Serializable { 
 
    private Long id; 
 
    private String name; 
   
  //省略set、get 
} 

/** 
 * 數(shù)據(jù)持久層操作 
 */ 
public interface UUID1Mapper { 
 
    /** 
     * 自增長插入 
     * @param uuid1 
     */ 
    @Insert("INSERT INTO tb_uuid_1(name) VALUES(#{name})") 
    void insert(UUID1 uuid1); 
} 

/** 
 * 自增ID，單元測試 
 */ 
@Test 
public void testInsert1(){ 
    long start = System.currentTimeMillis(); 
    for (int i = 0; i < 1000000; i++) { 
        uuid1Mapper.insert(new UUID1().setName("張三")); 
    } 
    long end = System.currentTimeMillis(); 
    System.out.println("花費時間：" +  (end - start)); 
} 

2.2、采用隨機數(shù)生成ID

這里，我們采用twitter的雪花算法來實現(xiàn)隨機數(shù)ID的生成，工具類如下：

public class SnowflakeIdWorker { 
 
    private static SnowflakeIdWorker instance = new SnowflakeIdWorker(0,0); 
 
    /** 
     * 開始時間截 (2015-01-01) 
     */ 
    private final long twepoch = 1420041600000L; 
    /** 
     * 機器id所占的位數(shù) 
     */ 
    private final long workerIdBits = 5L; 
    /** 
     * 數(shù)據(jù)標識id所占的位數(shù) 
     */ 
    private final long datacenterIdBits = 5L; 
    /** 
     * 支持的最大機器id，結(jié)果是31 (這個移位算法可以很快的計算出幾位二進制數(shù)所能表示的最大十進制數(shù)) 
     */ 
    private final long maxWorkerId = -1L ^ (-1L << workerIdBits); 
    /** 
     * 支持的最大數(shù)據(jù)標識id，結(jié)果是31 
     */ 
    private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits); 
    /** 
     * 序列在id中占的位數(shù) 
     */ 
    private final long sequenceBits = 12L; 
    /** 
     * 機器ID向左移12位 
     */ 
    private final long workerIdShift = sequenceBits; 
    /** 
     * 數(shù)據(jù)標識id向左移17位(12+5) 
     */ 
    private final long datacenterIdShift = sequenceBits + workerIdBits; 
    /** 
     * 時間截向左移22位(5+5+12) 
     */ 
    private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits; 
    /** 
     * 生成序列的掩碼，這里為4095 (0b111111111111=0xfff=4095) 
     */ 
    private final long sequenceMask = -1L ^ (-1L << sequenceBits); 
    /** 
     * 工作機器ID(0~31) 
     */ 
    private long workerId; 
    /** 
     * 數(shù)據(jù)中心ID(0~31) 
     */ 
    private long datacenterId; 
    /** 
     * 毫秒內(nèi)序列(0~4095) 
     */ 
    private long sequence = 0L; 
    /** 
     * 上次生成ID的時間截 
     */ 
    private long lastTimestamp = -1L; 
    /** 
     * 構(gòu)造函數(shù) 
     * @param workerId     工作ID (0~31) 
     * @param datacenterId 數(shù)據(jù)中心ID (0~31) 
     */ 
    public SnowflakeIdWorker(long workerId, long datacenterId) { 
        if (workerId > maxWorkerId || workerId < 0) { 
            throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0", maxWorkerId)); 
        } 
        if (datacenterId > maxDatacenterId || datacenterId < 0) { 
            throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId)); 
        } 
        this.workerId = workerId; 
        this.datacenterId = datacenterId; 
    } 
    /** 
     * 獲得下一個ID (該方法是線程安全的) 
     * @return SnowflakeId 
     */ 
    public synchronized long nextId() { 
        long timestamp = timeGen(); 
        // 如果當(dāng)前時間小于上一次ID生成的時間戳，說明系統(tǒng)時鐘回退過這個時候應(yīng)當(dāng)拋出異常 
        if (timestamp < lastTimestamp) { 
            throw new RuntimeException( 
                    String.format("Clock moved backwards.  Refusing to generate id for %d milliseconds", lastTimestamp - timestamp)); 
        } 
        // 如果是同一時間生成的，則進行毫秒內(nèi)序列 
        if (lastTimestamp == timestamp) { 
            sequence = (sequence + 1) & sequenceMask; 
            // 毫秒內(nèi)序列溢出 
            if (sequence == 0) { 
                //阻塞到下一個毫秒,獲得新的時間戳 
                timestamp = tilNextMillis(lastTimestamp); 
            } 
        } 
        // 時間戳改變，毫秒內(nèi)序列重置 
        else { 
            sequence = 0L; 
        } 
        // 上次生成ID的時間截 
        lastTimestamp = timestamp; 
        // 移位并通過或運算拼到一起組成64位的ID 
        return ((timestamp - twepoch) << timestampLeftShift) // 
                | (datacenterId << datacenterIdShift) // 
                | (workerId << workerIdShift) // 
                | sequence; 
    } 
    /** 
     * 阻塞到下一個毫秒，直到獲得新的時間戳 
     * @param lastTimestamp 上次生成ID的時間截 
     * @return 當(dāng)前時間戳 
     */ 
    protected long tilNextMillis(long lastTimestamp) { 
        long timestamp = timeGen(); 
        while (timestamp <= lastTimestamp) { 
            timestamp = timeGen(); 
        } 
        return timestamp; 
    } 
    /** 
     * 返回以毫秒為單位的當(dāng)前時間 
     * @return 當(dāng)前時間(毫秒) 
     */ 
    protected long timeGen() { 
        return System.currentTimeMillis(); 
    } 
 
    public static SnowflakeIdWorker getInstance(){ 
        return instance; 
    } 
 
 
    public static void main(String[] args) throws InterruptedException { 
        SnowflakeIdWorker idWorker = SnowflakeIdWorker.getInstance(); 
        for (int i = 0; i < 10; i++) { 
            long id = idWorker.nextId(); 
            Thread.sleep(1); 
            System.out.println(id); 
        } 
    } 
} 

其他的操作，與上面類似。

2.3、uuid

同樣的，uuid的生成，我們事先也可以將工具類編寫好：

public class UUIDGenerator { 
 
    /** 
     * 獲取uuid 
     * @return 
     */ 
    public static String getUUID(){ 
        return UUID.randomUUID().toString(); 
    } 
} 

最后的單元測試，代碼如下：

@RunWith(SpringRunner.class) 
@SpringBootTest() 
public class UUID1Test { 
 
    private static final Integer MAX_COUNT = 1000000; 
 
    @Autowired 
    private UUID1Mapper uuid1Mapper; 
 
    @Autowired 
    private UUID2Mapper uuid2Mapper; 
 
    @Autowired 
    private UUID3Mapper uuid3Mapper; 
 
    /** 
     * 測試自增ID耗時 
     */ 
    @Test 
    public void testInsert1(){ 
        long start = System.currentTimeMillis(); 
        for (int i = 0; i < MAX_COUNT; i++) { 
            uuid1Mapper.insert(new UUID1().setName("張三")); 
        } 
        long end = System.currentTimeMillis(); 
        System.out.println("自增ID，花費時間：" +  (end - start)); 
    } 
 
    /** 
     * 測試采用雪花算法生產(chǎn)的隨機數(shù)ID耗時 
     */ 
    @Test 
    public void testInsert2(){ 
        long start = System.currentTimeMillis(); 
        for (int i = 0; i < MAX_COUNT; i++) { 
            long id = SnowflakeIdWorker.getInstance().nextId(); 
            uuid2Mapper.insert(new UUID2().setId(id).setName("張三")); 
        } 
        long end = System.currentTimeMillis(); 
        System.out.println("花費時間：" +  (end - start)); 
    } 
 
    /** 
     * 測試采用UUID生成的ID耗時 
     */ 
    @Test 
    public void testInsert3(){ 
        long start = System.currentTimeMillis(); 
        for (int i = 0; i < MAX_COUNT; i++) { 
            String id = UUIDGenerator.getUUID(); 
            uuid3Mapper.insert(new UUID3().setId(id).setName("張三")); 
        } 
        long end = System.currentTimeMillis(); 
        System.out.println("花費時間：" +  (end - start)); 
    } 
} 

三、性能測試

程序環(huán)境搭建完成之后，啥也不說了，直接擼起袖子，將單元測試跑起來!

首先測試一下，插入100萬數(shù)據(jù)的情況下，三者直接的耗時結(jié)果如下：

在原有的數(shù)據(jù)量上，我們繼續(xù)插入30萬條數(shù)據(jù)，三者耗時結(jié)果如下：

可以看出在數(shù)據(jù)量 100W 左右的時候，uuid的插入效率墊底，隨著插入的數(shù)據(jù)量增長，uuid 生成的ID插入呈直線下降!

時間占用量總體效率排名為：自增ID > 雪花算法生成的ID >> uuid生成的ID。

在數(shù)據(jù)量較大的情況下，為什么uuid生成的ID遠不如自增ID呢?

關(guān)于這點，我們可以從 mysql 主鍵存儲的內(nèi)部結(jié)構(gòu)來進行分析。

3.1、自增ID內(nèi)部結(jié)構(gòu)

自增的主鍵的值是順序的，所以 Innodb 把每一條記錄都存儲在一條記錄的后面。

當(dāng)達到頁面的最大填充因子時候(innodb默認的最大填充因子是頁大小的15/16,會留出1/16的空間留作以后的修改)，會進行如下操作：

• 下一條記錄就會寫入新的頁中，一旦數(shù)據(jù)按照這種順序的方式加載，主鍵頁就會近乎于順序的記錄填滿，提升了頁面的最大填充率，不會有頁的浪費
• 新插入的行一定會在原有的最大數(shù)據(jù)行下一行，mysql定位和尋址很快，不會為計算新行的位置而做出額外的消耗

3.2、使用uuid的索引內(nèi)部結(jié)構(gòu)

uuid相對順序的自增id來說是毫無規(guī)律可言的，新行的值不一定要比之前的主鍵的值要大，所以innodb無法做到總是把新行插入到索引的最后，而是需要為新行尋找新的合適的位置從而來分配新的空間。

這個過程需要做很多額外的操作，數(shù)據(jù)的毫無順序會導(dǎo)致數(shù)據(jù)分布散亂，將會導(dǎo)致以下的問題：

• 寫入的目標頁很可能已經(jīng)刷新到磁盤上并且從緩存上移除，或者還沒有被加載到緩存中，innodb在插入之前不得不先找到并從磁盤讀取目標頁到內(nèi)存中，這將導(dǎo)致大量的隨機IO
• 因為寫入是亂序的,innodb不得不頻繁的做頁分裂操作,以便為新的行分配空間,頁分裂導(dǎo)致移動大量的數(shù)據(jù)，一次插入最少需要修改三個頁以上
• 由于頻繁的頁分裂，頁會變得稀疏并被不規(guī)則的填充，最終會導(dǎo)致數(shù)據(jù)會有碎片

在把值載入到聚簇索引(innodb默認的索引類型)以后，有時候會需要做一次OPTIMEIZE TABLE來重建表并優(yōu)化頁的填充，這將又需要一定的時間消耗。

因此，在選擇主鍵ID生成方案的時候，盡可能別采用uuid的方式來生成主鍵ID，隨著數(shù)據(jù)量越大，插入性能會越低!

四、總結(jié)

在實際使用過程中，推薦使用主鍵自增ID和雪花算法生成的隨機ID。

但是使用自增ID也有缺點：

1、別人一旦爬取你的數(shù)據(jù)庫，就可以根據(jù)數(shù)據(jù)庫的自增id獲取到你的業(yè)務(wù)增長信息，很容易進行數(shù)據(jù)竊取。2、其次，對于高并發(fā)的負載，innodb在按主鍵進行插入的時候會造成明顯的鎖爭用，主鍵的上界會成為爭搶的熱點，因為所有的插入都發(fā)生在這里，并發(fā)插入會導(dǎo)致間隙鎖競爭。

總結(jié)起來，如果業(yè)務(wù)量小，推薦采用自增ID，如果業(yè)務(wù)量大，推薦采用雪花算法生成的隨機ID。

本篇文章主要從實際程序?qū)嵗霭l(fā)，討論了三種主鍵ID生成方案的性能差異， 鑒于筆者才疏學(xué)淺，可能也有理解不到位的地方，歡迎網(wǎng)友們批評指出!