目录
使用Redis：将UUID信息存放在Redis中，每次从Redis中取
Twitter的snowflake：纯Java代码，ID生成器
背景
要实现分库分表，要解决的一个问题就是uuid的唯一性。比如我现在讲用户表分成了三个库来存放，每个库里面都有一个用户表。
如果在没有分库之前，uuid可以通过mysql数据库层面来生成，可以保证uuid是不重复的。但是现在分为了三个库，mysql可以实现每个库里面的数据不重复的，但是不能保证库与库之间的uuid是不重复的。
这就要我们手动指定uuid，而且要保证不同库之间的uuuid不能重复。
UUID的几个生成策略
使用全局表：每次新增的时候从全局表中取
在数据库中维护一个全局表，用于新增的时候取uuid用。用完将nextid加1，更新到数据库中，以备下次使用。
结构如下图所示：
当然缺点很明显，所有插入都要访问该表，该表很容易造成系统性能瓶颈。还有一个是存在单点问题，一旦该表数据库失效，整个应用将无法工作。
使用Redis：将UUID信息存放在Redis中，每次从Redis中取
刚才存在数据库中的全局表拥有的缺点，可以用redis来解决。redis缓存不容易造成瓶颈，速度也很快。
Twitter的snowflake：纯Java代码，ID生成器
本来我以为这就终点了，但是发现了第三种方法，简单高效的ID生成器。
snowflake算法是一款本地生成的（ID生成过程中不依赖任何中间，无网络通信），保证ID全局唯一，并且ID总体有序递增，性能每秒生成300w+。
public class SnowFlake {
// 起始的时间戳
private final static long START_STMP = 1480166465631L;
// 每一部分占用的位数，就三个
private final static long SEQUENCE_BIT = 12;// 序列号占用的位数
private final static long MACHINE_BIT = 5; // 机器标识占用的位数
private final static long DATACENTER_BIT = 5;// 数据中心占用的位数
// 每一部分最大值
private final static long MAX_DATACENTER_NUM = -1L ^ (-1L << DATACENTER_BIT);
private final static long MAX_MACHINE_NUM = -1L ^ (-1L << MACHINE_BIT);
private final static long MAX_SEQUENCE = -1L ^ (-1L << SEQUENCE_BIT);
// 每一部分向左的位移
private final static long MACHINE_LEFT = SEQUENCE_BIT;
private final static long DATACENTER_LEFT = SEQUENCE_BIT + MACHINE_BIT;
private final static long TIMESTMP_LEFT = DATACENTER_LEFT + DATACENTER_BIT;
private long datacenterId; // 数据中心
private long machineId; // 机器标识
private long sequence = 0L; // 序列号
private long lastStmp = -1L;// 上一次时间戳
public SnowFlake(long datacenterId, long machineId) {
if (datacenterId > MAX_DATACENTER_NUM || datacenterId < 0) {
throw new IllegalArgumentException("datacenterId can't be greater than MAX_DATACENTER_NUM or less than 0");
}
if (machineId > MAX_MACHINE_NUM || machineId < 0) {
throw new IllegalArgumentException("machineId can't be greater than MAX_MACHINE_NUM or less than 0");
}
this.datacenterId = datacenterId;
this.machineId = machineId;
}
//产生下一个ID
public synchronized long nextId() {
long currStmp = getNewstmp();
if (currStmp < lastStmp) {
throw new RuntimeException("Clock moved backwards. Refusing to generate id");
}
if (currStmp == lastStmp) {
//if条件里表示当前调用和上一次调用落在了相同毫秒内，只能通过第三部分，序列号自增来判断为唯一，所以+1.
sequence = (sequence + 1) & MAX_SEQUENCE;
//同一毫秒的序列数已经达到最大，只能等待下一个毫秒
if (sequence == 0L) {
currStmp = getNextMill();
}
} else {
//不同毫秒内，序列号置为0
//执行到这个分支的前提是currTimestamp > lastTimestamp，说明本次调用跟上次调用对比，已经不再同一个毫秒内了，这个时候序号可以重新回置0了。
sequence = 0L;
}
lastStmp = currStmp;
//就是用相对毫秒数、机器ID和自增序号拼接
return (currStmp - START_STMP) << TIMESTMP_LEFT //时间戳部分
| datacenterId << DATACENTER_LEFT //数据中心部分
| machineId << MACHINE_LEFT //机器标识部分
| sequence; //序列号部分
}
private long getNextMill() {
long mill = getNewstmp();
while (mill <= lastStmp) {
mill = getNewstmp();
}
return mill;
}
private long getNewstmp() {
return System.currentTimeMillis();
}
}public class Test {
public static void main(String[] args) {
// 构造方法设置机器码：第9个机房的第20台机器
SnowFlake snowFlake = new SnowFlake(9, 20);
for(int i =0; i <(1<< 12); i++){
System.out.println(snowFlake.nextId());
}
}
}算法原理：
snowflake生成的ID是一位18位的long型数据，二进制结构表示如下（每部分用-分开）：
0 - 00000000 00000000 00000000 00000000 00000000 0 - 00000 - 00000 - 00000000 0000
第一位未使用，接下来的41位为毫秒级时间(41位的长度可以使用69年，从1970-01-01 08:00:00)，然后是5位datacenterId（最大支持2^5＝32个，二进制表示从00000-11111，也即是十进制0-31），和5位workerId（最大支持2^5＝32个，原理同datacenterId），所以datacenterId*workerId最多支持部署1024个节点，最后12位是毫秒内的计数（12位的计数顺序号支持每个节点每毫秒产生2^12＝4096个ID序号）.
所有位数加起来共64位，恰好是一个Long型（转换为字符串长度为18）.
单台机器实例，通过时间戳保证前41位是唯一的，分布式系统多台机器实例下，通过对每个机器实例分配不同的datacenterId和workerId避免中间的10位碰撞。最后12位每毫秒从0递增生产ID，再提一次：每毫秒最多生成4096个ID，每秒可达4096000个。理论上，只要CPU计算能力足够，单机每秒可生产400多万个，实测300w+，效率之高由此可见。