java web系统在高并发下如何实现订单号生成唯一？
系统订单号规则：XXXX（固定字符）+年（后两位）月日+流水号。流水号每天重新从1开始。
系统订单号产生唯一的方案有哪几种？由于订单号规则已经确定，无法使用时间戳及随机数，有哪些方案可以使用？
注：数据库mysql，订单号不是订单表的主键
关注者
417
被浏览
81,189
关注问题写回答
邀请回答
1 条评论
分享
举报
收起
18 个回答
默认排序
春暖花开，知乎有你，滴-
71 人赞同了该回答
哎。。。。
企业级高并发，切记减少内存式锁生产。这样的设计一看就知道是象牙塔出来的，没真的经历过。
一般来说这种流水号，在需要的时候再惰性生成，就已经晚了，要考虑负载前置。
你的业务场景不充分，补充更多业务场景可能会导致solution变化，但是就目前这样的做思考题来说已经足够。首先你的业务场景有一个前提，订单号并不需要严格按照进入系统的时间来区分流水先后，因为你已经是高并发了，快1，2个毫秒，订单号一定要按顺序，这除非找茬，不会真实存在于系统之中。所以，你可以采取高性能Q，预先生成流水号（关键点1），按照业务量分片（关键点2），进行分级缓存（关键点3）。
一级缓存肯定在内存里，你可以准备大约10秒的流水号在内存里。由十个分片控制，在业务逻辑取流水的时候，由算法控制去不同片取。（轮询也好，计数也好，这都随便，看你业务场景）这样的话，好处是你加锁等待时间，平均来说，除以10了。
切记架构设计是软硬件一体设计，二级缓存放在高性能SSD里面，每5秒查询下一级缓存是否接近临界值（比如流水还剩15%），则尾端补充。
当然，时间间隔什么的，都是示意，要按照实际场景测试优化。和上面所有的内存同步式取法不同，我这个还支持scale out。
赞同 7112 条评论
分享
收藏感谢
做好自己
35 人赞同了该回答
1.每秒订单量由多大？
2.是否是由分布式需求？
import java.util.concurrent.atomic.AtomicInteger;
public class AtomicRangeInteger
{
private final int maxValue;
private final AtomicInteger atomicInteger;
public AtomicRangeInteger(final int minValue, final int maxValue)
{
this.atomicInteger = new AtomicInteger(minValue);
this.maxValue = maxValue;
}
public Integer incrAndGet()
{
final int value = this.atomicInteger.incrementAndGet();
if (value > maxValue)
{
return null;
}
return value;
}
}
public class SerialGenerator
{
private final AtomicRangeInteger atomicRangeInteger = new AtomicRangeInteger(0, 1 << 32 - 1);
public long getSerialId()
{
final long currentTimeMillis = System.currentTimeMillis();
return (long) (currentTimeMillis << 32 | atomicRangeInteger.incrAndGet());
}
}
附上一份snowflake的源码，来自：Twitter的分布式自增ID算法snowflake (Java版)
/**
* Twitter_Snowflake<br>
* SnowFlake的结构如下(每部分用-分开):<br>
* 0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 000000000000 <br>
* 1位标识，由于long基本类型在Java中是带符号的，最高位是符号位，正数是0，负数是1，所以id一般是正数，最高位是0<br>
* 41位时间截(毫秒级)，注意，41位时间截不是存储当前时间的时间截，而是存储时间截的差值（当前时间截 - 开始时间截)
* 得到的值），这里的的开始时间截，一般是我们的id生成器开始使用的时间，由我们程序来指定的（如下下面程序IdWorker类的startTime属性）。41位的时间截，可以使用69年，年T = (1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69<br>
* 10位的数据机器位，可以部署在1024个节点，包括5位datacenterId和5位workerId<br>
* 12位序列，毫秒内的计数，12位的计数顺序号支持每个节点每毫秒(同一机器，同一时间截)产生4096个ID序号<br>
* 加起来刚好64位，为一个Long型。<br>
* SnowFlake的优点是，整体上按照时间自增排序，并且整个分布式系统内不会产生ID碰撞(由数据中心ID和机器ID作区分)，并且效率较高，经测试，SnowFlake每秒能够产生26万ID左右。
*/
public class SnowflakeIdWorker {
// ==============================Fields===========================================
/** 开始时间截 (2015-01-01) */
private final long twepoch = 1420041600000L;
/** 机器id所占的位数 */
private final long workerIdBits = 5L;
/** 数据标识id所占的位数 */
private final long datacenterIdBits = 5L;
/** 支持的最大机器id，结果是31 (这个移位算法可以很快的计算出几位二进制数所能表示的最大十进制数) */
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
/** 支持的最大数据标识id，结果是31 */
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
/** 序列在id中占的位数 */
private final long sequenceBits = 12L;
/** 机器ID向左移12位 */
private final long workerIdShift = sequenceBits;
/** 数据标识id向左移17位(12+5) */
private final long datacenterIdShift = sequenceBits + workerIdBits;
/** 时间截向左移22位(5+5+12) */
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
/** 生成序列的掩码，这里为4095 (0b111111111111=0xfff=4095) */
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
/** 工作机器ID(0~31) */
private long workerId;
/** 数据中心ID(0~31) */
private long datacenterId;
/** 毫秒内序列(0~4095) */
private long sequence = 0L;
/** 上次生成ID的时间截 */
private long lastTimestamp = -1L;
//==============================Constructors=====================================
/**
* 构造函数
* @param workerId 工作ID (0~31)
* @param datacenterId 数据中心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;
}
// ==============================Methods==========================================
/**
* 获得下一个ID (该方法是线程安全的)
* @return SnowflakeId
*/
public synchronized long nextId() {
long timestamp = timeGen();
//如果当前时间小于上一次ID生成的时间戳，说明系统时钟回退过这个时候应当抛出异常
if (timestamp < lastTimestamp) {
throw new RuntimeException(
String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
//如果是同一时间生成的，则进行毫秒内序列
if (lastTimestamp == timestamp) {
sequence = (sequence + 1) & sequenceMask;
//毫秒内序列溢出
if (sequence == 0) {
//阻塞到下一个毫秒,获得新的时间戳
timestamp = tilNextMillis(lastTimestamp);
}
}
//时间戳改变，毫秒内序列重置
else {
sequence = 0L;
}
//上次生成ID的时间截
lastTimestamp = timestamp;
//移位并通过或运算拼到一起组成64位的ID
return ((timestamp - twepoch) << timestampLeftShift) //
| (datacenterId << datacenterIdShift) //
| (workerId << workerIdShift) //
| sequence;
}
/**
* 阻塞到下一个毫秒，直到获得新的时间戳
* @param lastTimestamp 上次生成ID的时间截
* @return 当前时间戳
*/
protected long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
/**
* 返回以毫秒为单位的当前时间
* @return 当前时间(毫秒)
*/
protected long timeGen() {
return System.currentTimeMillis();
}
//==============================Test=============================================
/** 测试 */
public static void main(String[] args) {
SnowflakeIdWorker idWorker = new SnowflakeIdWorker(0, 0);
for (int i = 0; i < 1000; i++) {
long id = idWorker.nextId();
System.out.println(Long.toBinaryString(id));
System.out.println(id);
}
}
}
赞同 355 条评论
分享
收藏感谢
收起
10 人赞同了该回答
想找一个java版本的twitter的IdWorker的代码
java版本的id worker，保证同一时空生成的id号唯一，是基于twitter snowflake改写的。