一、分布式全局ID生成策略有哪几种
1.1、利用全球唯一UUID生成订单号优缺点
缺点:
- 没有排序,无法保证趋势递增;
- UUID往往是使用字符串存储,查询的效率比较低;
- 存储空间比较大,如果是海量数据库,就需要考虑存储量的问题。
1.2、基于数据库自增
案例:基于数据库自增或者序列生成订单号
实现思路:利用数据库自增或者序列号方式实现订单号。
缺点:
- 不同数据库语法和实现不同;
- 在单个数据库或读写分离或一主多从的情况下,只有一个主库可以生成。有单点故障的风险;
- 分表分库的时候会有麻烦。
1.3、数据库集群如何考虑数据库自增唯一性
查询自增的步长:SHOW VARIABLES LIKE 'auto_inc%'
修改自增的步长:SET @@auto_increment_increment=10;
修改起始值:SET @@auto_increment_offset=5;
假设有两台mysql数据库服务器:
节点①自增 1 3 5 7 9 11 ….
节点②自增 2 4 6 8 10 12 ….
注意:在最开始设置好了每台节点自增方式步长后,确定好了mysql集群数量后,无法扩展新的mysql,不然生成步长的规则可能会发生变化。
1.4、基于Redis生成生成全局id策略
因为Redis是单线程的,天生保证原子性,可以使用Redis的原子操作INCR和INCRBY来实现。
优点:
- 不依赖数据库,性能优于数据库;
- 数字ID天然排序,对分页或者需要排序的结果很有帮助。
(1)注意:在Redis集群情况下同样需要设置不同的增长步长,同时key一定要设置有效期。
(2)集群:可以使用Redis集群来获取更高的吞吐量。假如一个集群中有5台Redis。可以初始化每台Redis的值分别是1,2,3,4,5,然后步长都是5。各个Redis生成的ID为:
A:1,6,11,16,21
B:2,7,12,17,22
C:3,8,13,18,23
D:4,9,14,19,24
E:5,10,15,20,25
(3) 使用场景:
比较适合使用Redis来生成每天从0开始的流水号。比如订单号=日期+当日自增长号。可以每天在Redis中生成一个Key,使用INCR进行累加。如果生成的订单号超过自增增长的话,可以采用前缀+自增+并且设置有效期。
(4)整合SpringBoot(生成订单号例子)
.yml配置:
spring:
redis:
database: 1
host: 111.231.55.110
port: 6379
password: 123456
jedis:
pool:
max-active: 8
max-wait: -1
max-idle: 8
min-idle: 0
timeout: 10000
OrderController:
// 基于Redis 实现分布式全局id
@RestController
public class OrderController {
@Autowired
private RedisTemplate redisTemplate;
/**
* 15 18位 前缀=当前日期=2018112921303030-5位自增id(高并发请下 先天性安全) 00001<br>
* 00010<br>
* 00100<br>
* 01000<br>
* 11000<br>
* 在相同毫秒情况下,最多只能生成10万-1=99999订单号<br>
* 假设:双11每毫秒99万笔 <br>
* 提前生成号订单号码存放在redis中
*
* 9.9万*1000=900万<br>
* 考虑失效时间问题 24小时
*
*
* @return
*/
@RequestMapping("/order")
public String order(String key) {
RedisAtomicLong redisAtomicLong = new RedisAtomicLong(key, redisTemplate.getConnectionFactory());
for (int i = 0; i < 100; i++) {
long incrementAndGet = redisAtomicLong.incrementAndGet();
// 5位
String orderId = prefix() + "-" + String.format("%1$05d", incrementAndGet);
String orderSQL = "insert into orderNumber value('" + orderId + "');";
System.out.println(orderSQL);
}
return "success";
}
//设置步长
@RequestMapping("/order1")
public String order1(String key) {
RedisAtomicLong redisAtomicLong = new RedisAtomicLong(key, redisTemplate.getConnectionFactory());
// // 起始值
// redisAtomicLong.set(10);
// 设置步长加10
redisAtomicLong.addAndGet(9);
return redisAtomicLong.incrementAndGet() + "";
}
public static String prefix() {
String temp_str = "";
Date dt = new Date();
// 最后的aa表示“上午”或“下午” HH表示24小时制 如果换成hh表示12小时制
SimpleDateFormat sdf = new SimpleDateFormat("yyyyMMddHHmmss");
temp_str = sdf.format(dt);
return temp_str;
}
}
1.5、Twitter的Snowflake(雪花)算法生成全局id(性能最好)
结果是一个long型的ID,其核心思想是:
高位随机+毫秒数+机器码(数据中心+机器id)+10位的流水号码
Github地址: https://github.com/twitter-archive/snowflake
Snowflake 原理:
snowflake生产的ID是一个18位的long型数字,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