前言

作為一個全球人數最多的國家，一個再怎麼悽慘的行業，都能找出很多的人為之付出。而在這個互聯網的時代，IT公司絕對比牛毛還多很多。但是大多數都是創業公司，長期存活的真的不多。大多數的IT項目在註冊量從0-100萬，日活躍1-5萬，說實話就這種系統隨便找一個有幾年工作經驗的高級工程師，然後帶幾個年輕工程師，隨便乾乾都可以做出來。

因為這樣的系統，實際上主要就是在前期快速的進行業務功能的開發，搞一個單塊系統部署在一臺服務器上，然後連接一個數據庫就可以了。接著大家就是不停的在一個工程裡填充進去各種業務代碼，儘快把公司的業務支撐起來。

但是如果真的發展的還可以，可能就會遇到如下問題：

在運行的過程中系統訪問數據庫的性能越來越差，單表數據量越來越大，一些複雜查詢 SQL直接拖垮！

這種時候就不得不考慮的解決方案：緩存，負載均衡，項目分塊（微服務）；數據庫：讀寫分離，分庫分表等技術

如果說此時你還是一臺數據庫服務器在支撐每秒上萬的請求，負責任的告訴你，每次高峰期會出現下述問題：

• 數據庫服務器的磁盤 IO、網絡帶寬、CPU 負載、內存消耗，都會達到非常高的情況，數據庫所在服務器的整體負載會非常重，甚至都快不堪重負了。
• 高峰期時，本來你單表數據量就很大，SQL 性能就不太好，這時加上你的數據庫服務器負載太高導致性能下降，就會發現你的 SQL 性能更差了。
• 最明顯的一個感覺，就是你的系統在高峰期各個功能都運行的很慢，用戶體驗很差，點一個按鈕可能要幾十秒才出來結果。
• 如果你運氣不太好，數據庫服務器的配置不是特別的高的話，弄不好你還會經歷數據庫宕機的情況，因為負載太高對數據庫壓力太大了。

那麼百萬併發的數據庫架構如何設計呢？多數都是分庫分表加主從吧？

分庫分表：說白了就是大量分表來保證海量數據下的查詢性能。

其實大多數公司的瓶頸都在數據庫，其實如果把上面的解決方案，都實現了，基本上就沒的什麼問題了，舉例：

如果訂單一年有 1 億條數據，可以把訂單表一共拆分為 1024 張表，分散在5個庫中，這樣 1 億數據量的話，分散到每個表裡也就才 10 萬量級的數據量，然後這上千張表分散在 5 臺數據庫裡就可以了。

在寫入數據的時候，需要做兩次路由，先對訂單 id hash 後對數據庫的數量取模，可以路由到一臺數據庫上，然後再對那臺數據庫上的表數量取模，就可以路由到數據庫上的一個表裡了。

通過這個步驟，就可以讓每個表裡的數據量非常小，每年 1 億數據增長，但是到每個表裡才 10 萬條數據增長，這個系統運行 10 年，每個表裡可能才百萬級的數據量。

主從：讀寫分離

這個時候整體效果已經挺不錯了，大量分表的策略保證可能未來 10 年，每個表的數據量都不會太大，這可以保證單表內的 SQL 執行效率和性能。

然後多臺數據庫的拆分方式，可以保證每臺數據庫服務器承載一部分的讀寫請求，降低每臺服務器的負載。

但是此時還有一個問題，假如說每臺數據庫服務器承載每秒 2000 的請求，然後其中 400 請求是寫入，1600 請求是查詢。

也就是說，增刪改的 SQL 才佔到了 20% 的比例，80% 的請求是查詢。此時假如說隨著用戶量越來越大，又變成每臺服務器承載 4000 請求了。

那麼其中 800 請求是寫入，3200 請求是查詢，如果說你按照目前的情況來擴容，就需要增加一臺數據庫服務器。

但是此時可能就會涉及到表的遷移，因為需要遷移一部分表到新的數據庫服務器上去，是不是很麻煩？

其實完全沒必要，數據庫一般都支持讀寫分離，也就是做主從架構。

寫入的時候寫入主數據庫服務器，查詢的時候讀取從數據庫服務器，就可以讓一個表的讀寫請求分開落地到不同的數據庫上去執行。

這樣的話，假如寫入主庫的請求是每秒 400，查詢從庫的請求是每秒 1600。

架構大致如下：

寫入主庫的時候，會自動同步數據到從庫上去，保證主庫和從庫數據一致。

然後查詢的時候都是走從庫去查詢的，這就通過數據庫的主從架構實現了讀寫分離的效果了。

現在的好處就是，假如說現在主庫寫請求增加到 800，這個無所謂，不需要擴容。然後從庫的讀請求增加到了 3200，需要擴容了。

這時，你直接給主庫再掛載一個新的從庫就可以了，兩個從庫，每個從庫支撐 1600 的讀請求，不需要因為讀請求增長來擴容主庫。

實際上線上生產你會發現，讀請求的增長速度遠遠高於寫請求，所以讀寫分離之後，大部分時候就是擴容從庫支撐更高的讀請求就可以了。

而且另外一點，對同一個表，如果你既寫入數據（涉及加鎖），還從該表查詢數據，可能會牽扯到鎖衝突等問題，無論是寫性能還是讀性能，都會有影響。

所以一旦讀寫分離之後，對主庫的表就僅僅是寫入，沒任何查詢會影響他，對從庫的表就僅僅是查詢。

全局唯一ID

在分庫分表之後你必然要面對的一個問題，就是 id 咋生成？因為要是一個表分成多個表之後，每個表的 id 都是從 1 開始累加自增長，那肯定不對啊。

舉個例子，你的訂單表拆分為了 1024 張訂單表，每個表的 id 都從 1 開始累加，這個肯定有問題了！

你的系統就沒辦法根據表主鍵來查詢訂單了，比如 id = 50 這個訂單，在每個表裡都有！

所以此時就需要分佈式架構下的全局唯一 id 生成的方案了，在分庫分表之後，對於插入數據庫中的核心 id，不能直接簡單使用表自增 id，要全局生成唯一 id，然後插入各個表中，保證每個表內的某個 id，全局唯一。

比如說訂單表雖然拆分為了 1024 張表，但是 id = 50 這個訂單，只會存在於一個表裡。

那麼如何實現全局唯一 id 呢？有以下幾種方案：

方案一：獨立數據庫自增 id

這個方案就是說你的系統每次要生成一個 id，都是往一個獨立庫的一個獨立表裡插入一條沒什麼業務含義的數據，然後獲取一個數據庫自增的一個 id。拿到這個 id 之後再往對應的分庫分表裡去寫入。

比如說你有一個 auto_id 庫，裡面就一個表，叫做 auto_id 表，有一個 id 是自增長的。

那麼你每次要獲取一個全局唯一 id，直接往這個表裡插入一條記錄，獲取一個全局唯一 id 即可，然後這個全局唯一 id 就可以插入訂單的分庫分表中。

這個方案的好處就是方便簡單，誰都會用。缺點就是單庫生成自增 id，要是高併發的話，就會有瓶頸的，因為 auto_id 庫要是承載個每秒幾萬併發，肯定是不現實的了。

方案二：UUID

這個每個人都應該知道吧，就是用 UUID 生成一個全局唯一的 id。

好處就是每個系統本地生成，不要基於數據庫來了。不好之處就是，UUID 太長了，作為主鍵性能太差了，不適合用於主鍵。

如果你是要隨機生成個什麼文件名了，編號之類的，你可以用 UUID，但是作為主鍵是不能用 UUID 的。

方案三：獲取系統當前時間

這個方案的意思就是獲取當前時間作為全局唯一的 id。但是問題是，併發很高的時候，比如一秒併發幾千，會有重複的情況，這個肯定是不合適的。

一般如果用這個方案，是將當前時間跟很多其他的業務字段拼接起來，作為一個 id，如果業務上你覺得可以接受，那麼也是可以的。

你可以將別的業務字段值跟當前時間拼接起來，組成一個全局唯一的編號，比如說訂單編號：時間戳 + 用戶 id + 業務含義編碼。

方案四：SnowFlake 算法的思想分析

SnowFlake 算法，是 Twitter 開源的分佈式 id 生成算法。其核心思想就是：使用一個 64 bit 的 long 型的數字作為全局唯一 id。這 64 個 bit 中，其中 1 個 bit 是不用的，然後用其中的 41 bit 作為毫秒數，用 10 bit 作為工作機器 id，12 bit 作為序列號。

給大家舉個例子吧，比如下面那個 64 bit 的 long 型數字：

• 第一個部分，是 1 個 bit：0，這個是無意義的。
• 第二個部分是 41 個 bit：表示的是時間戳。
• 第三個部分是 5 個 bit：表示的是機房 id，10001。
• 第四個部分是 5 個 bit：表示的是機器 id，1 1001。
• 第五個部分是 12 個 bit：表示的序號，就是某個機房某臺機器上這一毫秒內同時生成的 id 的序號，0000 00000000。

①1 bit：是不用的，為啥呢？

因為二進制裡第一個 bit 為如果是 1，那麼都是負數，但是我們生成的 id 都是正數，所以第一個 bit 統一都是 0。

②41 bit：表示的是時間戳，單位是毫秒。

41 bit 可以表示的數字多達 2^41 - 1，也就是可以標識 2 ^ 41 - 1 個毫秒值，換算成年就是表示 69 年的時間。

③10 bit：記錄工作機器 id，代表的是這個服務最多可以部署在 2^10 臺機器上，也就是 1024 臺機器。

但是 10 bit 裡 5 個 bit 代表機房 id，5 個 bit 代表機器 id。意思就是最多代表 2 ^ 5 個機房（32 個機房），每個機房裡可以代表 2 ^ 5 個機器（32 臺機器）。

④12 bit：這個是用來記錄同一個毫秒內產生的不同 id。

12 bit 可以代表的最大正整數是 2 ^ 12 - 1 = 4096，也就是說可以用這個 12 bit 代表的數字來區分同一個毫秒內的 4096 個不同的 id。簡單來說，你的某個服務假設要生成一個全局唯一 id，那麼就可以發送一個請求給部署了 SnowFlake 算法的系統，由這個 SnowFlake 算法系統來生成唯一 id。

這個 SnowFlake 算法系統首先肯定是知道自己所在的機房和機器的，比如機房 id = 17，機器 id = 12。

接著 SnowFlake 算法系統接收到這個請求之後，首先就會用二進制位運算的方式生成一個 64 bit 的 long 型 id，64 個 bit 中的第一個 bit 是無意義的。

接著 41 個 bit，就可以用當前時間戳（單位到毫秒），然後接著 5 個 bit 設置上這個機房 id，還有 5 個 bit 設置上機器 id。

最後再判斷一下，當前這臺機房的這臺機器上這一毫秒內，這是第幾個請求，給這次生成 id 的請求累加一個序號，作為最後的 12 個 bit。

最終一個 64 個 bit 的 id 就出來了，類似於：

這個算法可以保證說，一個機房的一臺機器上，在同一毫秒內，生成了一個唯一的 id。可能一個毫秒內會生成多個 id，但是有最後 12 個 bit 的序號來區分開來。

下面我們簡單看看這個 SnowFlake 算法的一個代碼實現，這就是個示例，大家如果理解了這個意思之後，以後可以自己嘗試改造這個算法。

總之就是用一個 64 bit 的數字中各個 bit 位來設置不同的標誌位，區分每一個 id。

SnowFlake 算法JAVA版（含測試方法）：

import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.List;
import java.util.Map;
import java.util.Set;
import java.util.concurrent.CountDownLatch;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import lombok.ToString;
/**
* Copyright: Copyright (c) 2019
*
* @ClassName: IdWorker.java
* @Description: 
SnowFlake 算法，是 Twitter 開源的分佈式 id 生成算法。
* \t\t\t\t\t其核心思想就是：使用一個 64 bit 的 long 型的數字作為全局唯一 id。
* \t\t\t\t\t這 64 個 bit 中，其中 1 個 bit 是不用的，然後用其中的 41 bit 作為毫秒數，
* \t\t\t\t\t用 10 bit 作為工作機器 id，12 bit 作為序列號
*\t\t\t\t

* @version: v1.0.0
* @author: BianPeng
* @date: 2019年4月11日 下午3:13:41
*
* Modification History:
* Date \t\tAuthor Version Description
*---------------------------------------------------------------*
* 2019年4月11日 \t\tBianPeng v1.0.0 initialize
*/
@ToString 

public class SnowflakeIdFactory {
 
\tstatic Logger log = LoggerFactory.getLogger(SnowflakeIdFactory.class);
\t
 private final long twepoch = 1288834974657L;
 private final long workerIdBits = 5L;
 private final long datacenterIdBits = 5L;
 private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
 private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
 private final long sequenceBits = 12L;
 private final long workerIdShift = sequenceBits;
 private final long datacenterIdShift = sequenceBits + workerIdBits;
 private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
 private final long sequenceMask = -1L ^ (-1L << sequenceBits);
 
 private long workerId;
 private long datacenterId;
 private long sequence = 0L;
 private long lastTimestamp = -1L;
 
 
 
 public SnowflakeIdFactory(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;
 }
 
 public synchronized long nextId() {
 long timestamp = timeGen();
 if (timestamp < lastTimestamp) {
 //服務器時鐘被調整了,ID生成器停止服務.
 throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
 }
 if (lastTimestamp == timestamp) {
 sequence = (sequence + 1) & sequenceMask;
 if (sequence == 0) {
 timestamp = tilNextMillis(lastTimestamp);
 }
 } else {
 sequence = 0L;
 }
 
 lastTimestamp = timestamp; 

 return ((timestamp - twepoch) << timestampLeftShift) | (datacenterId << datacenterIdShift) | (workerId << workerIdShift) | sequence;
 }
 
 protected long tilNextMillis(long lastTimestamp) {
 long timestamp = timeGen();
 while (timestamp <= lastTimestamp) {
 timestamp = timeGen();
 }
 return timestamp;
 }
 
 protected long timeGen() {
 return System.currentTimeMillis();
 }
 
 public static void testProductIdByMoreThread(int dataCenterId, int workerId, int n) throws InterruptedException {
 List<thread> tlist = new ArrayList<>();
 Set<long> setAll = new HashSet<>();
 CountDownLatch cdLatch = new CountDownLatch(10);
 long start = System.currentTimeMillis();
 int threadNo = dataCenterId;
 Map<string> idFactories = new HashMap<>();
 for(int i=0;i<10;i++){
 //用線程名稱做map key.
 idFactories.put("snowflake"+i,new SnowflakeIdFactory(workerId, threadNo++));
 }
 for(int i=0;i<10;i++){
 Thread temp =new Thread(new Runnable() {
 @Override
 public void run() {
 Set<long> setId = new HashSet<>();
 SnowflakeIdFactory idWorker = idFactories.get(Thread.currentThread().getName());
 for(int j=0;j setId.add(idWorker.nextId());
 }
 synchronized (setAll){
 setAll.addAll(setId);
 log.info("{}生產了{}個id,併成功加入到setAll中.",Thread.currentThread().getName(),n);
 }
 cdLatch.countDown();
 }
 },"snowflake"+i);
 tlist.add(temp);
 }
 for(int j=0;j<10;j++){
 tlist.get(j).start();
 }
 cdLatch.await();
  

 long end1 = System.currentTimeMillis() - start;
 
 log.info("共耗時:{}毫秒,預期應該生產{}個id, 實際合併總計生成ID個數:{}",end1,10*n,setAll.size());
 
 }
 
 public static void testProductId(int dataCenterId, int workerId, int n){
 SnowflakeIdFactory idWorker = new SnowflakeIdFactory(workerId, dataCenterId);
 SnowflakeIdFactory idWorker2 = new SnowflakeIdFactory(workerId+1, dataCenterId);
 Set<long> setOne = new HashSet<>();
 Set<long> setTow = new HashSet<>();
 long start = System.currentTimeMillis();
 for (int i = 0; i < n; i++) {
 setOne.add(idWorker.nextId());//加入set
 }
 long end1 = System.currentTimeMillis() - start;
 log.info("第一批ID預計生成{}個,實際生成{}個<<<>>>共耗時:{}",n,setOne.size(),end1);
 
 for (int i = 0; i < n; i++) {
 setTow.add(idWorker2.nextId());//加入set
 }
 long end2 = System.currentTimeMillis() - start;
 log.info("第二批ID預計生成{}個,實際生成{}個<<<>>>共耗時:{}",n,setTow.size(),end2);
 
 setOne.addAll(setTow);
 log.info("合併總計生成ID個數:{}",setOne.size());
 
 }
 
 public static void testPerSecondProductIdNums(){
 SnowflakeIdFactory idWorker = new SnowflakeIdFactory(1, 2);
 long start = System.currentTimeMillis();
 int count = 0;
 for (int i = 0; System.currentTimeMillis()-start<1000; i++,count=i) {
 /** 測試方法一: 此用法純粹的生產ID,每秒生產ID個數為400w+ */
 \t//idWorker.nextId();
 /** 測試方法二: 在log中打印,同時獲取ID,此用法生產ID的能力受限於log.error()的吞吐能力.
 * 每秒徘徊在10萬左右. */ 

 \tlog.info(""+idWorker.nextId());
 }
 long end = System.currentTimeMillis()-start;
 System.out.println(end);
 System.out.println(count);
 }
 
 public static void main(String[] args) {
 /** case1: 測試每秒生產id個數?
 * 結論: 每秒生產id個數400w+
 */
 //testPerSecondProductIdNums();
 
 /** case2: 單線程-測試多個生產者同時生產N個id,驗證id是否有重複?
 * 結論: 驗證通過,沒有重複.
 */
 //testProductId(1,2,10000);//驗證通過!
 //testProductId(1,2,20000);//驗證通過!
 
 /** case3: 多線程-測試多個生產者同時生產N個id, 全部id在全局範圍內是否會重複?
 * 結論: 驗證通過,沒有重複.
 */
 try {
 testProductIdByMoreThread(1,2,100000);//單機測試此場景,性能損失至少折半!
 } catch (InterruptedException e) {
 e.printStackTrace();
 }
 
 }
}
/<long>/<long>/<long>/<string>/<long>/<thread>

項目是一個遞進的過程，優先考慮緩存，其次讀寫分離，再分表分庫。當然這只是個人想法，各位夥伴還是根據自己的項目和業務來綜合考慮實行方案。