官网指的是什么网站,策划一场网络营销活动,湖北省住房建设厅网站首页,wordpress主查询翻页简介现在的服务基本是分布式、微服务形式的#xff0c;而且大数据量也导致分库分表的产生#xff0c;对于水平分表就需要保证表中 id 的全局唯一性。对于 MySQL 而言#xff0c;一个表中的主键 id 一般使用自增的方式#xff0c;但是如果进行水平分表之后#xff0c;多个表…简介现在的服务基本是分布式、微服务形式的而且大数据量也导致分库分表的产生对于水平分表就需要保证表中 id 的全局唯一性。对于 MySQL 而言一个表中的主键 id 一般使用自增的方式但是如果进行水平分表之后多个表中会生成重复的 id 值。那么如何保证水平分表后的多张表中的 id 是全局唯一性的呢如果还是借助数据库主键自增的形式那么可以让不同表初始化一个不同的初始值然后按指定的步长进行自增。例如有3张拆分表初始主键值为123自增步长为3。当然也有人使用 UUID 来作为主键但是 UUID 生成的是一个无序的字符串对于 MySQL 推荐使用增长的数值类型值作为主键来说不适合。也可以使用 Redis 的自增原子性来生成唯一 id但是这种方式业内比较少用。当然还有其他解决方案不同互联网公司也有自己内部的实现方案。雪花算法是其中一个用于解决分布式 id 的高效方案也是许多互联网公司在推荐使用的。SnowFlake 雪花算法SnowFlake 中文意思为雪花故称为雪花算法。最早是 Twitter 公司在其内部用于分布式环境下生成唯一 ID。在2014年开源 scala 语言版本。雪花算法的原理就是生成一个的 64 位比特位的 long 类型的唯一 id。最高 1 位固定值 0因为生成的 id 是正整数如果是 1 就是负数了。接下来 41 位存储毫秒级时间戳2^41/(1000*60*60*24*365)69大概可以使用 69 年。再接下 10 位存储机器码包括 5 位 datacenterId 和 5 位 workerId。最多可以部署 2^101024 台机器。最后 12 位存储序列号。同一毫秒时间戳时通过这个递增的序列号来区分。即对于同一台机器而言同一毫秒时间戳下可以生成 2^124096 个不重复 id。可以将雪花算法作为一个单独的服务进行部署然后需要全局唯一 id 的系统请求雪花算法服务获取 id 即可。对于每一个雪花算法服务需要先指定 10 位的机器码这个根据自身业务进行设定即可。例如机房号机器号机器号服务号或者是其他可区别标识的 10 位比特位的整数值都行。算法实现package com.ruoyi.common.utils;import java.util.Date;/*** ClassName: SnowFlakeUtil* 雪花算法*/
public class SnowFlakeUtil {private static SnowFlakeUtil snowFlakeUtil;static {snowFlakeUtil new SnowFlakeUtil();}// 初始时间戳(纪年)可用雪花算法服务上线时间戳的值// 16507899648862022-04-24 16:45:59private static final long INIT_EPOCH 1650789964886L;// 时间位取private static final long TIME_BIT 0b1111111111111111111111111111111111111111110000000000000000000000L;// 记录最后使用的毫秒时间戳主要用于判断是否同一毫秒以及用于服务器时钟回拨判断private long lastTimeMillis -1L;// dataCenterId占用的位数private static final long DATA_CENTER_ID_BITS 5L;// dataCenterId占用5个比特位最大值31// 0000000000000000000000000000000000000000000000000000000000011111private static final long MAX_DATA_CENTER_ID ~(-1L DATA_CENTER_ID_BITS);// dataCenterIdprivate long dataCenterId;// workId占用的位数private static final long WORKER_ID_BITS 5L;// workId占用5个比特位最大值31// 0000000000000000000000000000000000000000000000000000000000011111private static final long MAX_WORKER_ID ~(-1L WORKER_ID_BITS);// workIdprivate long workerId;// 最后12位代表每毫秒内可产生最大序列号即 2^12 - 1 4095private static final long SEQUENCE_BITS 12L;// 掩码最低12位为1高位都为0主要用于与自增后的序列号进行位与如果值为0则代表自增后的序列号超过了4095// 0000000000000000000000000000000000000000000000000000111111111111private static final long SEQUENCE_MASK ~(-1L SEQUENCE_BITS);// 同一毫秒内的最新序号最大值可为 2^12 - 1 4095private long sequence;// workId位需要左移的位数 12private static final long WORK_ID_SHIFT SEQUENCE_BITS;// dataCenterId位需要左移的位数 125private static final long DATA_CENTER_ID_SHIFT SEQUENCE_BITS WORKER_ID_BITS;// 时间戳需要左移的位数 1255private static final long TIMESTAMP_SHIFT SEQUENCE_BITS WORKER_ID_BITS DATA_CENTER_ID_BITS;/*** 无参构造*/public SnowFlakeUtil() {//实际分布式系统中一种参考方案是dataCenterId为mac地址workerId为pid相关this(1, 1);}/*** 有参构造* param dataCenterId* param workerId*/public SnowFlakeUtil(long dataCenterId, long workerId) {// 检查dataCenterId的合法值if (dataCenterId 0 || dataCenterId MAX_DATA_CENTER_ID) {throw new IllegalArgumentException(String.format(dataCenterId 值必须大于 0 并且小于 %d, MAX_DATA_CENTER_ID));}// 检查workId的合法值if (workerId 0 || workerId MAX_WORKER_ID) {throw new IllegalArgumentException(String.format(workId 值必须大于 0 并且小于 %d, MAX_WORKER_ID));}this.workerId workerId;this.dataCenterId dataCenterId;}/*** 获取唯一ID* return*/public static Long getSnowFlakeId() {return snowFlakeUtil.nextId();}/*** 通过雪花算法生成下一个id注意这里使用synchronized同步* return 唯一id*/public synchronized long nextId() {long currentTimeMillis System.currentTimeMillis();System.out.println(currentTimeMillis);// 当前时间小于上一次生成id使用的时间可能出现服务器时钟回拨问题if (currentTimeMillis lastTimeMillis) {throw new RuntimeException(String.format(可能出现服务器时钟回拨问题请检查服务器时间。当前服务器时间戳%d上一次使用时间戳%d, currentTimeMillis,lastTimeMillis));}if (currentTimeMillis lastTimeMillis) {// 还是在同一毫秒内则将序列号递增1序列号最大值为4095// 序列号的最大值是4095使用掩码最低12位为1高位都为0进行位与运行后如果值为0则自增后的序列号超过了4095// 那么就使用新的时间戳sequence (sequence 1) SEQUENCE_MASK;if (sequence 0) {currentTimeMillis getNextMillis(lastTimeMillis);}} else { // 不在同一毫秒内则序列号重新从0开始序列号最大值为4095sequence 0;}// 记录最后一次使用的毫秒时间戳lastTimeMillis currentTimeMillis;// 核心算法将不同部分的数值移动到指定的位置然后进行或运行// 左移运算符, 1 2 即将二进制的 1 扩大 2^2 倍// |位或运算符, 是把某两个数中, 只要其中一个的某一位为1, 则结果的该位就为1// 优先级 |return// 时间戳部分((currentTimeMillis - INIT_EPOCH) TIMESTAMP_SHIFT)// 数据中心部分| (dataCenterId DATA_CENTER_ID_SHIFT)// 机器表示部分| (workerId WORK_ID_SHIFT)// 序列号部分| sequence;}/*** 获取指定时间戳的接下来的时间戳也可以说是下一毫秒* param lastTimeMillis 指定毫秒时间戳* return 时间戳*/private long getNextMillis(long lastTimeMillis) {long currentTimeMillis System.currentTimeMillis();while (currentTimeMillis lastTimeMillis) {currentTimeMillis System.currentTimeMillis();}return currentTimeMillis;}/*** 获取随机字符串,length13* return*/public static String getRandomStr() {return Long.toString(getSnowFlakeId(), Character.MAX_RADIX);}/*** 从ID中获取时间* param id 由此类生成的ID* return*/public static Date getTimeBySnowFlakeId(long id) {return new Date(((TIME_BIT id) 22) INIT_EPOCH);}public static void main(String[] args) {SnowFlakeUtil snowFlakeUtil new SnowFlakeUtil();long id snowFlakeUtil.nextId();System.out.println(id: id);Date date SnowFlakeUtil.getTimeBySnowFlakeId(id);System.out.println(date);long time date.getTime();System.out.println(time: time);System.out.println(getRandomStr());}}算法优缺点雪花算法有以下几个优点高并发分布式环境下生成不重复 id每秒可生成百万个不重复 id。基于时间戳以及同一时间戳下序列号自增基本保证 id 有序递增。不依赖第三方库或者中间件。算法简单在内存中进行效率高。雪花算法有如下缺点依赖服务器时间服务器时钟回拨时可能会生成重复 id。算法中可通过记录最后一个生成 id 时的时间戳来解决每次生成 id 之前比较当前服务器时钟是否被回拨避免生成重复 id。注意事项其实雪花算法每一部分占用的比特位数量并不是固定死的。例如你的业务可能达不到 69 年之久那么可用减少时间戳占用的位数雪花算法服务需要部署的节点超过1024 台那么可将减少的位数补充给机器码用。注意雪花算法中 41 位比特位不是直接用来存储当前服务器毫秒时间戳的而是需要当前服务器时间戳减去某一个初始时间戳值一般可以使用服务上线时间作为初始时间戳值。对于机器码可根据自身情况做调整例如机房号服务器号业务号机器 IP 等都是可使用的。对于部署的不同雪花算法服务中最后计算出来的机器码能区分开来即可。
