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1,2,3,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 2^10=1024 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 2^12=4096 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 // 1650789964886:2022-04-24 16:45:59 private 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 //
0000000000000000000000000000000000000000000000000000000000011111 private static
final long MAX_DATA_CENTER_ID = ~(-1L << DATA_CENTER_ID_BITS); // dataCenterId
private 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 //
0000000000000000000000000000000000000000000000000000000000011111 private static
final long MAX_WORKER_ID = ~(-1L << WORKER_ID_BITS); // workId private long
workerId; // 最后12位,代表每毫秒内可产生最大序列号,即 2^12 - 1 = 4095 private 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 //
0000000000000000000000000000000000000000000000000000111111111111 private 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 = 4095 private long sequence; // workId位需要左移的位数 12 private static final long
WORK_ID_SHIFT = SEQUENCE_BITS; // dataCenterId位需要左移的位数 12+5 private static
final long DATA_CENTER_ID_SHIFT = SEQUENCE_BITS + WORKER_ID_BITS; // 时间戳需要左移的位数
12+5+5 private 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4095 sequence = 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,length=13 * @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。

技术
下载桌面版
GitHub
百度网盘(提取码:draw)
Gitee
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:766591547
关注微信