有20多個(gè)慢接口，5個(gè)接口響應(yīng)時(shí)間超過5s，1個(gè)超過10s，其余的都在2s以上，穩(wěn)定性不足99.8%。作為一個(gè)優(yōu)秀的后端程序員，這個(gè)數(shù)據(jù)肯定是不能忍的，我們馬上就進(jìn)入了漫長(zhǎng)的接口優(yōu)化之路。本文就是對(duì)我們漫長(zhǎng)工作歷程的一個(gè)總結(jié)。
這個(gè)問題的答案非常多，需要根據(jù)自己的業(yè)務(wù)場(chǎng)景具體分析。這里做一個(gè)不完全的總結(jié)：
所謂的深度分頁問題，涉及到mysql分頁的原理。通常情況下，mysql的分頁是這樣寫的：
select name,code from student limit 100,20含義當(dāng)然就是從student表里查100到120這20條數(shù)據(jù)，mysql會(huì)把前120條數(shù)據(jù)都查出來，拋棄前100條，返回20條。當(dāng)分頁所以深度不大的時(shí)候當(dāng)然沒問題，隨著分頁的深入，sql可能會(huì)變成這樣：
select name,code from student limit 1000000,20這個(gè)時(shí)候，mysql會(huì)查出來1000020條數(shù)據(jù)，拋棄1000000條，如此大的數(shù)據(jù)量，速度一定快不起來。那如何解決呢？一般情況下，最好的方式是增加一個(gè)條件：
select name,code from student where id>1000000 limit 20這樣，mysql會(huì)走主鍵索引，直接連接到1000000處，然后查出來20條數(shù)據(jù)。但是這個(gè)方式需要接口的調(diào)用方配合改造，把上次查詢出來的最大id以參數(shù)的方式傳給接口提供方，會(huì)有溝通成本（調(diào)用方：老子不改！）。
這個(gè)是最容易解決的問題，我們可以通過
show create table xxxx（表名）查看某張表的索引。具體加索引的語句網(wǎng)上太多了，不再贅述。不過順便提一嘴，加索引之前，需要考慮一下這個(gè)索引是不是有必要加，如果加索引的字段區(qū)分度非常低，那即使加了索引也不會(huì)生效。另外，加索引的alter操作，可能引起鎖表，執(zhí)行sql的時(shí)候一定要在低峰期（血淚史！！！！）
這個(gè)是慢查詢最不好分析的情況，雖然mysql提供了explain來評(píng)估某個(gè)sql的查詢性能，其中就有使用的索引。但是為啥索引會(huì)失效呢？mysql卻不會(huì)告訴咱，需要咱自己分析。大體上，可能引起索引失效的原因有這幾個(gè)（可能不完全）：
需要特別提出的是，關(guān)于字段區(qū)分性很差的情況，在加索引的時(shí)候就應(yīng)該進(jìn)行評(píng)估。如果區(qū)分性很差，這個(gè)索引根本就沒必要加。區(qū)分性很差是什么意思呢，舉幾個(gè)例子，比如：
進(jìn)一步的，那如果不符合上面所有的索引失效的情況，但是mysql還是不使用對(duì)應(yīng)的索引，是為啥呢？這個(gè)跟mysql的sql優(yōu)化有關(guān)，mysql會(huì)在sql優(yōu)化的時(shí)候自己選擇合適的索引，很可能是mysql自己的選擇算法算出來使用這個(gè)索引不會(huì)提升性能，所以就放棄了。這種情況，可以使用force index 關(guān)鍵字強(qiáng)制使用索引（建議修改前先實(shí)驗(yàn)一下，是不是真的會(huì)提升查詢效率）：
select name,code from student force index(XXXXXX) where name = '天才' 其中xxxx是索引名。
我把join過多 和子查詢過多放在一起說了。一般來說，不建議使用子查詢，可以把子查詢改成join來優(yōu)化。同時(shí)，join關(guān)聯(lián)的表也不宜過多，一般來說2-3張表還是合適的。具體關(guān)聯(lián)幾張表比較安全是需要具體問題具體分析的，如果各個(gè)表的數(shù)據(jù)量都很少，幾百條幾千條，那么關(guān)聯(lián)的表的可以適當(dāng)多一些，反之則需要少一些。
另外需要提到的是，在大多數(shù)情況下join是在內(nèi)存里做的，如果匹配的量比較小，或者join_buffer設(shè)置的比較大，速度也不會(huì)很慢。但是，當(dāng)join的數(shù)據(jù)量比較大的時(shí)候，mysql會(huì)采用在硬盤上創(chuàng)建臨時(shí)表的方式進(jìn)行多張表的關(guān)聯(lián)匹配，這種顯然效率就極低，本來磁盤的IO就不快，還要關(guān)聯(lián)。
一般遇到這種情況的時(shí)候就建議從代碼層面進(jìn)行拆分，在業(yè)務(wù)層先查詢一張表的數(shù)據(jù)，然后以關(guān)聯(lián)字段作為條件查詢關(guān)聯(lián)表形成map，然后在業(yè)務(wù)層進(jìn)行數(shù)據(jù)的拼裝。一般來說，索引建立正確的話，會(huì)比join快很多，畢竟內(nèi)存里拼接數(shù)據(jù)要比網(wǎng)絡(luò)傳輸和硬盤IO快得多。
這種問題，如果只看代碼的話不太容易排查，最好結(jié)合監(jiān)控和數(shù)據(jù)庫日志一起分析。如果一個(gè)查詢有in，in的條件加了合適的索引，這個(gè)時(shí)候的sql還是比較慢就可以高度懷疑是in的元素過多。一旦排查出來是這個(gè)問題，解決起來也比較容易，不過是把元素分個(gè)組，每組查一次。想再快的話，可以再引入多線程。
進(jìn)一步的，如果in的元素量大到一定程度還是快不起來，這種最好還是有個(gè)限制
select id from student where id in (1,2,3 ...... 1000) limit 200當(dāng)然了，最好是在代碼層面做個(gè)限制
if (ids.size() > 200) {
throw new Exception("單次查詢數(shù)據(jù)量不能超過200");
}這種問題，單純代碼的修修補(bǔ)補(bǔ)一般就解決不了了，需要變動(dòng)整個(gè)的數(shù)據(jù)存儲(chǔ)架構(gòu)。或者是對(duì)底層mysql分表或分庫+分表；或者就是直接變更底層數(shù)據(jù)庫，把mysql轉(zhuǎn)換成專門為處理大數(shù)據(jù)設(shè)計(jì)的數(shù)據(jù)庫。這種工作是個(gè)系統(tǒng)工程，需要嚴(yán)密的調(diào)研、方案設(shè)計(jì)、方案評(píng)審、性能評(píng)估、開發(fā)、測(cè)試、聯(lián)調(diào)，同時(shí)需要設(shè)計(jì)嚴(yán)密的數(shù)據(jù)遷移方案、回滾方案、降級(jí)措施、故障處理預(yù)案。除了以上團(tuán)隊(duì)內(nèi)部的工作，還可能有跨系統(tǒng)溝通的工作，畢竟做了重大變更，下游系統(tǒng)的調(diào)用接口的方式有可能會(huì)需要變化。
出于篇幅的考慮，這個(gè)不再展開了，筆者有幸完整參與了一次億級(jí)別數(shù)據(jù)量的數(shù)據(jù)庫分表工作，對(duì)整個(gè)過程的復(fù)雜性深有體會(huì)，后續(xù)有機(jī)會(huì)也會(huì)分享出來。
這種情況，一般都循環(huán)調(diào)用同一段代碼，每次循環(huán)的邏輯一致，前后不關(guān)聯(lián)。比如說，我們要初始化一個(gè)列表，預(yù)置12個(gè)月的數(shù)據(jù)給前端：
List<Model> list = new ArrayList<>();
for(int i = 0 ; i < 12 ; i ++) {
Model model = calOneMonthData(i); // 計(jì)算某個(gè)月的數(shù)據(jù)，邏輯比較復(fù)雜，難以批量計(jì)算，效率也無法很高
list.add(model);
}這種顯然每個(gè)月的數(shù)據(jù)計(jì)算相互都是獨(dú)立的，我們完全可以采用多線程方式進(jìn)行：
// 建立一個(gè)線程池，注意要放在外面，不要每次執(zhí)行代碼就建立一個(gè)，具體線程池的使用就不展開了
public static ExecutorService commonThreadPool = new ThreadPoolExecutor(5, 5, 300L,
TimeUnit.SECONDS, new LinkedBlockingQueue<>(10), commonThreadFactory, new ThreadPoolExecutor.DiscardPolicy());
// 開始多線程調(diào)用
List<Future<Model>> futures = new ArrayList<>();
for(int i = 0 ; i < 12 ; i ++) {
Future<Model> future = commonThreadPool.submit(() -> calOneMonthData(i););
futures.add(future);
}
// 獲取結(jié)果
List<Model> list = new ArrayList<>();
try {
for (int i = 0 ; i < futures.size() ; i ++) {
list.add(futures.get(i).get());
}
} catch (Exception e) {
LOGGER.error("出現(xiàn)錯(cuò)誤：", e);
}如果不是類似上面循環(huán)調(diào)用，而是一次次的順序調(diào)用，而且調(diào)用之間沒有結(jié)果上的依賴，那么也可以用多線程的方式進(jìn)行，例如：
代碼上看：
A a = doA();
B b = doB();
C c = doC(a, b);
D d = doD(c);
E e = doE(c);
return doResult(d, e);那么可用CompletableFuture解決
CompletableFuture<A> futureA = CompletableFuture.supplyAsync(() -> doA());
CompletableFuture<B> futureB = CompletableFuture.supplyAsync(() -> doB());
CompletableFuture.allOf(futureA,futureB) // 等a b 兩個(gè)任務(wù)都執(zhí)行完成
C c = doC(futureA.join(), futureB.join());
CompletableFuture<D> futureD = CompletableFuture.supplyAsync(() -> doD(c));
CompletableFuture<E> futureE = CompletableFuture.supplyAsync(() -> doE(c));
CompletableFuture.allOf(futureD,futureE) // 等d e兩個(gè)任務(wù)都執(zhí)行完成
return doResult(futureD.join(),futureE.join());這樣A B 兩個(gè)邏輯可以并行執(zhí)行，D E兩個(gè)邏輯可以并行執(zhí)行，最大執(zhí)行時(shí)間取決于哪個(gè)邏輯更慢。
有的時(shí)候，即使我們使用了線程池讓任務(wù)并行處理，接口的執(zhí)行效率仍然不夠快，這種情況可能是怎么回事呢？
這種情況首先應(yīng)該懷疑是不是線程池設(shè)計(jì)的不合理。我覺得這里有必要回顧一下線程池的三個(gè)重要參數(shù)：核心線程數(shù)、最大線程數(shù)、等待隊(duì)列。這三個(gè)參數(shù)是怎么打配合的呢？當(dāng)線程池創(chuàng)建的時(shí)候，如果不預(yù)熱線程池，則線程池中線程為0。當(dāng)有任務(wù)提交到線程池，則開始創(chuàng)建核心線程。
當(dāng)核心線程全部被占滿，如果再有任務(wù)到達(dá)，則讓任務(wù)進(jìn)入等待隊(duì)列開始等待。
如果隊(duì)列也被占滿，則開始創(chuàng)建非核心線程運(yùn)行。
如果線程總數(shù)達(dá)到最大線程數(shù)，還是有任務(wù)到達(dá)，則開始根據(jù)線程池拋棄規(guī)則開始拋棄。
那么這個(gè)運(yùn)行原理與接口運(yùn)行時(shí)間有什么關(guān)系呢？
在排查的時(shí)候，只要找到了問題出現(xiàn)的原因，那么解決方式也就清楚了，無非就是調(diào)整線程池參數(shù)，按照業(yè)務(wù)拆分線程池等等。
鎖設(shè)計(jì)不合理一般有兩種：鎖類型使用不合理 or 鎖過粗。
鎖類型使用不合理的典型場(chǎng)景就是讀寫鎖。也就是說，讀是可以共享的，但是讀的時(shí)候不能對(duì)共享變量寫；而在寫的時(shí)候，讀寫都不能進(jìn)行。在可以加讀寫鎖的時(shí)候，如果我們加成了互斥鎖，那么在讀遠(yuǎn)遠(yuǎn)多于寫的場(chǎng)景下，效率會(huì)極大降低。
鎖過粗則是另一種常見的鎖設(shè)計(jì)不合理的情況，如果我們把鎖包裹的范圍過大，則加鎖時(shí)間會(huì)過長(zhǎng)，例如：
public synchronized void doSome() {
File f = calData();
uploadToS3(f);
sendSuccessMessage();
}這塊邏輯一共處理了三部分，計(jì)算、上傳結(jié)果、發(fā)送消息。顯然上傳結(jié)果和發(fā)送消息是完全可以不加鎖的，因?yàn)檫@個(gè)跟共享變量根本不沾邊。因此完全可以改成：
public void doSome() {
File f = null;
synchronized(this) {
f = calData();
}
uploadToS3(f);
sendSuccessMessage();
}造成這個(gè)問題的原因非常多，筆者就遇到了定時(shí)任務(wù)過大引起fullGC，代碼存在線程泄露引起RSS內(nèi)存占用過高進(jìn)而引起機(jī)器重啟等待諸多原因。需要結(jié)合各種監(jiān)控和具體場(chǎng)景具體分析，進(jìn)而進(jìn)行大事務(wù)拆分、重新規(guī)劃線程池等等工作6、萬金油解決方式
萬金油這個(gè)形容詞是從我們單位某位老師那里學(xué)來的，但是筆者覺得非常貼切。這些萬金油解決方式往往能解決大部分的接口緩慢的問題，而且也往往是我們解決接口效率問題的最終解決方案。當(dāng)我們實(shí)在是沒有辦法排查出問題，或者實(shí)在是沒有優(yōu)化空間的時(shí)候，可以嘗試這種萬金油的方式。
緩存是一種空間換取時(shí)間的解決方案，是在高性能存儲(chǔ)介質(zhì)上（例如：內(nèi)存、SSD硬盤等）存儲(chǔ)一份數(shù)據(jù)備份。當(dāng)有請(qǐng)求打到服務(wù)器的時(shí)候，優(yōu)先從緩存中讀取數(shù)據(jù)。如果讀取不到，則再從硬盤或通過網(wǎng)絡(luò)獲取數(shù)據(jù)。由于內(nèi)存或SSD相比硬盤或網(wǎng)絡(luò)IO的效率高很多，則接口響應(yīng)速度會(huì)變快非常多。緩存適合于應(yīng)用在數(shù)據(jù)讀遠(yuǎn)遠(yuǎn)大于數(shù)據(jù)寫，且數(shù)據(jù)變化不頻繁的場(chǎng)景中。從技術(shù)選型上看，有這些：
當(dāng)然，memcached現(xiàn)在用的很少了，因?yàn)橄啾扔趓edis他不占優(yōu)勢(shì)。tair則是阿里開發(fā)的一個(gè)分布式緩存中間件，他的優(yōu)勢(shì)是理論上可以在不停服的情況下，動(dòng)態(tài)擴(kuò)展存儲(chǔ)容量，適用于大數(shù)據(jù)量緩存存儲(chǔ)。相比于單機(jī)redis緩存當(dāng)然有優(yōu)勢(shì)，而他與可擴(kuò)展Redis集群的對(duì)比則需要進(jìn)一步調(diào)研。
進(jìn)一步的，當(dāng)前緩存的模型一般都是key-value模型。如何設(shè)計(jì)key以提高緩存的命中率是個(gè)大學(xué)問，好的key設(shè)計(jì)和壞的key設(shè)計(jì)所提升的性能差別非常大。而且，key設(shè)計(jì)是沒有一定之規(guī)的，需要結(jié)合具體的業(yè)務(wù)場(chǎng)景去分析。各個(gè)大公司分享出來的相關(guān)文章，緩存設(shè)計(jì)基本上是最大篇幅。
這種方式往往是業(yè)務(wù)上的解決方式，在訂單或者付款系統(tǒng)中應(yīng)用的比較多。舉個(gè)例子：當(dāng)我們付款的時(shí)候，需要調(diào)用一個(gè)專門的付款系統(tǒng)接口，該系統(tǒng)經(jīng)過一系列驗(yàn)證、存儲(chǔ)工作后還要調(diào)用銀行接口以執(zhí)行付款。由于付款這個(gè)動(dòng)作要求十分嚴(yán)謹(jǐn)，銀行側(cè)接口執(zhí)行可能比較緩慢，進(jìn)而拖累整個(gè)付款接口性能。這個(gè)時(shí)候我們就可以采用fast success的方式：當(dāng)必要的校驗(yàn)和存儲(chǔ)完成后，立即返回success，同時(shí)告訴調(diào)用方一個(gè)中間態(tài)“付款中”。而后調(diào)用銀行接口，當(dāng)獲得支付結(jié)果后再調(diào)用上游系統(tǒng)的回調(diào)接口返回付款的最終結(jié)果“成果”or“失敗”。這樣就可以異步執(zhí)行付款過程，提升付款接口效率。當(dāng)然，為了防止多業(yè)務(wù)方接入的時(shí)候回調(diào)接口不統(tǒng)一，可以把結(jié)果拋進(jìn)kafka，讓調(diào)用方監(jiān)聽自己的結(jié)果。
文章轉(zhuǎn)自微信公眾號(hào)@IT哈哈