聊聊接口性能優(yōu)化的11個小技巧

黃爸爸好 2022-07-13 發(fā)布于上海

展開全文

前言

接口性能優(yōu)化對于從事后端開發(fā)的同學(xué)來說，肯定再熟悉不過了，因為它是一個跟開發(fā)語言無關(guān)的公共問題。

該問題說簡單也簡單，說復(fù)雜也復(fù)雜。

有時候，只需加個索引就能解決問題。

有時候，需要做代碼重構(gòu)。

有時候，需要增加緩存。

有時候，需要引入一些中間件，比如mq。

有時候，需要需要分庫分表。

有時候，需要拆分服務(wù)。

等等。。。

導(dǎo)致接口性能問題的原因千奇百怪，不同的項目不同的接口，原因可能也不一樣。

本文我總結(jié)了一些行之有效的，優(yōu)化接口性能的辦法，給有需要的朋友一個參考。

1.索引

接口性能優(yōu)化大家第一個想到的可能是：優(yōu)化索引。

沒錯，優(yōu)化索引的成本是最小的。

你通過查看線上日志或者監(jiān)控報告，查到某個接口用到的某條sql語句耗時比較長。

這時你可能會有下面這些疑問：

該sql語句加索引了沒？
加的索引生效了沒？
mysql選錯索引了沒？

1.1 沒加索引

sql語句中where條件的關(guān)鍵字段，或者order by后面的排序字段，忘了加索引，這個問題在項目中很常見。

項目剛開始的時候，由于表中的數(shù)據(jù)量小，加不加索引sql查詢性能差別不大。

后來，隨著業(yè)務(wù)的發(fā)展，表中數(shù)據(jù)量越來越多，就不得不加索引了。

可以通過命令：

show index from `order`;

能單獨查看某張表的索引情況。

也可以通過命令：

show create table `order`;

查看整張表的建表語句，里面同樣會顯示索引情況。

通過ALTER TABLE命令可以添加索引：

ALTER TABLE `order` ADD INDEX idx_name (name);

也可以通過CREATE INDEX命令添加索引：

CREATE INDEX idx_name ON `order` (name);

不過這里有一個需要注意的地方是：想通過命令修改索引，是不行的。

目前在mysql中如果想要修改索引，只能先刪除索引，再重新添加新的。

刪除索引可以用DROP INDEX命令：

ALTER TABLE `order` DROP INDEX idx_name;

用DROP INDEX命令也行：

DROP INDEX idx_name ON `order`;

1.2 索引沒生效

通過上面的命令我們已經(jīng)能夠確認索引是有的，但它生效了沒？此時你內(nèi)心或許會冒出這樣一個疑問。

那么，如何查看索引有沒有生效呢？

答：可以使用explain命令，查看mysql的執(zhí)行計劃，它會顯示索引的使用情況。

例如：

explain select * from `order` where code='002';

結(jié)果：通過這幾列可以判斷索引使用情況，執(zhí)行計劃包含列的含義如下圖所示：如果你想進一步了解explain的詳細用法，可以看看我的另一篇文章《explain | 索引優(yōu)化的這把絕世好劍，你真的會用嗎？》

說實話，sql語句沒有走索引，排除沒有建索引之外，最大的可能性是索引失效了。

下面說說索引失效的常見原因：如果不是上面的這些原因，則需要再進一步排查一下其他原因。

1.3 選錯索引

此外，你有沒有遇到過這樣一種情況：明明是同一條sql，只有入?yún)⒉煌?。有的時候走的索引a，有的時候卻走的索引b？

沒錯，有時候mysql會選錯索引。

必要時可以使用force index來強制查詢sql走某個索引。

至于為什么mysql會選錯索引，后面有專門的文章介紹的，這里先留點懸念。

2. sql優(yōu)化

如果優(yōu)化了索引之后，也沒啥效果。

接下來試著優(yōu)化一下sql語句，因為它的改造成本相對于java代碼來說也要小得多。

下面給大家列舉了sql優(yōu)化的15個小技巧：由于這些技巧在我之前的文章中已經(jīng)詳細介紹過了，在這里我就不深入了。

更詳細的內(nèi)容，可以看我的另一篇文章《聊聊sql優(yōu)化的15個小技巧》，相信看完你會有很多收獲。

3. 遠程調(diào)用

很多時候，我們需要在某個接口中，調(diào)用其他服務(wù)的接口。

比如有這樣的業(yè)務(wù)場景：

在用戶信息查詢接口中需要返回：用戶名稱、性別、等級、頭像、積分、成長值等信息。

而用戶名稱、性別、等級、頭像在用戶服務(wù)中，積分在積分服務(wù)中，成長值在成長值服務(wù)中。為了匯總這些數(shù)據(jù)統(tǒng)一返回，需要另外提供一個對外接口服務(wù)。

于是，用戶信息查詢接口需要調(diào)用用戶查詢接口、積分查詢接口和成長值查詢接口，然后匯總數(shù)據(jù)統(tǒng)一返回。

調(diào)用過程如下圖所示：調(diào)用遠程接口總耗時 530ms = 200ms + 150ms + 180ms

顯然這種串行調(diào)用遠程接口性能是非常不好的，調(diào)用遠程接口總的耗時為所有的遠程接口耗時之和。

那么如何優(yōu)化遠程接口性能呢？

3.1 并行調(diào)用

上面說到，既然串行調(diào)用多個遠程接口性能很差，為什么不改成并行呢？

如下圖所示：調(diào)用遠程接口總耗時 200ms = 200ms（即耗時最長的那次遠程接口調(diào)用）

在java8之前可以通過實現(xiàn)Callable接口，獲取線程返回結(jié)果。

java8以后通過CompleteFuture類實現(xiàn)該功能。我們這里以CompleteFuture為例：

public UserInfo getUserInfo(Long id) throws InterruptedException, ExecutionException {
    final UserInfo userInfo = new UserInfo();
    CompletableFuture userFuture = CompletableFuture.supplyAsync(() -> {
        getRemoteUserAndFill(id, userInfo);
        return Boolean.TRUE;
    }, executor);

    CompletableFuture bonusFuture = CompletableFuture.supplyAsync(() -> {
        getRemoteBonusAndFill(id, userInfo);
        return Boolean.TRUE;
    }, executor);

    CompletableFuture growthFuture = CompletableFuture.supplyAsync(() -> {
        getRemoteGrowthAndFill(id, userInfo);
        return Boolean.TRUE;
    }, executor);
    CompletableFuture.allOf(userFuture, bonusFuture, growthFuture).join();

    userFuture.get();
    bonusFuture.get();
    growthFuture.get();

    return userInfo;
}

溫馨提醒一下，這兩種方式別忘了使用線程池。示例中我用到了executor，表示自定義的線程池，為了防止高并發(fā)場景下，出現(xiàn)線程過多的問題。

3.2 數(shù)據(jù)異構(gòu)

上面說到的用戶信息查詢接口需要調(diào)用用戶查詢接口、積分查詢接口和成長值查詢接口，然后匯總數(shù)據(jù)統(tǒng)一返回。

那么，我們能不能把數(shù)據(jù)冗余一下，把用戶信息、積分和成長值的數(shù)據(jù)統(tǒng)一存儲到一個地方，比如：redis，存的數(shù)據(jù)結(jié)構(gòu)就是用戶信息查詢接口所需要的內(nèi)容。然后通過用戶id，直接從redis中查詢數(shù)據(jù)出來，不就OK了？

如果在高并發(fā)的場景下，為了提升接口性能，遠程接口調(diào)用大概率會被去掉，而改成保存冗余數(shù)據(jù)的數(shù)據(jù)異構(gòu)方案。

但需要注意的是，如果使用了數(shù)據(jù)異構(gòu)方案，就可能會出現(xiàn)數(shù)據(jù)一致性問題。

用戶信息、積分和成長值有更新的話，大部分情況下，會先更新到數(shù)據(jù)庫，然后同步到redis。但這種跨庫的操作，可能會導(dǎo)致兩邊數(shù)據(jù)不一致的情況產(chǎn)生。

4. 重復(fù)調(diào)用

重復(fù)調(diào)用在我們的日常工作代碼中可以說隨處可見，但如果沒有控制好，會非常影響接口的性能。

不信，我們一起看看。

4.1 循環(huán)查數(shù)據(jù)庫

有時候，我們需要從指定的用戶集合中，查詢出有哪些是在數(shù)據(jù)庫中已經(jīng)存在的。

實現(xiàn)代碼可以這樣寫：

public List<User> queryUser(List<User> searchList) {
    if (CollectionUtils.isEmpty(searchList)) {
        return Collections.emptyList();
    }

    List<User> result = Lists.newArrayList();
    searchList.forEach(user -> result.add(userMapper.getUserById(user.getId())));
    return result;
}

這里如果有50個用戶，則需要循環(huán)50次，去查詢數(shù)據(jù)庫。我們都知道，每查詢一次數(shù)據(jù)庫，就是一次遠程調(diào)用。

如果查詢50次數(shù)據(jù)庫，就有50次遠程調(diào)用，這是非常耗時的操作。

那么，我們?nèi)绾蝺?yōu)化呢？

具體代碼如下：

public List<User> queryUser(List<User> searchList) {
    if (CollectionUtils.isEmpty(searchList)) {
        return Collections.emptyList();
    }
    List<Long> ids = searchList.stream().map(User::getId).collect(Collectors.toList());
    return userMapper.getUserByIds(ids);
}

提供一個根據(jù)用戶id集合批量查詢用戶的接口，只遠程調(diào)用一次，就能查詢出所有的數(shù)據(jù)。

這里有個需要注意的地方是：id集合的大小要做限制，最好一次不要請求太多的數(shù)據(jù)。要根據(jù)實際情況而定，建議控制每次請求的記錄條數(shù)在500以內(nèi)。

4.2 死循環(huán)

有些小伙伴看到這個標題，可能會感到有點意外，死循環(huán)也算？

代碼中不是應(yīng)該避免死循環(huán)嗎？為啥還是會產(chǎn)生死循環(huán)？

有時候死循環(huán)是我們自己寫的，例如下面這段代碼：

while(true) {
    if(condition) {
        break;
    }
    System.out.println('do samething');
}

這里使用了while(true)的循環(huán)調(diào)用，這種寫法在CAS自旋鎖中使用比較多。

當滿足condition等于true的時候，則自動退出該循環(huán)。

如果condition條件非常復(fù)雜，一旦出現(xiàn)判斷不正確，或者少寫了一些邏輯判斷，就可能在某些場景下出現(xiàn)死循環(huán)的問題。

出現(xiàn)死循環(huán)，大概率是開發(fā)人員人為的bug導(dǎo)致的，不過這種情況很容易被測出來。

還有一種隱藏的比較深的死循環(huán)，是由于代碼寫的不太嚴謹導(dǎo)致的。如果用正常數(shù)據(jù)，可能測不出問題，但一旦出現(xiàn)異常數(shù)據(jù)，就會立即出現(xiàn)死循環(huán)。

4.3 無限遞歸

如果想要打印某個分類的所有父分類，可以用類似這樣的遞歸方法實現(xiàn)：

public void printCategory(Category category) {
  if(category == null 
      || category.getParentId() == null) {
     return;
  } 
  System.out.println('父分類名稱：'+ category.getName());
  Category parent = categoryMapper.getCategoryById(category.getParentId());
  printCategory(parent);
}

正常情況下，這段代碼是沒有問題的。

但如果某次有人誤操作，把某個分類的parentId指向了它自己，這樣就會出現(xiàn)無限遞歸的情況。導(dǎo)致接口一直不能返回數(shù)據(jù)，最終會發(fā)生堆棧溢出。

建議寫遞歸方法時，設(shè)定一個遞歸的深度，比如：分類最大等級有4級，則深度可以設(shè)置為4。然后在遞歸方法中做判斷，如果深度大于4時，則自動返回，這樣就能避免無限循環(huán)的情況。

5. 異步處理

有時候，我們接口性能優(yōu)化，需要重新梳理一下業(yè)務(wù)邏輯，看看是否有設(shè)計上不太合理的地方。

比如有個用戶請求接口中，需要做業(yè)務(wù)操作，發(fā)站內(nèi)通知，和記錄操作日志。為了實現(xiàn)起來比較方便，通常我們會將這些邏輯放在接口中同步執(zhí)行，勢必會對接口性能造成一定的影響。

接口內(nèi)部流程圖如下：這個接口表面上看起來沒有問題，但如果你仔細梳理一下業(yè)務(wù)邏輯，會發(fā)現(xiàn)只有業(yè)務(wù)操作才是核心邏輯，其他的功能都是非核心邏輯。

在這里有個原則就是：核心邏輯可以同步執(zhí)行，同步寫庫。非核心邏輯，可以異步執(zhí)行，異步寫庫。

上面這個例子中，發(fā)站內(nèi)通知和用戶操作日志功能，對實時性要求不高，即使晚點寫庫，用戶無非是晚點收到站內(nèi)通知，或者運營晚點看到用戶操作日志，對業(yè)務(wù)影響不大，所以完全可以異步處理。

通常異步主要有兩種：多線程 和 mq。

5.1 線程池

使用線程池改造之后，接口邏輯如下：發(fā)站內(nèi)通知和用戶操作日志功能，被提交到了兩個單獨的線程池中。

這樣接口中重點關(guān)注的是業(yè)務(wù)操作，把其他的邏輯交給線程異步執(zhí)行，這樣改造之后，讓接口性能瞬間提升了。

但使用線程池有個小問題就是：如果服務(wù)器重啟了，或者是需要被執(zhí)行的功能出現(xiàn)異常了，無法重試，會丟數(shù)據(jù)。

那么這個問題該怎么辦呢？

5.2 mq

使用mq改造之后，接口邏輯如下：對于發(fā)站內(nèi)通知和用戶操作日志功能，在接口中并沒真正實現(xiàn)，它只發(fā)送了mq消息到mq服務(wù)器。然后由mq消費者消費消息時，才真正的執(zhí)行這兩個功能。

這樣改造之后，接口性能同樣提升了，因為發(fā)送mq消息速度是很快的，我們只需關(guān)注業(yè)務(wù)操作的代碼即可。

6. 避免大事務(wù)

很多小伙伴在使用spring框架開發(fā)項目時，為了方便，喜歡使用@Transactional注解提供事務(wù)功能。

沒錯，使用@Transactional注解這種聲明式事務(wù)的方式提供事務(wù)功能，確實能少寫很多代碼，提升開發(fā)效率。

但也容易造成大事務(wù)，引發(fā)其他的問題。

下面用一張圖看看大事務(wù)引發(fā)的問題。從圖中能夠看出，大事務(wù)問題可能會造成接口超時，對接口的性能有直接的影響。

我們該如何優(yōu)化大事務(wù)呢？

少用@Transactional注解
將查詢(select)方法放到事務(wù)外
事務(wù)中避免遠程調(diào)用
事務(wù)中避免一次性處理太多數(shù)據(jù)
有些功能可以非事務(wù)執(zhí)行
有些功能可以異步處理

關(guān)于大事務(wù)問題我的另一篇文章《讓人頭痛的大事務(wù)問題到底要如何解決？》，它里面做了非常詳細的介紹，如果大家感興趣可以看看。

7. 鎖粒度

在某些業(yè)務(wù)場景中，為了防止多個線程并發(fā)修改某個共享數(shù)據(jù)，造成數(shù)據(jù)異常。

為了解決并發(fā)場景下，多個線程同時修改數(shù)據(jù)，造成數(shù)據(jù)不一致的情況。通常情況下，我們會：加鎖。

但如果鎖加得不好，導(dǎo)致鎖的粒度太粗，也會非常影響接口性能。

7.1 synchronized

在java中提供了synchronized關(guān)鍵字給我們的代碼加鎖。

通常有兩種寫法：在方法上加鎖 和 在代碼塊上加鎖。

先看看如何在方法上加鎖：

public synchronized doSave(String fileUrl) {
    mkdir();
    uploadFile(fileUrl);
    sendMessage(fileUrl);
}

這里加鎖的目的是為了防止并發(fā)的情況下，創(chuàng)建了相同的目錄，第二次會創(chuàng)建失敗，影響業(yè)務(wù)功能。

但這種直接在方法上加鎖，鎖的粒度有點粗。因為doSave方法中的上傳文件和發(fā)消息方法，是不需要加鎖的。只有創(chuàng)建目錄方法，才需要加鎖。

我們都知道文件上傳操作是非常耗時的，如果將整個方法加鎖，那么需要等到整個方法執(zhí)行完之后才能釋放鎖。顯然，這會導(dǎo)致該方法的性能很差，變得得不償失。

這時，我們可以改成在代碼塊上加鎖了，具體代碼如下：

public void doSave(String path,String fileUrl) {
    synchronized(this) {
      if(!exists(path)) {
          mkdir(path);
       }
    }
    uploadFile(fileUrl);
    sendMessage(fileUrl);
}

這樣改造之后，鎖的粒度一下子變小了，只有并發(fā)創(chuàng)建目錄功能才加了鎖。而創(chuàng)建目錄是一個非?？斓牟僮?，即使加鎖對接口的性能影響也不大。

最重要的是，其他的上傳文件和發(fā)送消息功能，任然可以并發(fā)執(zhí)行。

當然，這種做在單機版的服務(wù)中，是沒有問題的。但現(xiàn)在部署的生產(chǎn)環(huán)境，為了保證服務(wù)的穩(wěn)定性，一般情況下，同一個服務(wù)會被部署在多個節(jié)點中。如果哪天掛了一個節(jié)點，其他的節(jié)點服務(wù)任然可用。

多節(jié)點部署避免了因為某個節(jié)點掛了，導(dǎo)致服務(wù)不可用的情況。同時也能分攤整個系統(tǒng)的流量，避免系統(tǒng)壓力過大。

同時它也帶來了新的問題：synchronized只能保證一個節(jié)點加鎖是有效的，但如果有多個節(jié)點如何加鎖呢?

答：這就需要使用：分布式鎖了。目前主流的分布式鎖包括：redis分布式鎖、zookeeper分布式鎖和數(shù)據(jù)庫分布式鎖。

由于zookeeper分布式鎖的性能不太好，真實業(yè)務(wù)場景用的不多，這里先不講。

下面聊一下redis分布式鎖。

7.2 redis分布式鎖

在分布式系統(tǒng)中，由于redis分布式鎖相對于更簡單和高效，成為了分布式鎖的首先，被我們用到了很多實際業(yè)務(wù)場景當中。

使用redis分布式鎖的偽代碼如下：

public void doSave(String path,String fileUrl) {
  try {
    String result = jedis.set(lockKey, requestId, 'NX', 'PX', expireTime);
    if ('OK'.equals(result)) {
      if(!exists(path)) {
         mkdir(path);
         uploadFile(fileUrl);
         sendMessage(fileUrl);
      }
      return true;
    }
  } finally{
      unlock(lockKey,requestId);
  }  
  return false;
}

跟之前使用synchronized關(guān)鍵字加鎖時一樣，這里鎖的范圍也太大了，換句話說就是鎖的粒度太粗，這樣會導(dǎo)致整個方法的執(zhí)行效率很低。

其實只有創(chuàng)建目錄的時候，才需要加分布式鎖，其余代碼根本不用加鎖。

于是，我們需要優(yōu)化一下代碼：

public void doSave(String path,String fileUrl) {
   if(this.tryLock()) {
      mkdir(path);
   }
   uploadFile(fileUrl);
   sendMessage(fileUrl);
}

private boolean tryLock() {
    try {
    String result = jedis.set(lockKey, requestId, 'NX', 'PX', expireTime);
    if ('OK'.equals(result)) {
      return true;
    }
  } finally{
      unlock(lockKey,requestId);
  }  
  return false;
}

上面代碼將加鎖的范圍縮小了，只有創(chuàng)建目錄時才加了鎖。這樣看似簡單的優(yōu)化之后，接口性能能提升很多。說不定，會有意外的驚喜喔。哈哈哈。

redis分布式鎖雖說好用，但它在使用時，有很多注意的細節(jié)，隱藏了很多坑，如果稍不注意很容易踩中。詳細內(nèi)容可以看看我的另一篇文章《聊聊redis分布式鎖的8大坑》

7.3 數(shù)據(jù)庫分布式鎖

mysql數(shù)據(jù)庫中主要有三種鎖：

表鎖：加鎖快，不會出現(xiàn)死鎖。但鎖定粒度大，發(fā)生鎖沖突的概率最高，并發(fā)度最低。
行鎖：加鎖慢，會出現(xiàn)死鎖。但鎖定粒度最小，發(fā)生鎖沖突的概率最低，并發(fā)度也最高。
間隙鎖：開銷和加鎖時間界于表鎖和行鎖之間。它會出現(xiàn)死鎖，鎖定粒度界于表鎖和行鎖之間，并發(fā)度一般。

并發(fā)度越高，意味著接口性能越好。

所以數(shù)據(jù)庫鎖的優(yōu)化方向是：

優(yōu)先使用行鎖，其次使用間隙鎖，再其次使用表鎖。

趕緊看看，你用對了沒？

8.分頁處理

有時候我會調(diào)用某個接口批量查詢數(shù)據(jù)，比如：通過用戶id批量查詢出用戶信息，然后給這些用戶送積分。

但如果你一次性查詢的用戶數(shù)量太多了，比如一次查詢2000個用戶的數(shù)據(jù)。參數(shù)中傳入了2000個用戶的id，遠程調(diào)用接口，會發(fā)現(xiàn)該用戶查詢接口經(jīng)常超時。

調(diào)用代碼如下：

List<User> users = remoteCallUser(ids);

眾所周知，調(diào)用接口從數(shù)據(jù)庫獲取數(shù)據(jù)，是需要經(jīng)過網(wǎng)絡(luò)傳輸?shù)?。如果?shù)據(jù)量太大，無論是獲取數(shù)據(jù)的速度，還是網(wǎng)絡(luò)傳輸受限于帶寬，都會導(dǎo)致耗時時間比較長。

那么，這種情況要如何優(yōu)化呢？

答：分頁處理。

將一次獲取所有的數(shù)據(jù)的請求，改成分多次獲取，每次只獲取一部分用戶的數(shù)據(jù)，最后進行合并和匯總。

其實，處理這個問題，要分為兩種場景：同步調(diào)用 和 異步調(diào)用。

8.1 同步調(diào)用

如果在job中需要獲取2000個用戶的信息，它要求只要能正確獲取到數(shù)據(jù)就好，對獲取數(shù)據(jù)的總耗時要求不太高。

但對每一次遠程接口調(diào)用的耗時有要求，不能大于500ms，不然會有郵件預(yù)警。

這時，我們可以同步分頁調(diào)用批量查詢用戶信息接口。

具體示例代碼如下：

List<List<Long>> allIds = Lists.partition(ids,200);

for(List<Long> batchIds:allIds) {
   List<User> users = remoteCallUser(batchIds);
}

代碼中我用的google的guava工具中的Lists.partition方法，用它來做分頁簡直太好用了，不然要巴拉巴拉寫一大堆分頁的代碼。

8.2 異步調(diào)用

如果是在某個接口中需要獲取2000個用戶的信息，它考慮的就需要更多一些。

除了需要考慮遠程調(diào)用接口的耗時之外，還需要考慮該接口本身的總耗時，也不能超時500ms。

這時候用上面的同步分頁請求遠程接口，肯定是行不通的。

那么，只能使用異步調(diào)用了。

代碼如下：

List<List<Long>> allIds = Lists.partition(ids,200);

final List<User> result = Lists.newArrayList();
allIds.stream().forEach((batchIds) -> {
   CompletableFuture.supplyAsync(() -> {
        result.addAll(remoteCallUser(batchIds));
        return Boolean.TRUE;
    }, executor);
})

使用CompletableFuture類，多個線程異步調(diào)用遠程接口，最后匯總結(jié)果統(tǒng)一返回。

9.加緩存

解決接口性能問題，加緩存是一個非常高效的方法。

但不能為了緩存而緩存，還是要看具體的業(yè)務(wù)場景。畢竟加了緩存，會導(dǎo)致接口的復(fù)雜度增加，它會帶來數(shù)據(jù)不一致問題。

在有些并發(fā)量比較低的場景中，比如用戶下單，可以不用加緩存。

還有些場景，比如在商城首頁顯示商品分類的地方，假設(shè)這里的分類是調(diào)用接口獲取到的數(shù)據(jù)，但頁面暫時沒有做靜態(tài)化。

如果查詢分類樹的接口沒有使用緩存，而直接從數(shù)據(jù)庫查詢數(shù)據(jù)，性能會非常差。

那么如何使用緩存呢？

9.1 redis緩存

通常情況下，我們使用最多的緩存可能是：redis和memcached。

但對于java應(yīng)用來說，絕大多數(shù)都是使用的redis，所以接下來我們以redis為例。

由于在關(guān)系型數(shù)據(jù)庫，比如：mysql中，菜單是有上下級關(guān)系的。某個四級分類是某個三級分類的子分類，這個三級分類，又是某個二級分類的子分類，而這個二級分類，又是某個一級分類的子分類。

這種存儲結(jié)構(gòu)決定了，想一次性查出這個分類樹，并非是一件非常容易的事情。這就需要使用程序遞歸查詢了，如果分類多的話，這個遞歸是比較耗時的。

所以，如果每次都直接從數(shù)據(jù)庫中查詢分類樹的數(shù)據(jù)，是一個非常耗時的操作。

這時我們可以使用緩存，大部分情況，接口都直接從緩存中獲取數(shù)據(jù)。操作redis可以使用成熟的框架，比如：jedis和redisson等。

用jedis偽代碼如下：

String json = jedis.get(key);
if(StringUtils.isNotEmpty(json)) {
   CategoryTree categoryTree = JsonUtil.toObject(json);
   return categoryTree;
}
return queryCategoryTreeFromDb();

先從redis中根據(jù)某個key查詢是否有菜單數(shù)據(jù)，如果有則轉(zhuǎn)換成對象，直接返回。如果redis中沒有查到菜單數(shù)據(jù)，則再從數(shù)據(jù)庫中查詢菜單數(shù)據(jù)，有則返回。

此外，我們還需要有個job每隔一段時間，從數(shù)據(jù)庫中查詢菜單數(shù)據(jù)，更新到redis當中，這樣以后每次都能直接從redis中獲取菜單的數(shù)據(jù)，而無需訪問數(shù)據(jù)庫了。這樣改造之后，能快速的提升性能。

但這樣做性能提升不是最佳的，還有其他的方案，我們一起看看下面的內(nèi)容。

9.2 二級緩存

上面的方案是基于redis緩存的，雖說redis訪問速度很快。但畢竟是一個遠程調(diào)用，而且菜單樹的數(shù)據(jù)很多，在網(wǎng)絡(luò)傳輸?shù)倪^程中，是有些耗時的。

有沒有辦法，不經(jīng)過請求遠程，就能直接獲取到數(shù)據(jù)呢？

答：使用二級緩存，即基于內(nèi)存的緩存。

除了自己手寫的內(nèi)存緩存之后，目前使用比較多的內(nèi)存緩存框架有：guava、Ehcache、caffine等。

我們在這里以caffeine為例，它是spring官方推薦的。

第一步，引入caffeine的相關(guān)jar包

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-cache</artifactId>
</dependency>
<dependency>
    <groupId>com.github.ben-manes.caffeine</groupId>
    <artifactId>caffeine</artifactId>
    <version>2.6.0</version>
</dependency>

第二步，配置CacheManager，開啟EnableCaching

@Configuration
@EnableCaching
public class CacheConfig {
    @Bean
    public CacheManager cacheManager(){
        CaffeineCacheManager cacheManager = new CaffeineCacheManager();
        //Caffeine配置
        Caffeine<Object, Object> caffeine = Caffeine.newBuilder()
                //最后一次寫入后經(jīng)過固定時間過期
                .expireAfterWrite(10, TimeUnit.SECONDS)
                //緩存的最大條數(shù)
                .maximumSize(1000);
        cacheManager.setCaffeine(caffeine);
        return cacheManager;
    }
}

第三步，使用Cacheable注解獲取數(shù)據(jù)

@Service
public class CategoryService {
   
   @Cacheable(value = 'category', key = '#categoryKey')
   public CategoryModel getCategory(String categoryKey) {
      String json = jedis.get(categoryKey);
      if(StringUtils.isNotEmpty(json)) {
         CategoryTree categoryTree = JsonUtil.toObject(json);
         return categoryTree;
      }
      return queryCategoryTreeFromDb();
   }
}

調(diào)用categoryService.getCategory()方法時，先從caffine緩存中獲取數(shù)據(jù)，如果能夠獲取到數(shù)據(jù)，則直接返回該數(shù)據(jù)，不進入方法體。

如果不能獲取到數(shù)據(jù)，則再從redis中查一次數(shù)據(jù)。如果查詢到了，則返回數(shù)據(jù)，并且放入caffine中。

如果還是沒有查到數(shù)據(jù)，則直接從數(shù)據(jù)庫中獲取到數(shù)據(jù)，然后放到caffine緩存中。

具體流程圖如下：該方案的性能更好，但有個缺點就是，如果數(shù)據(jù)更新了，不能及時刷新緩存。此外，如果有多臺服務(wù)器節(jié)點，可能存在各個節(jié)點上數(shù)據(jù)不一樣的情況。

由此可見，二級緩存給我們帶來性能提升的同時，也帶來了數(shù)據(jù)不一致的問題。使用二級緩存一定要結(jié)合實際的業(yè)務(wù)場景，并非所有的業(yè)務(wù)場景都適用。

但上面我列舉的分類場景，是適合使用二級緩存的。因為它屬于用戶不敏感數(shù)據(jù)，即使出現(xiàn)了稍微有點數(shù)據(jù)不一致也沒有關(guān)系，用戶有可能都沒有察覺出來。

10. 分庫分表

有時候，接口性能受限的不是別的，而是數(shù)據(jù)庫。

當系統(tǒng)發(fā)展到一定的階段，用戶并發(fā)量大，會有大量的數(shù)據(jù)庫請求，需要占用大量的數(shù)據(jù)庫連接，同時會帶來磁盤IO的性能瓶頸問題。

此外，隨著用戶數(shù)量越來越多，產(chǎn)生的數(shù)據(jù)也越來越多，一張表有可能存不下。由于數(shù)據(jù)量太大，sql語句查詢數(shù)據(jù)時，即使走了索引也會非常耗時。

這時該怎么辦呢？

答：需要做分庫分表。

如下圖所示：圖中將用戶庫拆分成了三個庫，每個庫都包含了四張用戶表。

如果有用戶請求過來的時候，先根據(jù)用戶id路由到其中一個用戶庫，然后再定位到某張表。

路由的算法挺多的：

根據(jù)id取模，比如：id=7，有4張表，則7%4=3，模為3，路由到用戶表3。
給id指定一個區(qū)間范圍，比如：id的值是0-10萬，則數(shù)據(jù)存在用戶表0，id的值是10-20萬，則數(shù)據(jù)存在用戶表1。
一致性hash算法

分庫分表主要有兩個方向：垂直和水平。

說實話垂直方向（即業(yè)務(wù)方向）更簡單。

在水平方向（即數(shù)據(jù)方向）上，分庫和分表的作用，其實是有區(qū)別的，不能混為一談。

分庫：是為了解決數(shù)據(jù)庫連接資源不足問題，和磁盤IO的性能瓶頸問題。
分表：是為了解決單表數(shù)據(jù)量太大，sql語句查詢數(shù)據(jù)時，即使走了索引也非常耗時問題。此外還可以解決消耗cpu資源問題。
分庫分表：可以解決數(shù)據(jù)庫連接資源不足、磁盤IO的性能瓶頸、檢索數(shù)據(jù)耗時和消耗cpu資源等問題。

如果在有些業(yè)務(wù)場景中，用戶并發(fā)量很大，但是需要保存的數(shù)據(jù)量很少，這時可以只分庫，不分表。

如果在有些業(yè)務(wù)場景中，用戶并發(fā)量不大，但是需要保存的數(shù)量很多，這時可以只分表，不分庫。

如果在有些業(yè)務(wù)場景中，用戶并發(fā)量大，并且需要保存的數(shù)量也很多時，可以分庫分表。

關(guān)于分庫分表更詳細的內(nèi)容，可以看看我另一篇文章，里面講的更深入《阿里二面：為什么分庫分表？》

11. 輔助功能

優(yōu)化接口性能問題，除了上面提到的這些常用方法之外，還需要配合使用一些輔助功能，因為它們真的可以幫我們提升查找問題的效率。

11.1 開啟慢查詢?nèi)罩?/span>

通常情況下，為了定位sql的性能瓶頸，我們需要開啟mysql的慢查詢?nèi)罩?。把超過指定時間的sql語句，單獨記錄下來，方面以后分析和定位問題。

開啟慢查詢?nèi)罩拘枰攸c關(guān)注三個參數(shù)：

slow_query_log 慢查詢開關(guān)
slow_query_log_file 慢查詢?nèi)罩敬娣诺穆窂?/section>
long_query_time 超過多少秒才會記錄日志

通過mysql的set命令可以設(shè)置：

set global slow_query_log='ON'; 
set global slow_query_log_file='/usr/local/mysql/data/slow.log';
set global long_query_time=2;

設(shè)置完之后，如果某條sql的執(zhí)行時間超過了2秒，會被自動記錄到slow.log文件中。

當然也可以直接修改配置文件my.cnf

[mysqld]
slow_query_log = ON
slow_query_log_file = /usr/local/mysql/data/slow.log
long_query_time = 2

但這種方式需要重啟mysql服務(wù)。

很多公司每天早上都會發(fā)一封慢查詢?nèi)罩镜泥]件，開發(fā)人員根據(jù)這些信息優(yōu)化sql。

11.2 加監(jiān)控

為了出現(xiàn)sql問題時，能夠讓我們及時發(fā)現(xiàn)，我們需要對系統(tǒng)做監(jiān)控。

目前業(yè)界使用比較多的開源監(jiān)控系統(tǒng)是：Prometheus。

它提供了 監(jiān)控 和 預(yù)警 的功能。

架構(gòu)圖如下：

我們可以用它監(jiān)控如下信息：

接口響應(yīng)時間
調(diào)用第三方服務(wù)耗時
慢查詢sql耗時
cpu使用情況
內(nèi)存使用情況
磁盤使用情況
數(shù)據(jù)庫使用情況

等等。。。

它的界面大概長這樣子：可以看到mysql當前qps，活躍線程數(shù)，連接數(shù)，緩存池的大小等信息。

如果發(fā)現(xiàn)數(shù)據(jù)量連接池占用太多，對接口的性能肯定會有影響。

這時可能是代碼中開啟了連接忘了關(guān)，或者并發(fā)量太大了導(dǎo)致的，需要做進一步排查和系統(tǒng)優(yōu)化。

截圖中只是它一小部分功能，如果你想了解更多功能，可以訪問Prometheus的官網(wǎng)：https:///

11.3 鏈路跟蹤

有時候某個接口涉及的邏輯很多，比如：查數(shù)據(jù)庫、查redis、遠程調(diào)用接口，發(fā)mq消息，執(zhí)行業(yè)務(wù)代碼等等。

該接口一次請求的鏈路很長，如果逐一排查，需要花費大量的時間，這時候，我們已經(jīng)沒法用傳統(tǒng)的辦法定位問題了。

有沒有辦法解決這問題呢？

用分布式鏈路跟蹤系統(tǒng)：skywalking。

架構(gòu)圖如下：通過skywalking定位性能問題：在skywalking中可以通過traceId（全局唯一的id），串聯(lián)一個接口請求的完整鏈路?？梢钥吹秸麄€接口的耗時，調(diào)用的遠程服務(wù)的耗時，訪問數(shù)據(jù)庫或者redis的耗時等等，功能非常強大。

之前沒有這個功能的時候，為了定位線上接口性能問題，我們還需要在代碼中加日志，手動打印出鏈路中各個環(huán)節(jié)的耗時情況，然后再逐一排查。

如果你用過skywalking排查接口性能問題，不自覺的會愛上它的。如果你想了解更多功能，可以訪問skywalking的官網(wǎng)：https://skywalking./

良許花了一個半月的時間研發(fā)了一門 Linux 命令課程，歡迎購買學(xué)習(xí)！

課程特色：