一种简单的ID生成策略: Mysql表生成全局唯一ID的实现

生成全局id的方法很多, 这里记录下一种简单的方案: 利用mysql的自增id生成全局唯一id.

1. 创建一张只需要两个字段的表:

create table `guid` (
 `id` bigint(20) unsigned not null auto_increment,
 `stub` char(1) not null default '' comment '桩字段,占坑的',
 primary key (`id`),
 unique key `uk_stub` (`stub`) -- 将 stub 设为唯一索引
) engine=myisam auto_increment=1000000000 default charset=utf8;

指定自增起始: alter table guid auto_increment=1000000000, 这样可以保证id为10位(涨到11位几乎不可能吧).

2. 定义 mybatis mapper:

@mapper
public interface guidmapper {


 /**获取全局唯一id
  * @return
  */
 // replace into afs_guid(stub) values('a');
 // select last_insert_id();
 @insert("replace into guid (stub) values('a')")
 @selectkey(statement = {"select last_insert_id()"}, keyproperty = "guidholder.id", before = false, resulttype = long.class)
 int getguid( @param("guidholder") guidholder guidholder);

 @data
 public static class guidholder{
  private long id;
  private string stub;
 }

3. 测试

 guidmapper.guidholder guidholder = new guidmapper.guidholder();
 int i = guidmapper.getguid(guidholder);
 long     guid   = guidholder.getid();
 // guid 就是返回的id

尾巴

并发安全问题

replace into 类似于 insert 是安全的. 不只是它会先判断主键或唯一键是否重复, 重复, 则删除原有的, 新增一条, 替换原来的.

select last_insert_id() 是和mysql连接绑定的, 当前连接上, 操作触发了auto_increment值改变, 得到新的数值, 这个数值, 只会被当前连接可见. 其他连接也只会拿到它改变auto_increment后的值.

以上两点保证了 并发安全 .

另外, 即使手动将id的值改小了, 下次 replace into 后依然会从上次自增的基础上继续自增. 因为手动修改id的值, 不会改变auto_increment的值.

补充知识：集群高并发情况下如何保证分布式唯一全局id生成

前言

系统唯一id是我们在设计一个系统的时候常常会遇见的问题，也常常为这个问题而纠结。

这篇文章就是给各位看官提供一个生成分布式唯一全局id生成方案的思路，希望能帮助到大家。

不足之处，请多多指教！！

问题

为什么需要分布式全局唯一id以及分布式id的业务需求

在复杂分布式系统中，往往需要对大量的数据和消息进行唯一标识，如在美团点评的金融、支付、餐饮、酒店

猫眼电影等产品的系统中数据逐渐增长，对数据库分库分表后需要有一个唯一id来标识一条数据或信息；

特别ian的订单、骑手、优惠券都需要有唯一id做标识

此时一个能够生成全局唯一id的系统是非常必要的

id生成规则部分硬性要求

全局唯一

趋势递增

在mysql的innodb引擎中使用的是聚集索引，由于多数rdbms使用btree的数据结构来存储索引，在主键的选择上面我们应该尽量使用有序的主键保证写入性能

单调递增

保证下一个id一定大于上一个id，例如事务版本号、im增量消息、排序等特殊需求

信息安全

如果id是连续，恶意用户的爬取工作就非常容易做了，直接按照顺序下载指定url即可，如果是订单号就危险了，竞争对手可以直接知道我们一天的单量，所以在一些应用场景下，需要id无规则不规则，让竞争对手不好猜

含时间戳

一样能够快速在开发中了解这个分布式id什么时候生成的

id号生成系统的可用性要求

高可用

发布一个获取分布式id请求，服务器就要保证99.999%的情况下给我创建一个唯一分布式id

低延迟

发一个获取分布式id的请求，服务器就要快，极速

高qps

例如并发一口气10万个创建分布式id请求同时杀过来，服务器要顶得住且一下子成功创建10万个分布式id

一般通用解决方案

uuid

uuid.randomuuid() , uuid的标准型包含32个16进制数字，以连字号分为五段，形式为 8-4-4-4-12的36个字符，性能非常高，本地生成，没有网络消耗。

存在问题

入数据库性能差，因为uuid是无序的

无序，无法预测他的生成顺序，不能生成递增有序的数字

首先分布式id一般都会作为逐渐，但是按照mysql官方推荐主键尽量越短越好，uuid每一个都很长，所以不是很推荐。

主键，id作为主键时，在特定的环境下会存在一些问题

比如做db主键的场景下，uuid就非常不适用mysql官方有明确的说明

索引，b+树索引的分裂

既然分布式id是主键，然后主键是包含索引的，而mysql的索引是通过b+树来实现的，每一次新的uuid数据的插入，为了查询的优化，都会对索引底层的b+树进行修改，因为uuid数据是无序的，所以每一次uuid数据的插入都会对主键的b+树进行很大的修改，这一点很不好，插入完全无序，不但会导致一些中间节点产生分裂，也会白白创造出很多不饱和的节点，这样大大降低了数据库插入的性能。

uuid只能保证全局唯一性，不满足后面的趋势递增，单调递增

数据库自增主键

单机

在分布式里面，数据库的自增id机制的主要原理是：数据库自增id和mysql数据库的replace into实现的，这里的replace into跟insert功能 类似，不同点在于：replace into首先尝试插入数据列表中，如果发现表中已经有此行数据（根据主键或唯一索引判断）则先删除，在插入，否则直接插入新数据。

replace into的含义是插入一条记录，如果表中唯一索引的值遇到冲突，则替换老数据

replace into t_test(stub) values('b');

select last_insert_id();

我们每次插入的时候，发现都会把原来的数据给替换，并且id也会增加

这就满足了

递增性

单调性

唯一性

在分布式情况下，并且并发量不多的情况，可以使用这种方案来解决，获得一个全局的唯一id

集群分布式集群

那数据库自增id机制适合做分布式id吗？答案是不太适合

系统水平扩展比较困难，比如定义好步长和机器台数之后，如果要添加机器该怎么办，假设现在有一台机器发号是：1,2,3,4,5,（步长是1），这个时候需要扩容机器一台，可以这样做：把第二胎机器的初始值设置得比第一台超过很多，貌似还好，但是假设线上如果有100台机器，这个时候扩容要怎么做，简直是噩梦，所以系统水平扩展方案复杂难以实现。

数据库压力还是很大，每次获取id都得读写一次数据库，非常影响性能，不符合分布式id里面的延迟低和高qps的规则（在高并发下，如果都去数据库里面获取id，那是非常影响性能的）

基于redis生成全局id策略

单机版

因为redis是单线程，天生保证原子性，可以使用原子操作incr和incrby来实现

incrby：设置增长步长

集群分布式

注意：在redis集群情况下，同样和mysql一样需要设置不同的增长步长，同时key一定要设置有效期，可以使用redis集群来获取更高的吞吐量。

假设一个集群中有5台redis，可以初始化每台redis的值分别是 1,2,3,4,5 ， 然后设置步长都是5

各个redis生成的id为：

a：1 6 11 16 21

b：2 7 12 17 22

c：3 8 13 18 23

d：4 9 14 19 24

e：5 10 15 20 25

但是存在的问题是，就是redis集群的维护和保养比较麻烦，配置麻烦。因为要设置单点故障，哨兵值守

但是主要是的问题就是，为了一个id，却需要引入整个redis集群，有种杀鸡焉用牛刀的感觉

雪花算法

是什么

twitter的分布式自增id算法，snowflake

最初twitter把存储系统从mysql迁移到cassandra（由facebook开发一套开源分布式nosql数据库系统）因为cassandra没有顺序id生成机制，所有开发了这样一套全局唯一id生成服务。

twitter的分布式雪花算法snowflake，经测试snowflake每秒可以产生26万个自增可排序的id

twitter的snowflake生成id能够按照时间有序生成

snowflake算法生成id的结果是一个64bit大小的整数，为一个long型（转换成字符串后长度最多19）

分布式系统内不会产生id碰撞（由datacenter 和 workerid做区分）并且效率较高

分布式系统中，有一些需要全局唯一id的场景，生成id的基本要求

在分布式环境下，必须全局唯一性

一般都需要单调递增，因为一般唯一id都会存在数据库，而innodb的特性就是将内容存储在主键索引上的叶子节点，而且是从左往右递增的，所有考虑到数据库性能，一般生成id也最好是单调递增的。为了防止id冲突可以使用36位uuid，但是uuid有一些缺点，首先是它相对比较长，并且另外uuid一般是无序的

可能还会需要无规则，因为如果使用唯一id作为订单号这种，为了不让别人知道一天的订单量多少，就需要这种规则

结构

雪花算法的几个核心组成部分

在java中64bit的证书是long类型，所以在snowflake算法生成的id就是long类存储的

第一部分

二进制中最高位是符号位，1表示负数，0表示正数。生成的id一般都是用整数，所以最高位固定为0。

第二部分

第二部分是41bit时间戳位，用来记录时间戳，毫秒级

41位可以表示 2^41 -1 个数字

如果只用来表示正整数，可以表示的范围是： 0 - 2^41 -1，减1是因为可以表示的数值范围是从0开始计算的，而不是从1。

也就是说41位可以表示 2^41 - 1 毫秒的值，转换成单位年则是 69.73年

第三部分

第三部分为工作机器id，10bit用来记录工作机器id

可以部署在2^10 = 1024个节点，包括5位 datacenterid（数据中心，机房） 和 5位 workerid（机器码）

5位可以表示的最大正整数是 2 ^ 5 = 31个数字，来表示不同的数据中心 和 机器码

第四部分

12位bit可以用来表示的正整数是 2^12 = 4095，即可以用0 1 2 … 4094 来表示同一个机器同一个时间戳内产生的4095个id序号。

snowflake可以保证

所有生成的id按时间趋势递增

整个分布式系统内不会产生重复id，因为有datacenterid 和 workerid来做区分

实现

雪花算法是由scala算法编写的，有人使用java实现，github地址

/**
 * twitter的snowflake算法 -- java实现
 * 
 * @author beyond
 * @date 2016/11/26
 */
public class snowflake {

 /**
  * 起始的时间戳
  */
 private final static long start_stmp = 1480166465631l;

 /**
  * 每一部分占用的位数
  */
 private final static long sequence_bit = 12; //序列号占用的位数
 private final static long machine_bit = 5; //机器标识占用的位数
 private final static long datacenter_bit = 5;//数据中心占用的位数

 /**
  * 每一部分的最大值
  */
 private final static long max_datacenter_num = -1l ^ (-1l << datacenter_bit);
 private final static long max_machine_num = -1l ^ (-1l << machine_bit);
 private final static long max_sequence = -1l ^ (-1l << sequence_bit);

 /**
  * 每一部分向左的位移
  */
 private final static long machine_left = sequence_bit;
 private final static long datacenter_left = sequence_bit + machine_bit;
 private final static long timestmp_left = datacenter_left + datacenter_bit;

 private long datacenterid; //数据中心
 private long machineid;  //机器标识
 private long sequence = 0l; //序列号
 private long laststmp = -1l;//上一次时间戳

 public snowflake(long datacenterid, long machineid) {
  if (datacenterid > max_datacenter_num || datacenterid < 0) {
   throw new illegalargumentexception("datacenterid can't be greater than max_datacenter_num or less than 0");
  }
  if (machineid > max_machine_num || machineid < 0) {
   throw new illegalargumentexception("machineid can't be greater than max_machine_num or less than 0");
  }
  this.datacenterid = datacenterid;
  this.machineid = machineid;
 }

 /**
  * 产生下一个id
  *
  * @return
  */
 public synchronized long nextid() {
  long currstmp = getnewstmp();
  if (currstmp < laststmp) {
   throw new runtimeexception("clock moved backwards. refusing to generate id");
  }

  if (currstmp == laststmp) {
   //相同毫秒内，序列号自增
   sequence = (sequence + 1) & max_sequence;
   //同一毫秒的序列数已经达到最大
   if (sequence == 0l) {
    currstmp = getnextmill();
   }
  } else {
   //不同毫秒内，序列号置为0
   sequence = 0l;
  }

  laststmp = currstmp;

  return (currstmp - start_stmp) << timestmp_left //时间戳部分
    | datacenterid << datacenter_left  //数据中心部分
    | machineid << machine_left    //机器标识部分
    | sequence;        //序列号部分
 }

 private long getnextmill() {
  long mill = getnewstmp();
  while (mill <= laststmp) {
   mill = getnewstmp();
  }
  return mill;
 }

 private long getnewstmp() {
  return system.currenttimemillis();
 }

 public static void main(string[] args) {
  snowflake snowflake = new snowflake(2, 3);

  for (int i = 0; i < (1 << 12); i++) {
   system.out.println(snowflake.nextid());
  }

 }
}

工程落地经验

hutools工具包

地址：

springboot整合雪花算法

引入hutool工具类

<dependency>
 <groupid>cn.hutool</groupid>
 <artifactid>hutool-all</artifactid>
 <version>5.3.1</version>
</dependency>

整合

/**
 * 雪花算法
 *
 * @author: 陌溪
 * @create: 2020-04-18-11:08
 */
public class snowflakedemo {
 private long workerid = 0;
 private long datacenterid = 1;
 private snowflake snowflake = idutil.createsnowflake(workerid, datacenterid);

 @postconstruct
 public void init() {
  try {
   // 将网络ip转换成long
   workerid = netutil.ipv4tolong(netutil.getlocalhoststr());
  } catch (exception e) {
   e.printstacktrace();
  }
 }

 /**
  * 获取雪花id
  * @return
  */
 public synchronized long snowflakeid() {
  return this.snowflake.nextid();
 }

 public synchronized long snowflakeid(long workerid, long datacenterid) {
  snowflake snowflake = idutil.createsnowflake(workerid, datacenterid);
  return snowflake.nextid();
 }

 public static void main(string[] args) {
  snowflakedemo snowflakedemo = new snowflakedemo();
  for (int i = 0; i < 20; i++) {
   new thread(() -> {
    system.out.println(snowflakedemo.snowflakeid());
   }, string.valueof(i)).start();
  }
 }
}

得到结果

1251350711346790400
1251350711346790402
1251350711346790401
1251350711346790403
1251350711346790405
1251350711346790404
1251350711346790406
1251350711346790407
1251350711350984704
1251350711350984706
1251350711350984705
1251350711350984707
1251350711350984708
1251350711350984709
1251350711350984710
1251350711350984711
1251350711350984712
1251350711355179008
1251350711355179009
1251350711355179010

优缺点

优点

毫秒数在高维，自增序列在低位，整个id都是趋势递增的

不依赖数据库等第三方系统，以服务的方式部署，稳定性更高，生成id的性能也是非常高的

可以根据自身业务特性分配bit位，非常灵活

缺点

依赖机器时钟，如果机器时钟回拨，会导致重复id生成

在单机上是递增的，但由于涉及到分布式环境，每台机器上的时钟不可能完全同步，有时候会出现不是全局递增的情况，此缺点可以认为无所谓，一般分布式id只要求趋势递增，并不会严格要求递增，90%的需求只要求趋势递增。

其它补充

为了解决时钟回拨问题，导致id重复，后面有人专门提出了解决的方案

百度开源的分布式唯一id生成器 uidgenerator

leaf - 美团点评分布式id生成系统

以上这篇一种简单的id生成策略: mysql表生成全局唯一id的实现就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。