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。