mysql批量生成uuid（一种简单的ID生成策略: Mysql表生成全局唯一ID的实现）

mysql批量生成uuid

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:

?

1 2 3 4 5 6

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:

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

@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

?

1 2 3 4

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

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102

/**  * 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：https://github.com/looly/hutool

SpringBoot整合雪花算法

引入hutool工具类

?

1 2 3 4 5

<dependency>  <groupId>cn.hutool</groupId>  <artifactId>hutool-all</artifactId>  <version>5.3.1</version> </dependency>

整合

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43

/**  * 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

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

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开心学习网。

原文链接：https://blog.csdn.net/u011214142/article/details/100111158