您的位置:首页 > 数据库 > > 正文

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)

更多 时间:2022-01-28 01:43:21 类别:数据库 浏览量:1086

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

    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)

    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

    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)

    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

    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)

    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

    标签:mysql ID 全局
    您可能感兴趣