一. 大数据量上传写入优化

线上业务后台项目有一个消息推送的功能，通过上传包含用户 id 的文件，给指定用户推送系统消息

1.1 如上功能描述很简单，但是对于技术侧想要做好这个功能，保证大用户量（比如达到百万级别）下，系统正常运行，功能正常其实是需要仔细思考的，博主这里给出思路：

上传文件类型选择

通常情况下大部分用户都会使用 excel 文件，但是相比 excel 文件还有一种更加推荐的文件格式，那就是 csv 文件，相比 excel 文件它可以直接在记事本编辑，excel 也可以打开 cvs 文件，且占用内存更少（画重点），对于上传的 csv 文件过于庞大，也可以采用流式读取，读一部分写一部分

消息推送成功与否状态保存

由于大批量数据插入是一个耗时操作（可能几秒也可能几分钟），所以需要保存批量插入是否成功的状态，在后台中可以显现出这条消息推送记录是成功还是失败，方便运营回溯消息推送状态

批量写入启不启用事务

博主这里给出两种方案利弊：

启用事务：好处在于如批量插入过程中，异常情况可以保证原子性，但是性能比不开事务低，在特大数据量下会明显低一个档次
不启用事务：好处就是写入性能高，特大数据量写入性能提升明显，但是无法保证原子性，但是对于已经批量插入的新增数据，只是会产生脏数据而已，在功能设计合理的情况下是不影响业务的，如下面第四点

综上：在大数据量下，我们要是追求极致性能可以不启用事务，具体选择也需各位结合自身业务情况

推送异常失败的消息处理

建议功能设计上，可以屏蔽对失败消息再进行操作，这样不需要再处理之前推送失败写入的脏数据，直接新增消息推送即可

1.2 批量写入代码优化

jdbc 参数携带 rewriteBatchedStatements=true 在 jdbc 驱动上启动批量写入功能，如下

spring.datasource.master.jdbc-url=jdbc:mysql://localhost:3306/test_db?allowMultiQueries=true&characterEncoding=utf8&autoReconnect=true&useSSL=false&rewriteBatchedStatements=true

启用 insert into table(id, name) values(1, 'tom'),(2, 'jack') 模式，建议一次写入个数不要太多，MySQL 对于 sql 长度是有限制的，对于这种字段少的表，一次写入 500 - 1000 问题不大，字段多了需要降低这个写入量

insert into im_notice_app_ref(notice_id, app_id, create_time)
values
<foreach collection="list" separator="," item="item">
    (#{item.noticeId}, #{item.appId}, #{item.createTime})
</foreach>

一般情况下大家都知道第二条优化，但是可能会忽略 jdbc 参数携带 rewriteBatchedStatements=true，这个参数能在第二条的基础上启用批量执行 SQL ，进一步提升写入性能

二. 大事务优化，减小影响范围，提升系统处理能力

@Transactional 大于 Spring 提供得事务注解，许多人都知道，但是在高并发下，不建议使用，推荐通过编程式事务来手动控制事务提交或者回滚，减少事务影响范围

如下是一段订单超时未支付回滚业务数据得代码，采用 @Transactional 事务注解

@Transactional(rollbackFor = Exception.class)
public void doUnPaidTask(Long orderId) {
    // 1. 查询订单是否存在
    Order order = orderService.getById(orderId);
    if (order == null) {
        throw new BusinessException(String.format("订单不存在，orderId:%s", orderId));
    }
    if (order.getOrderStatus() != OrderStatusEnum.ORDER_PRE_PAY.getOrderStatus()) {
        throw new BusinessException(String.format("订单状态错误，order:%s", order));
    }

    // 2. 设置订单为已取消状态
    order.setOrderStatus((byte) OrderStatusEnum.ORDER_CLOSED_BY_EXPIRED.getOrderStatus());
    order.setUpdateTime(new Date());
    if (!orderService.updateById(order)) {
        throw new BusinessException("更新数据已失效");
    }

    // 3.商品货品数量增加
    LambdaQueryWrapper<OrderItem> queryWrapper = Wrappers.lambdaQuery();
    queryWrapper.eq(OrderItem::getOrderId, orderId);
    List<OrderItem> orderItems = orderItemService.list(queryWrapper);
    for (OrderItem orderItem : orderItems) {
        if (orderItem.getSeckillId() != null) { // 秒杀单商品项处理
            Long seckillId = orderItem.getSeckillId();
            SeckillService seckillService = SpringContextUtil.getBean(SeckillService.class);
            if (!seckillService.addStock(seckillId)) {
                throw new BusinessException("秒杀商品货品库存增加失败");

            }
        } else { // 普通单商品项处理
            Long goodsId = orderItem.getGoodsId();
            Integer goodsCount = orderItem.getGoodsCount();
            if (!goodsDao.addStock(goodsId, goodsCount)) {
                throw new BusinessException("秒杀商品货品库存增加失败");
            }
        }
    }

    // 4. 返还优惠券
    couponService.releaseCoupon(orderId);
    log.info("---------------订单 orderId:{},未支付超时取消成功", orderId);
}

采用编程式事务对其优化，代码如下：

@Resource
private PlatformTransactionManager platformTransactionManager;
@Resource
private TransactionDefinition transactionDefinition;

public void doUnPaidTask(Long orderId) {
    // 启用编程式事务
    // 1. 在开启事务钱查询订单是否存在
    Order order = orderService.getById(orderId);
    if (order == null) {
        throw new BusinessException(String.format("订单不存在，orderId:%s", orderId));
    }
    if (order.getOrderStatus() != OrderStatusEnum.ORDER_PRE_PAY.getOrderStatus()) {
        throw new BusinessException(String.format("订单状态错误，order:%s", order));
    }
    // 2. 开启事务
    TransactionStatus transaction = platformTransactionManager.getTransaction(transactionDefinition);
    try {
        // 3. 设置订单为已取消状态
        order.setOrderStatus((byte) OrderStatusEnum.ORDER_CLOSED_BY_EXPIRED.getOrderStatus());
        order.setUpdateTime(new Date());
        if (!orderService.updateById(order)) {
            throw new BusinessException("更新数据已失效");
        }
        // 4. 商品货品数量增加
        LambdaQueryWrapper<OrderItem> queryWrapper = Wrappers.lambdaQuery();
        queryWrapper.eq(OrderItem::getOrderId, orderId);
        List<OrderItem> orderItems = orderItemService.list(queryWrapper);
        for (OrderItem orderItem : orderItems) {
            if (orderItem.getSeckillId() != null) { // 秒杀单商品项处理
                Long seckillId = orderItem.getSeckillId();
                SeckillService seckillService = SpringContextUtil.getBean(SeckillService.class);
                RedisCache redisCache = SpringContextUtil.getBean(RedisCache.class);
                if (!seckillService.addStock(seckillId)) {
                    throw new BusinessException("秒杀商品货品库存增加失败");
                }
                redisCache.increment(Constants.SECKILL_GOODS_STOCK_KEY + seckillId);
                redisCache.deleteCacheSet(Constants.SECKILL_SUCCESS_USER_ID + seckillId, order.getUserId());
            } else { // 普通单商品项处理
                Long goodsId = orderItem.getGoodsId();
                Integer goodsCount = orderItem.getGoodsCount();
                if (!goodsDao.addStock(goodsId, goodsCount)) {
                    throw new BusinessException("秒杀商品货品库存增加失败");
                }
            }
        }

        // 5. 返还优惠券
        couponService.releaseCoupon(orderId);
        // 6. 所有更新操作完成后，提交事务
        platformTransactionManager.commit(transaction);
        log.info("---------------订单 orderId:{},未支付超时取消成功", orderId);
    } catch (Exception e) {
        log.info("---------------订单 orderId:{},未支付超时取消失败", orderId, e);
        // 7. 发生异常，回滚事务
        platformTransactionManager.rollback(transaction);
    }
}

可以看到采用编程式事务后，我们将查询逻辑排除在事务之外，减小了其影响范围，也就提升了性能，在高并发场景下，性能优先的场景，我们甚至可以考虑不适用事务

三. 客户端海量日志上报优化

线上项目客户端，采用 tcp 协议与日志采集服务建立连接，上报日志数据。业务高峰期下，会有同时成千个客户端建立连接实时上报日志数据

如上场景，高峰期下，对日志采集服务会造成不小的压力，处理服务处理不当，会造成高峰期下，服务卡顿、CPU 占用过高、内存溢出等。

这里给出海量日志高并发下优化点：

上报日志进行异步化处理，

普通版：采用阻塞队列 ArrayBlockingQueue 得生产者消费者模式，对日志数据进行异步批量处理，在此场景下，通过生产者将数据缓存再内存中，然后再消费者中批量保存入库。
进阶版：采用 Disruptor 队列，也是基于内存队列的生产者消费者模型，消费速度对比 ArrayBlockingQueue 有一个数量级得性能提升，附简介说明： https://www.jianshu.com/p/bad7b4b44e48
终极版：采用 kfaka 消息队列中间件，持久日志数据，慢慢消费。虽然引入第三方依赖会增加系统复杂度，但是相比 kfaka 在大数据场景下提供的优秀表现，这一点也是值得。

如上三种方案：大家可以结合自身项目实际体量选择

采集日志压缩

对上报后的日志如果要再发送给其他服务，推荐是对其进行压缩处理，避免消耗过多网络带宽以及最终数据落库选型：

网络传输，在 Java 里通常是指序列化方式，Jdk 自带得序列化方式对比 Protobuf 、fst 、Hession 等在序列化速度和大小的表现上都没有优势，甚至可以用垃圾形容，博主这里直接给出 Java 得几种序列化方式对比链接： https://segmentfault.com/a/1190000039934578 ，建议对传输大小要求较高可以使用 Avro 序列化，对综合要求较高可采用 Protobuf
落库选型，像日志这种大数据量落库，都是新增且无修改得场景建议使用 Clickhouse 进行存储，相同数据量下对比 MySql 占用存储更少，查询性能更高

最后，附博主 github 地址： https://github.com/wayn111

3 条回复