snowflake

题图 From unsplash 本系列是由溪源的《领域驱动设计》读书笔记梳理而成，已经是写到第五篇了，为溪源的坚持点赞。 1 从搬砖谈领域对象 　　有一个古老的故事，大概是这样的。作者问三个建筑工地上的工人他们在干什么？有一个没精打采的说，我在挖洞！而另一一个人却说，我在盖一座房子。还有一个人说，我在建立一座巨大的城市。不同的思维模式决定了不同的发展，十年过后，第一个工人，还是在挖洞，而第二个则成为了工头。第三个最终却成为了大设计师。 　　在软件开发领域，往往会使用搬砖这个词来形容我们所开发的每个功能模块，实际上也确实如此，如果把我们需要完成的每个项目，比作一座高楼大厦，那么在项目中所完成的各种模块，也确实是我们在计算机世界中利用砖块设计出来的精美建筑构建。而从领域驱动的角度来说，可以把关系，类比为建筑工程图纸中使用的各种辅助线，也可以把领域驱动中所涉及的各个对象，类比成砖块，这些砖块，大概有两种：一种是实体（Entity），一种是值对象(Value Object)，而使用这些对象的工具，则成为服务（Service)，完成的各个建筑构建，被成为包或者模块（Module). 2 关联关系 　　在介绍领域驱动设计的第三篇文章《 领域驱动设计，让程序员心中有码（三） 》中，笔者提到了UML中常用的几种关系，而关联关系是一种最为常见的关系。在软件设计过程中，无所不在的关联

本文收录在 GitHub 地址 https://github.com/chengxy-nds/Springboot-Notebook 引言 前几天写过一篇《 一口气说出 9种 分布式ID生成方式，面试官有点懵了 》，里边简单的介绍了九种分布式ID生成方式，但是对于像 美团（Leaf） 、 滴滴（Tinyid） 、 百度（uid-generator） 都是一笔带过。而通过读者留言发现，大家普遍对他们哥三更感兴趣，所以后边会结合实战，详细的对三种分布式ID生成器学习，今天先啃下 美团（Leaf） 。 不了解分布式ID的同学，先行去看《一口气说出 9种 分布式ID生成方式，面试官有点懵了》温习一下基础知识，这里就不再赘述了 美团（Leaf） Leaf 是美团推出的一个分布式ID生成服务，名字取自德国哲学家、数学家莱布尼茨的一句话：“There are no two identical leaves in the world.”（“世界上没有两片相同的树叶”），取个名字都这么有寓意，美团程序员牛掰啊！ Leaf 的优势： 高可靠 、 低延迟 、 全局唯一 等特点。 目前主流的分布式ID生成方式，大致都是基于 数据库号段模式 和 雪花算法（snowflake） ，而美团（Leaf）刚好同时兼具了这两种方式，可以根据不同业务场景灵活切换。 接下来结合实战，详细的介绍一下 Leaf 的 Leaf

点击上方“ Java知音 ”，选择“置顶公众号” 技术文章第一时间送达！ 作者： yanglbme 链接：https://github.com/doocs/advanced-java 面试题 分库分表之后，id 主键如何处理？ 面试官心理分析 其实这是分库分表之后你必然要面对的一个问题，就是 id 咋生成？因为要是分成多个表之后，每个表都是从 1 开始累加，那肯定不对啊，需要一个全局唯一的 id 来支持。所以这都是你实际生产环境中必须考虑的问题。 面试题剖析 数据库自增 id 这个就是说你的系统里每次得到一个 id，都是往一个库的一个表里插入一条没什么业务含义的数据，然后获取一个数据库自增的一个 id。拿到这个 id 之后再往对应的分库分表里去写入。 这个方案的好处就是方便简单，谁都会用；缺点就是单库生成自增 id，要是高并发的话，就会有瓶颈的；如果你硬是要改进一下，那么就专门开一个服务出来，这个服务每次就拿到当前 id 最大值，然后自己递增几个 id，一次性返回一批 id，然后再把当前最大 id 值修改成递增几个 id 之后的一个值；但是无论如何都是基于单个数据库。 适合的场景：你分库分表就俩原因，要不就是单库并发太高，要不就是单库数据量太大；除非是你并发不高，但是数据量太大导致的分库分表扩容，你可以用这个方案，因为可能每秒最高并发最多就几百

程序员的成长之路 互联网/程序员/技术/资料共享 关注 阅读本文大概需要 6 分钟。 来自：java面试题精选 问： 分库分表之后，id 主键如何处理？ 面试官心理分析 其实这是分库分表之后你必然要面对的一个问题，就是 id 咋生成？因为要是分成多个表之后，每个表都是从 1 开始累加，那肯定不对啊，需要一个 全局唯一 的 id 来支持。所以这都是你实际生产环境中必须考虑的问题。 面试题剖析 基于数据库的实现方案 数据库自增 id 这个就是说你的系统里每次得到一个 id，都是往一个库的一个表里插入一条没什么业务含义的数据，然后获取一个数据库自增的一个 id。拿到这个 id 之后再往对应的分库分表里去写入。 这个方案的好处就是方便简单，谁都会用； 缺点就是单库生成 自增 id，要是高并发的话，就会有瓶颈的；如果你硬是要改进一下，那么就专门开一个服务出来，这个服务每次就拿到当前 id 最大值，然后自己递增几个 id，一次性返回一批 id，然后再把当前最大 id 值修改成递增几个 id 之后的一个值；但是 无论如何都是基于单个数据库 。 适合的场景 ：你分库分表就俩原因，要不就是单库并发太高，要不就是单库数据量太大；除非是你 并发不高，但是数据量太大 导致的分库分表扩容，你可以用这个方案，因为可能每秒最高并发最多就几百，那么就走单独的一个库和表生成自增主键即可。 设置数据库

点击上方 IT牧场 ，选择 置顶或者星标 技术干货每日送达！ 一、数据库瓶颈 不管是IO瓶颈，还是CPU瓶颈，最终都会导致数据库的活跃连接数增加，进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务Service来看就是，可用数据库连接少甚至无连接可用。接下来就可以想象了吧（并发量、吞吐量、崩溃）。 1、IO瓶颈 第一种：磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询时会产生大量的IO，降低查询速度 -> 分库和垂直分表。 第二种：网络IO瓶颈，请求的数据太多，网络带宽不够 -> 分库。 2、CPU瓶颈 第一种：SQL问题，如SQL中包含join，group by，order by，非索引字段条件查询等，增加CPU运算的操作 -> SQL优化，建立合适的索引，在业务Service层进行业务计算。 第二种：单表数据量太大，查询时扫描的行太多，SQL效率低，CPU率先出现瓶颈 -> 水平分表。 二、分库分表 1、水平分库 概念： 以字段为依据，按照一定策略（hash、range等），将一个库中的数据拆分到多个库中。 结果： 每个库的结构都一样； 每个库的数据都不一样，没有交集； 所有库的并集是全量数据； 场景： 系统绝对并发量上来了，分表难以根本上解决问题，并且还没有明显的业务归属来垂直分库。 分析： 库多了，io和cpu的压力自然可以成倍缓解。 2、水平分表 概念：

作者 ： 尜尜人物 cnblogs.com/littlecharacter/p/9342129.html 本文目录 一、数据库瓶颈 IO瓶颈 CPU瓶颈 二、分库分表 水平分库 水平分表 垂直分库 垂直分表 三、分库分表工具 四、分库分表步骤 五、分库分表问题 非partition key的查询问题 非partition key跨库跨表分页查询问题 扩容问题 六、分库分表总结 七、分库分表示例 一、数据库瓶颈 不管是IO瓶颈，还是CPU瓶颈，最终都会导致数据库的活跃连接数增加，进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务Service来看就是，可用数据库连接少甚至无连接可用。接下来就可以想象了吧（并发量、吞吐量、崩溃）。 1、IO瓶颈 第一种：磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询时会产生大量的IO，降低查询速度 -> 分库和垂直分表。 第二种：网络IO瓶颈，请求的数据太多，网络带宽不够 -> 分库。 2、CPU瓶颈 第一种：SQL问题，如SQL中包含 join ，group by，order by，非索引字段条件查询等，增加CPU运算的操作 -> SQL优化，建立合适的索引，在业务Service层进行业务计算。 第二种：单表数据量太大，查询时扫描的行太多，SQL效率低，CPU率先出现瓶颈 -> 水平分表。 二、分库分表 1、水平分库 概念： 以字段为依据

package com.jn.baseservice.utils; import com.jn.baseservice.common.Number; import lombok.Getter; import lombok.Setter; import lombok.extern.log4j.Log4j2; import org.apache.commons.lang3.StringUtils; import org.springframework.context.ApplicationContext; @Log4j2 @Getter @Setter public class SnowFlake { // 起始的时间戳 private final static long START_TIMESTAMP = 1555894860007l ; // 每一部分占用的位数，就三个 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 DATA_CENTER_BIT = 5; // 数据中心占用的位数 // 每一部分最大值 private final static long

前言 雪花算法是用来在分布式场景下生成唯一ID的。 背景 雪花算法：雪花算法的原始版本是scala版，用于生成分布式ID（纯数字，时间顺序）,订单编号等。 自增ID：对于数据敏感场景不宜使用，且不适合于分布式场景。 GUID：采用无意义字符串，数据量增大时造成访问过慢，且不宜排序。 分布式系统中，有一些需要使用全局唯一ID的场景，这种时候为了防止ID冲突可以使用36位的UUID，但是UUID有一些缺点，首先他相对比较长，另外UUID一般是无序的。 有些时候我们希望能使用一种简单一些的ID，并且希望ID能够按照时间有序生成。 而twitter的snowflake解决了这种需求，最初Twitter把存储系统从MySQL迁移到Cassandra，因为Cassandra没有顺序ID生成机制，为了满足Twitter每秒上万条消息的请求，每条消息都必须分配一条唯一的id，这些id还需要一些大致的顺序（方便客户端排序），并且在分布式系统中不同机器产生的id必须不同，所以twitter开发了这样一套全局唯一ID生成服务。 叙述 算法详解 1位 ，不用。二进制中最高位为1的都是负数，但是我们生成的id一般都使用整数，所以这个最高位固定是0 41位 ，用来记录时间戳（毫秒）。 41位可以表示个数字， 如果只用来表示正整数（计算机中正数包含0），可以表示的数值范围是：0 至

Python实战社群 Java实战社群 长按识别下方二维码， 按需求添加 扫码关注添加客服 进Python社群▲ 扫码关注添加客服 进Java社群 ▲ 来源丨小姐姐味道（微信公众号ID：xjjdog） 没错。前端，就是用来坑后端的。 我也只能在这里，发表这样无耻的言论。因为xjjdog的修为主要体现在后端上，所以爱屋及乌。这体现了斗争是人类的基本属性：程序员除了要干产品经理、项目经理，内部也并不是铁板一块。 不过这次要聊的问题，确实是很坑。它几乎断送了整个系统，让暴躁的老板脸上爆炸式的长满了痘痘。 它的影响不限于此。扩大到整个业界： 原来能发财的，破产了。 原来能结婚的，分手了。 原来能摸鱼的，加班了。 原来搞前端的，搞后端了。 原来能退休的，延期了。 原来能活着的，去世了。 原来能双休的，大小周了。 为什么牛气的js，会有这么大的威力？请听我细细道来。 1. 事出有因 就如标题所说，这个会和雪花算法有关。 我们有个系统，使用的是MySQL数据库，所以在数据库的主键选择上，使用的是自增ID。 ID INT PRIMARY KEY AUTO_INCREMENT 这样的ID简单流畅，但有一系列的弊端，不过用在一般的系统上，够用了。 在临上线之前，项目组邀请公司里最牛x的架构师，对项目进行了一次集中体检。其中的一项重要举措，就是针对于ID生成器的。 “不知道现在的开发系统

阅读文本大概需要3分钟。 一、数据库瓶颈 不管是IO瓶颈，还是CPU瓶颈，最终都会导致数据库的活跃连接数增加，进而逼近甚至达到数据库可承载活跃连接数的阈值。 在业务Service来看就是，可用数据库连接少甚至无连接可用。 接下来就可以想象了吧（并发量、吞吐量、崩溃）。 1、IO瓶颈 第一种： 磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询时会产生大量的IO，降低查询速度 -> 分库和垂直分表 。 第二种： 网络IO瓶颈，请求的数据太多，网络带宽不够 -> 分库 。 2、CPU瓶颈 第一种： SQL问题，如SQL中包含join，group by，order by，非索引字段条件查询等，增加CPU运算的操作 -> SQL优化，建立合适的索引，在业务Service层进行业务计算。 第二种： 单表数据量太大，查询时扫描的行太多，SQL效率低，CPU率先出现瓶颈 -> 水平分表 。 二、分库分表 1、水平分库 1.概念： 以 字段 为依据，按照一定策略（hash、range等），将一个 库 中的数据拆分到多个 库 中。 2.结果： 每个 库 的 结构 都一样; 每个 库 的 数据 都不一样，没有交集; 所有 库 的 并集 是全量数据; 3.场景： 系统绝对并发量上来了，分表难以根本上解决问题，并且还没有明显的业务归属来垂直分库。 4.分析： 库多了