目錄
- 背景
- 哪些問題會引起接口性能問題
- 問題解決
- 總結
背景
我負責的系統在去年初就完成了功能上的建設，然後開始進入到推廣階段。随着推廣的逐漸深入，收到了很多好評的同時也收到了很多對性能的吐槽。
剛剛收到吐槽的時候，我們的心情是這樣的：
當越來越多對性能的吐槽回報到我們這裡的時候，我們意識到，接口性能的問題的優先級必須提高了。
然後我們就跟蹤了 1 周的接口性能監控，這個時候我們的心情是這樣的：
有 20 多個慢接口，5 個接口響應時間超過 5s，1 個超過 10s，其餘的都在 2s 以上，穩定性不足 99.8%。
作為一個優秀的後端程式員，這個資料肯定是不能忍的，我們馬上就進入了漫長的接口優化之路。本文就是對我們漫長工作曆程的一個總結。
哪些問題會引起接口性能問題
這個問題的答案非常多，需要根據自己的業務場景具體分析。
這裡做一個不完全的總結：
- 資料庫慢查詢
- 業務邏輯複雜
- 線程池設計不合理
- 鎖設計不合理
- 機器問題（fullGC，機器重新開機，線程打滿）
- 萬金油解決方式
問題解決
慢查詢（基于 mysql）
①深度分頁
所謂的深度分頁問題，涉及到 mysql 分頁的原理。通常情況下，mysql 的分頁是這樣寫的：
select name,code from student limit 100,20 含義當然就是從 student 表裡查 100 到 120 這 20 條資料，mysql 會把前 120 條資料都查出來，抛棄前 100 條，傳回 20 條。
當分頁是以深度不大的時候當然沒問題，随着分頁的深入，sql 可能會變成這樣：
select name,code from student limit 1000000,20 這個時候，mysql 會查出來 1000020 條資料，抛棄 1000000 條，如此大的資料量，速度一定快不起來。
那如何解決呢？一般情況下，最好的方式是增加一個條件：
select name,code from student where id>1000000 limit 20 這樣，mysql 會走主鍵索引，直接連接配接到 1000000 處，然後查出來 20 條資料。但是這個方式需要接口的調用方配合改造，把上次查詢出來的最大 id 以參數的方式傳給接口提供方，會有溝通成本（調用方：老子不改！）。
②未加索引
這個是最容易解決的問題，我們可以通過：
show create table xxxx（表名） 檢視某張表的索引。具體加索引的語句網上太多了，不再贅述。不過順便提一嘴，加索引之前，需要考慮一下這個索引是不是有必要加，如果加索引的字段區分度非常低，那即使加了索引也不會生效。
另外，加索引的 alter 操作，可能引起鎖表，執行 sql 的時候一定要在低峰期（血淚史！！！！）
③索引失效
這個是慢查詢最不好分析的情況，雖然 mysql 提供了 explain 來評估某個 sql 的查詢性能，其中就有使用的索引。
但是為啥索引會失效呢？mysql 卻不會告訴咱，需要咱自己分析。大體上，可能引起索引失效的原因有這幾個（可能不完全）：
需要特别提出的是，關于字段區分性很差的情況，在加索引的時候就應該進行評估。如果區分性很差，這個索引根本就沒必要加。
區分性很差是什麼意思呢，舉幾個例子，比如：
- 某個字段隻可能有 3 個值，那這個字段的索引區分度就很低。
- 再比如，某個字段大量為空，隻有少量有值；
- 再比如，某個字段值非常集中，90% 都是 1，剩下 10% 可能是 2,3,4....
進一步的，那如果不符合上面所有的索引失效的情況，但是 mysql 還是不使用對應的索引，是為啥呢？
這個跟 mysql 的 sql 優化有關，mysql 會在 sql 優化的時候自己選擇合适的索引，很可能是 mysql 自己的選擇算法算出來使用這個索引不會提升性能，是以就放棄了。
這種情況，可以使用 force index 關鍵字強制使用索引（建議修改前先實驗一下，是不是真的會提升查詢效率）：
select name,code from student force index(XXXXXX) where name = '天才' 其中 xxxx 是索引名。
④join 過多 or 子查詢過多
我把 join 過多和子查詢過多放在一起說了。一般來說，不建議使用子查詢，可以把子查詢改成 join 來優化。同時，join 關聯的表也不宜過多，一般來說 2-3 張表還是合适的。
具體關聯幾張表比較安全是需要具體問題具體分析的，如果各個表的資料量都很少，幾百條幾千條，那麼關聯的表的可以适當多一些，反之則需要少一些。
另外需要提到的是，在大多數情況下 join 是在記憶體裡做的，如果比對的量比較小，或者 join_buffer 設定的比較大，速度也不會很慢。
但是，當 join 的資料量比較大的時候，mysql 會采用在硬碟上建立臨時表的方式進行多張表的關聯比對，這種顯然效率就極低，本來磁盤的 IO 就不快，還要關聯。
一般遇到這種情況的時候就建議從代碼層面進行拆分，在業務層先查詢一張表的資料，然後以關聯字段作為條件查詢關聯表形成 map，然後在業務層進行資料的拼裝。
一般來說，索引建立正确的話，會比 join 快很多，畢竟記憶體裡拼接資料要比網絡傳輸和硬碟 IO 快得多。
⑤in 的元素過多
這種問題，如果隻看代碼的話不太容易排查，最好結合監控和資料庫日志一起分析。如果一個查詢有 in，in 的條件加了合适的索引，這個時候的 sql 還是比較慢就可以高度懷疑是 in 的元素過多。
一旦排查出來是這個問題，解決起來也比較容易，不過是把元素分個組，每組查一次。想再快的話，可以再引入多線程。
進一步的，如果in的元素量大到一定程度還是快不起來，這種最好還是有個限制：
select id from student where id in (1,2,3 ...... 1000) limit 200 當然了，最好是在代碼層面做個限制：
if (ids.size() > 200) {
throw new Exception("單次查詢資料量不能超過200");
} ⑥單純的資料量過大
這種問題，單純代碼的修修補補一般就解決不了了，需要變動整個的資料存儲架構。或者是對底層 mysql 分表或分庫+分表；或者就是直接變更底層資料庫，把 mysql 轉換成專門為處理大資料設計的資料庫。
這種工作是個系統工程，需要嚴密的調研、方案設計、方案評審、性能評估、開發、測試、聯調，同時需要設計嚴密的資料遷移方案、復原方案、降級措施、故障處理預案。
除了以上團隊内部的工作，還可能有跨系統溝通的工作，畢竟做了重大變更，下遊系統的調用接口的方式有可能會需要變化。
出于篇幅的考慮，這個不再展開了，筆者有幸完整參與了一次億級别資料量的資料庫分表工作，對整個過程的複雜性深有體會，後續有機會也會分享出來。
業務邏輯複雜
①循環調用
這種情況，一般都循環調用同一段代碼，每次循環的邏輯一緻，前後不關聯。另外，搜尋公衆号Java後端棧背景回複“私活”，擷取一份驚喜禮包。
比如說，我們要初始化一個清單，預置 12 個月的資料給前端：
List<Model> list = new ArrayList<>();
for(int i = 0 ; i < 12 ; i ++) {
Model model = calOneMonthData(i); // 計算某個月的資料，邏輯比較複雜，難以批量計算，效率也無法很高
list.add(model);
} 這種顯然每個月的資料計算互相都是獨立的，我們完全可以采用多線程方式進行：
// 建立一個線程池，注意要放在外面，不要每次執行代碼就建立一個，具體線程池的使用就不展開了
public static ExecutorService commonThreadPool = new ThreadPoolExecutor(5, 5, 300L,
TimeUnit.SECONDS, new LinkedBlockingQueue<>(10), commonThreadFactory, new ThreadPoolExecutor.DiscardPolicy());
// 開始多線程調用
List<Future<Model>> futures = new ArrayList<>();
for(int i = 0 ; i < 12 ; i ++) {
Future<Model> future = commonThreadPool.submit(() -> calOneMonthData(i););
futures.add(future);
}
// 擷取結果
List<Model> list = new ArrayList<>();
try {
for (int i = 0 ; i < futures.size() ; i ++) {
list.add(futures.get(i).get());
}
} catch (Exception e) {
LOGGER.error("出現錯誤：", e);
} ②順序調用
如果不是類似上面循環調用，而是一次次的順序調用，而且調用之間沒有結果上的依賴，那麼也可以用多線程的方式進行，例如：
代碼上看：
A a = doA();
B b = doB();
C c = doC(a, b);
D d = doD(c);
E e = doE(c);
return doResult(d, e); 那麼可用 CompletableFuture 解決：
CompletableFuture<A> futureA = CompletableFuture.supplyAsync(() -> doA());
CompletableFuture<B> futureB = CompletableFuture.supplyAsync(() -> doB());
CompletableFuture.allOf(futureA,futureB) // 等a b 兩個任務都執行完成
C c = doC(futureA.join(), futureB.join());
CompletableFuture<D> futureD = CompletableFuture.supplyAsync(() -> doD(c));
CompletableFuture<E> futureE = CompletableFuture.supplyAsync(() -> doE(c));
CompletableFuture.allOf(futureD,futureE) // 等d e兩個任務都執行完成
return doResult(futureD.join(),futureE.join()); 這樣 A B 兩個邏輯可以并行執行，D E 兩個邏輯可以并行執行，最大執行時間取決于哪個邏輯更慢。
線程池設計不合理
有的時候，即使我們使用了線程池讓任務并行處理，接口的執行效率仍然不夠快，這種情況可能是怎麼回事呢？
這種情況首先應該懷疑是不是線程池設計的不合理。我覺得這裡有必要回顧一下線程池的三個重要參數：核心線程數、最大線程數、等待隊列。
這三個參數是怎麼打配合的呢？當線程池建立的時候，如果不預熱線程池，則線程池中線程為 0。當有任務送出到線程池，則開始建立核心線程。
當核心線程全部被占滿，如果再有任務到達，則讓任務進入等待隊列開始等待。
如果隊列也被占滿，則開始建立非核心線程運作。
如果線程總數達到最大線程數，還是有任務到達，則開始根據線程池抛棄規則開始抛棄。
那麼這個運作原理與接口運作時間有什麼關系呢？
- 核心線程設定過小：核心線程設定過小則沒有達到并行的效果
- 線程池公用，别的業務的任務執行時間太長，占用了核心線程，另一個業務的任務到達就直接進入了等待隊列
- 任務太多，以至于占滿了線程池，大量任務在隊列中等待
在排查的時候，隻要找到了問題出現的原因，那麼解決方式也就清楚了，無非就是調整線程池參數，按照業務拆分線程池等等。
鎖設計不合理
鎖設計不合理一般有兩種：鎖類型使用不合理 or 鎖過粗。
鎖類型使用不合理的典型場景就是讀寫鎖。也就是說，讀是可以共享的，但是讀的時候不能對共享變量寫；而在寫的時候，讀寫都不能進行。
在可以加讀寫鎖的時候，如果我們加成了互斥鎖，那麼在讀遠遠多于寫的場景下，效率會極大降低。
鎖過粗則是另一種常見的鎖設計不合理的情況，如果我們把鎖包裹的範圍過大，則加鎖時間會過長，例如：
public synchronized void doSome() {
File f = calData();
uploadToS3(f);
sendSuccessMessage();
} 這塊邏輯一共處理了三部分，計算、上傳結果、發送消息。顯然上傳結果和發送消息是完全可以不加鎖的，因為這個跟共享變量根本不沾邊。
是以完全可以改成：
public void doSome() {
File f = null;
synchronized(this) {
f = calData();
}
uploadToS3(f);
sendSuccessMessage();
} 機器問題（fullGC，機器重新開機，線程打滿）
造成這個問題的原因非常多，筆者就遇到了定時任務過大引起 fullGC，代碼存線上程洩露引起 RSS 記憶體占用過高進而引起機器重新開機等待諸多原因。
需要結合各種監控和具體場景具體分析，進而進行大事務拆分、重新規劃線程池等等工作。
萬金油解決方式
萬金油這個形容詞是從我們機關某位老師那裡學來的，但是筆者覺得非常貼切。這些萬金油解決方式往往能解決大部分的接口緩慢的問題，而且也往往是我們解決接口效率問題的最終解決方案。
當我們實在是沒有辦法排查出問題，或者實在是沒有優化空間的時候，可以嘗試這種萬金油的方式。
①緩存
緩存是一種空間換取時間的解決方案，是在高性能存儲媒體上（例如：記憶體、SSD 硬碟等）存儲一份資料備份。
當有請求打到伺服器的時候，優先從緩存中讀取資料。如果讀取不到，則再從硬碟或通過網絡擷取資料。
由于記憶體或 SSD 相比硬碟或網絡 IO 的效率高很多，則接口響應速度會變快非常多。緩存适合于應用在資料讀遠遠大于資料寫，且資料變化不頻繁的場景中。
從技術選型上看，有這些：
- 簡單的 map
- guava 等本地緩存工具包
- 緩存中間件：redis、tair 或 memcached
當然，memcached 現在用的很少了，因為相比于 redis 他不占優勢。tair 則是阿裡開發的一個分布式緩存中間件，他的優勢是理論上可以在不停服的情況下，動态擴充存儲容量，适用于大資料量緩存存儲。
相比于單機 redis 緩存當然有優勢，而他與可擴充 Redis 叢集的對比則需要進一步調研。
進一步的，目前緩存的模型一般都是 key-value 模型。如何設計 key 以提高緩存的命中率是個大學問，好的 key 設計和壞的 key 設計所提升的性能差别非常大。
而且，key 設計是沒有一定之規的，需要結合具體的業務場景去分析。各個大公司分享出來的相關文章，緩存設計基本上是最大篇幅。
②回調 or 反查
這種方式往往是業務上的解決方式，在訂單或者付款系統中應用的比較多。
舉個例子：當我們付款的時候，需要調用一個專門的付款系統接口，該系統經過一系列驗證、存儲工作後還要調用銀行接口以執行付款。
由于付款這個動作要求十分嚴謹，銀行側接口執行可能比較緩慢，進而拖累整個付款接口性能。
這個時候我們就可以采用 fast success 的方式：當必要的校驗和存儲完成後，立即傳回 success，同時告訴調用方一個中間态“付款中”。
而後調用銀行接口，當獲得支付結果後再調用上遊系統的回調接口傳回付款的最終結果“成果”or“失敗”。這樣就可以異步執行付款過程，提升付款接口效率。
當然，為了防止多業務方接入的時候回調接口不統一，可以把結果抛進 kafka，讓調用方監聽自己的結果。
總結
本文是筆者對工作中遇到的性能優化問題的一個簡單的總結，可能有不完備的地方，歡迎大家讨論交流。