随便聊聊
哈喽，大家好，最近换了份工作，虽然后端技术栈是老了点，但是呢，这边的前端技术确是现在市面上最新的那一套技术：Vue3+Vite+TSX+Pina+Element-Plus+NativeUI。我本人主要是学后端的，确被拉去做前端。唉（人生无常，大肠包小肠！）
但是呢，最近经常听到同事们一直在聊雪花算法，下面来，我们来聊聊雪花算法，是的
分布式ID
聊之前先说一下什么是分布式ID，抛砖引玉
假设现在有一个订单系统被部署在了A、B两个节点上，那么如何在这两个节点上各自生成订单ID，且ID值不能重复呢？
即在分布式系统中，如何在各个不同的服务器上产生唯一的ID值？
通常有以下三种方案：
- 利用数据库的自增特性，不同节点直接使用相同数据库的自增ID;
- 利用UUID算法产生ID值；
- 使用雪花算法产生ID值
虽然Java提供了对UUID的支持，使用UUID.randomUUID()即可，但是由于UUID是一串随机的36位字符串，由32个数字和字母混合的字符串和4个“-”组成，长度过长且业务可读性差，无法有序递增，所以一般不用，更多使用的是雪花算法
由来
为什么叫雪花算法？
雪花算法的由来有两种说法：
- 第一种，Twitter使用scala语言开源了一种分布式id生成算法—SnowFlake算法，被翻译成了雪花算法；
- 第二种，因为自然界中并不存在两片完全一样的雪花的，每一片雪花都拥有自己漂亮独特的形状、独一无二。雪花算法也表示生成的ID如雪花般独一无二。
组成
雪花算法生成的ID到底长啥样？
雪花算法生成的ID是一个64bit的long型的数字且按时间趋势递增。大致由首位无效符、时间戳差值、机器编码，序列号四部分组成。
如图：
- 首位无效符：第一个bit作为符号位，因为我们生成的都是正数，所以第一个bit统一都是0；
- 时间戳：占用41bit，精确到毫秒。41位最好可以表示2^41-1毫秒，转换成单位年为69年；
- 机器编码：占用10bit，其中高位5bit是数据中心ID，低位5bit是工作节点ID，最多可以容纳1024个节点；
- 序列号：占用12bit，每个节点每毫秒0开始不断累加，最多可以累加到4095，一共可以产生4096个ID
代码
/*** 雪花算法* @author Fang Ruichuan* @date 2022-11-28 21:24*/
public class SnowFlake {private long workerId;private long dataCenterId;// 每毫秒生产的序列号之从0开始递增private long sequence = 0L;// 1288834974657L是1970-01-01 00:00:00到2010年11月04日01:42:54所经过的毫秒数；// 因为现在二十一世纪的某一时刻减去1288834974657L的值，正好在2^41内。// 因此1288834974657L实际上就是为了让时间戳正好在2^41内而凑出来的。// 简言之，1288834974657L（即1970-01-01 00:00:00），就是在计算时间戳时用到的“起始时间”。private long twePoch = 1288834974657L;private long workerIdBits = 5L;private long datacenterIdBits = 5L;private long maxWorkerId = -1L ^ (-1L << workerIdBits);private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);private long sequenceBits = 12L;private long workerIdShift = sequenceBits;private long datacenterIdShift = sequenceBits + workerIdBits;private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;private long sequenceMask = -1L ^ (-1L << sequenceBits);private long lastTimestamp = -1L;public SnowFlake(long datacenterId, long workerId) {if ((datacenterId > maxDatacenterId || datacenterId < 0)|| (workerId > maxWorkerId || workerId < 0)) {throw new IllegalArgumentException("datacenterId/workerId值非法");}this.dataCenterId = datacenterId;this.workerId = workerId;}// 通过SnowFlake生成id的核心算法public synchronized long nextId() {long timestamp = Clock.systemUTC().millis();if (timestamp < lastTimestamp) {throw new RuntimeException("时间戳值非法");}// 如果此次生成id的时间戳，与上次的时间戳相同，就通过机器码和序列号区// 分id值（机器码已通过构造方法传入）if (lastTimestamp == timestamp) {/*下一条语句的作用是：通过位运算保证sequence不会超出序列号所能容纳的最大值。例如，本程序产生的12位sequence值依次是：1、2、3、4、...、4094、4095（4095是2的12次方的最大值，也是本sequence的最大值）那么此时如果再增加一个sequence值（即sequence + 1），下条语句就会使sequence恢复到0。即如果sequence==0，就表示sequence已满。*/sequence = (sequence + 1) & sequenceMask;// 如果sequencce已满，就无法再通过sequence区分id值：因此需要切换到if (sequence == 0) {timestamp = tilNextMillis(lastTimestamp);}} else {// 如果此次生成id的时间戳，与上次的时间戳不同，就已经可以根据时间戳区分id值sequence = 0L;}// 更新最近一次次生成id的时间戳lastTimestamp = timestamp;/**** 假设此刻的值是（二进制表示）：* 41位时间戳的值是：00101011110101011101011101010101111101011* 5位datacenterId（机器码的前5位）的值是：01101* 5位workerId（机器码的后5位）的值是：11001* sequence的值是：01001* 那么最终生成的id值，就需要：* 1.将41位时间戳左移动22位（即移动到snowflake值中时间戳应该出现的位置）；* 2.将5位datacenterId向左移动17位，并将5位workerId向左移动12位* （即移动到snowflake值中机器码应该出现的位置）；* 3.sequence本来就在最低位，因此不需要移动。* 以下<<和|运算，实际就是将时间戳、机器码和序列号移动到snowflake中相应的位置。* @return long*/return ((timestamp - twePoch) << timestampLeftShift)| (dataCenterId << datacenterIdShift) | (workerId << workerIdShift)| sequence;}private long tilNextMillis(long lastTimestamp) {long timestamp = Clock.systemUTC().millis();// 如果当时时刻的时间戳 <= 上一次生成id的时间戳，就重新生成当前时间；// 即确保当前时刻的时间戳，与上一次的时间戳不会重复while (timestamp <= lastTimestamp) {timestamp = Clock.systemUTC().millis();}return timestamp;}// 测试1秒能够生成的id个数public static void generateIdsInOneSecond() {SnowFlake idWorker = new SnowFlake(1, 1);long start = Clock.systemUTC().millis();int i = 0;for (; Clock.systemUTC().millis() - start < 1000; i++) {idWorker.nextId();}long end = Clock.systemUTC().millis();System.out.println("耗时：" + (end - start));System.out.println("生成id个数：" + i);}public static void main(String[] args) {generateIdsInOneSecond();}
}
测试结果：
耗时：1000
生成id个数：4082481
