凛冬已至，雪花算法会了吗？

Posted 2021-12-12 一条coding

点击获取福利

• 15张学习路线导图

• 10G学习资料

• 100本计算机书籍

---

点赞再看，养成习惯。微信搜索【一条coding】关注这个在互联网摸爬滚打的程序员。

本文收录于技术专家修炼，里面有我的学习路线、系列文章、面试题库、自学资料、电子书等。欢迎star⭐️

哈喽，大家好，我是一条~

算下来，已有半月之久没写文章，都是在吃老本，再不写估计就要废了，下班回来告诉自己就算通宵也要把这篇写完。

早上出门看着路边的积雪，不禁感到凛冬已至，咦！好熟悉，这不是王昭君的台词吗。

那索性今天就和大家聊聊雪花算法，一局王者复活的时间就能学会。（死的次数有点多）

本文大纲

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
• 使用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。（有同学问为什么不是树叶，美团的叫树叶——Leaf）

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64 bit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：

1. 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。
2. 时间戳：占用 41 bit ，精确到毫秒。41位最好可以表示2^41-1毫秒，转化成单位年为 69 年。
3. 机器编码：占用10bit，其中高位 5 bit 是数据中心 ID，低位 5 bit 是工作节点 ID，最多可以容纳 1024 个节点。
4. 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

Twitter官方给出的算法实现是用Scala写的，本文用Java实现。

源码地址

SnowFlake.java

/**
 * 雪花算法类
 * 一条coding
 */
public class SnowFlake {
    //本例将10位机器码看成是“5位datacenterId+5位workerId”
    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() {
        //获取计算id时刻的时间戳
        long timestamp = System.currentTimeMillis();

        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sequence已满，就无法再通过sequence区分id值；因此需要切换到
            //下一个时间戳重新计算。
            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 ((timestamp - twepoch) <<timestampLeftShift)
                | (datacenterId <<datacenterIdShift) | (workerId <<workerIdShift)
                | sequence;
    }

    protected long tilNextMillis(long lastTimestamp) {
        long timestamp = System.currentTimeMillis();
        /*
            如果当前时刻的时间戳<=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 = System.currentTimeMillis();
        }
        return timestamp;
    }
}

TestSnowFlake.java

/**
 * 测试类
 * 一条coding
 */
public class TestSnowFlake {
	//测试1秒能够生成的id个数
	public static void generateIdsInOneSecond() {
		 SnowFlake idWorker = new SnowFlake(1, 1);
		 long start = System.currentTimeMillis();
		 int i = 0;
		 for (; System.currentTimeMillis() - start <1000; i++) {
				 idWorker.nextId();
		 }
		 long end = System.currentTimeMillis();
		 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

疑问

雪花算法有缺点吗？

• 雪花算法生成ID一定是唯一的吗？
• 机器码最多可以容纳 1024 个节点，超过 1024 怎么办？
• 数据库的自增ID为什么不用雪花算法？

不要慌，下期和大家聊聊这些问题。

⭐️学习路线、100本电子书⭐️ 👇点击下方卡片 关注后回复「1024」获取👇