文章来源：http://b.nxw.so/1jSSgg
背景
哪些问题会引起接口性能问题
问题解决
总结
背景
我负责的系统在去年初就完成了功能上的建设，然后开始进入到推广阶段。随着推广的逐步深入，收到了很多好评的同时也收到了很多对性能的吐槽。
刚刚收到吐槽的时候，我们的心情是这样的：
当越来越多对性能的吐槽反馈到我们这里的时候，我们意识到，接口性能的问题的优先级必须提高了。
然后我们就跟踪了 1 周的接口性能监控，这个时候我们的心情是这样的：
有 20 多个慢接口，5 个接口响应时间超过 5s，1 个超过 10s，其余的都在 2s 以上，稳定性不足 99.8%。
作为一个的后端程序员，这个数据肯定是不能忍的，我们马上就进入了漫长的接口优化之路。本文就是对我们漫长工作历程的一个总结。
哪些问题会引起接口性能问题
这个问题的答案非常多，需要根据自己的业务场景具体分析。
这里做一个不完全的总结：
数据库慢查询
业务逻辑复杂
线程池设计不合理
锁设计不合理
机器问题（fullGC，机器重启，线程打满）
万金油解决方式
问题解决
| 慢查询（基于 mysql）
①深度分页
select name,code from student limit 100,20
含义当然就是从 student 表里查 100 到 120 这 20 条数据，mysql 会把前 120 条数据都查出来，抛弃前 100 条，返回 20 条。
select name,code from student limit 1000000,20
这个时候，mysql 会查出来 1000020 条数据，抛弃 1000000 条，如此大的数据量，速度一定快不起来。
select name,code from student where id>1000000 limit 20
这样，mysql 会走主键索引，直接连接到 1000000 处，然后查出来 20 条数据。但是这个方式需要接口的调用方配合改造，把上次查询出来的大 id 以参数的方式传给接口提供方，会有沟通成本（调用方：老子不改！）。
②未加索引
show create table xxxx（表名）
查看某张表的索引。具体加索引的语句网上太多了，不再赘述。不过顺便提一嘴，加索引之前，需要考虑一下这个索引是不是有必要加，如果加索引的字段区分度非常低，那即使加了索引也不会生效。
另外，加索引的 alter 操作，可能引起锁表，执行 sql 的时候一定要在低峰期（血泪史！！！！）
③索引失效
这个是慢查询不好分析的情况，虽然 mysql 提供了 explain 来评估某个 sql 的查询性能，其中就有使用的索引。
需要特别提出的是，关于字段区分性很差的情况，在加索引的时候就应该进行评估。如果区分性很差，这个索引根本就没必要加。
区分性很差是什么意思呢，举几个例子，比如：
某个字段只可能有 3 个值，那这个字段的索引区分度就很低。
再比如，某个字段大量为空，只有少量有值；
再比如，某个字段值非常集中，90% 都是 1，剩下 10% 可能是 2,3,4....
进一步的，那如果不符合上面所有的索引失效的情况，但是 mysql 还是不使用对应的索引，是为啥呢？
这个跟 mysql 的 sql 优化有关，mysql 会在 sql 优化的时候自己选择合适的索引，很可能是 mysql 自己的选择算法算出来使用这个索引不会提升性能，所以就放弃了。
select name,code from student force index(XXXXXX) where name = '天才'
其中 xxxx 是索引名。
④join 过多 or 子查询过多
我把 join 过多和子查询过多放在一起说了。一般来说，不建议使用子查询，可以把子查询改成 join 来优化。同时，join 关联的表也不宜过多，一般来说 2-3 张表还是合适的。
具体关联几张表比较安全是需要具体问题具体分析的，如果各个表的数据量都很少，几百条几千条，那么关联的表的可以适当多一些，反之则需要少一些。
另外需要提到的是，在大多数情况下 join 是在内存里做的，如果匹配的量比较小，或者 join_buffer 设置的比较大，速度也不会很慢。
但是，当 join 的数据量比较大的时候，mysql 会采用在硬盘上创建临时表的方式进行多张表的关联匹配，这种显然效率就极低，本来磁盘的 IO 就不快，还要关联。
一般遇到这种情况的时候就建议从代码层面进行拆分，在业务层先查询一张表的数据，然后以关联字段作为条件查询关联表形成 map，然后在业务层进行数据的拼装。
一般来说，索引建立正确的话，会比 join 快很多，毕竟内存里拼接数据要比网络传输和硬盘 IO 快得多。
⑤in 的元素过多
这种问题，如果只看代码的话不太容易排查，好结合监控和数据库日志一起分析。如果一个查询有 in，in 的条件加了合适的索引，这个时候的 sql 还是比较慢就可以高度怀疑是 in 的元素过多。
一旦排查出来是这个问题，解决起来也比较容易，不过是把元素分个组，每组查一次。想再快的话，可以再引入多线程。
select id from student where id in (1,2,3 ...... 1000) limit 200
当然了，好是在代码层面做个限制：
if (ids.size() > 200) {
throw new Exception("单次查询数据量不能超过200");
}
⑥单纯的数据量过大
这种问题，单纯代码的修修补补一般就解决不了了，需要变动整个的数据存储架构。或者是对底层 mysql 分表或分库+分表；或者就是直接变更底层数据库，把 mysql 转换成专门为处理大数据设计的数据库。
这种工作是个系统工程，需要严密的调研、方案设计、方案评审、性能评估、开发、测试、联调，同时需要设计严密的数据迁移方案、回滚方案、降级措施、故障处理预案。
除了以上团队内部的工作，还可能有跨系统沟通的工作，毕竟做了重大变更，下游系统的调用接口的方式有可能会需要变化。
出于篇幅的考虑，这个不再展开了，笔者有幸完整参与了一次亿级别数据量的数据库分表工作，对整个过程的复杂性深有体会，后续有机会也会分享出来。
| 业务逻辑复杂
①循环调用
这种情况，一般都循环调用同一段代码，每次循环的逻辑一致，前后不关联。
List<Model> list = new ArrayList<>();
for(int i = ; i < 12 ; i ++) {
Model model = calOneMonthData(i); // 计算某个月的数据，逻辑比较复杂，难以批量计算，效率也无法很高
list.add(model);
}
// 建立一个线程池，注意要放在外面，不要每次执行代码就建立一个，具体线程池的使用就不展开了
public static ExecutorService commonThreadPool = new ThreadPoolExecutor(5, 5, 300L,
TimeUnit.SECONDS, new LinkedBlockingQueue<>(10), commonThreadFactory, new ThreadPoolExecutor.DiscardPolicy());
// 开始多线程调用
List<Future<Model>> futures = new ArrayList<>();
for(int i = ; i < 12 ; i ++) {
Future<Model> future = commonThreadPool.submit(() -> calOneMonthData(i););
futures.add(future);
}
// 获取结果
List<Model> list = new ArrayList<>();
try {
for (int i = ; i < futures.size() ; i ++) {
list.add(futures.get(i).get());
}
} catch (Exception e) {
LOGGER.error("出现错误：", e);
}
②顺序调用
A a = doA();
B b = doB();
C c = doC(a, b);
D d = doD(c);
E e = doE(c);
return doResult(d, e);
CompletableFuture<A> futureA = CompletableFuture.supplyAsync(() -> doA());
CompletableFuture<B> futureB = CompletableFuture.supplyAsync(() -> doB());
CompletableFuture.allOf(futureA,futureB) // 等a b 两个任务都执行完成
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两个任务都执行完成
return doResult(futureD.join(),futureE.join());
这样 A B 两个逻辑可以并行执行，D E 两个逻辑可以并行执行，大执行时间取决于哪个逻辑更慢。
| 线程池设计不合理
有的时候，即使我们使用了线程池让任务并行处理，接口的执行效率仍然不够快，这种情况可能是怎么回事呢？
这种情况首先应该怀疑是不是线程池设计的不合理。我觉得这里有必要回顾一下线程池的三个重要参数：核心线程数、大线程数、等待队列。
这三个参数是怎么打配合的呢？当线程池创建的时候，如果不预热线程池，则线程池中线程为 0。当有任务提交到线程池，则开始创建核心线程。
如果线程总数达到大线程数，还是有任务到达，则开始根据线程池抛弃规则开始抛弃。
那么这个运行原理与接口运行时间有什么关系呢？
核心线程设置过小：核心线程设置过小则没有达到并行的效果
线程池公用，别的业务的任务执行时间太长，占用了核心线程，另一个业务的任务到达就直接进入了等待队列
任务太多，以至于占满了线程池，大量任务在队列中等待
在排查的时候，只要找到了问题出现的原因，那么解决方式也就清楚了，无非就是调整线程池参数，按照业务拆分线程池等等。
| 锁设计不合理
锁设计不合理一般有两种：锁类型使用不合理 or 锁过粗。
锁类型使用不合理的典型场景就是读写锁。也就是说，读是可以共享的，但是读的时候不能对共享变量写；而在写的时候，读写都不能进行。
在可以加读写锁的时候，如果我们加成了互斥锁，那么在读远远多于写的场景下，效率会极大降低。
public synchronized void doSome() {
File f = calData();
uploadToS3(f);
sendSuccessMessage();
}
这块逻辑一共处理了三部分，计算、上传结果、发送消息。显然上传结果和发送消息是完全可以不加锁的，因为这个跟共享变量根本不沾边。
因此完全可以改成：
public void doSome() {
File f = null;
synchronized(this) {
f = calData();
}
uploadToS3(f);
sendSuccessMessage();
}
| 机器问题（fullGC，机器重启，线程打满）
造成这个问题的原因非常多，笔者就遇到了定时任务过大引起 fullGC，代码存在线程泄露引起 RSS 内存占用过高进而引起机器重启等待诸多原因。
需要结合各种监控和具体场景具体分析，进而进行大事务拆分、重新规划线程池等等工作。
| 万金油解决方式
万金油这个形容词是从我们单位某位老师那里学来的，但是笔者觉得非常贴切。这些万金油解决方式往往能解决大部分的接口缓慢的问题，而且也往往是我们解决接口效率问题的终解决方案。
当我们实在是没有办法排查出问题，或者实在是没有优化空间的时候，可以尝试这种万金油的方式。
①缓存
缓存是一种空间换取时间的解决方案，是在高性能存储介质上（例如：内存、SSD 硬盘等）存储一份数据备份。
当有请求打到服务器的时候，优先从缓存中读取数据。如果读取不到，则再从硬盘或通过网络获取数据。
由于内存或 SSD 相比硬盘或网络 IO 的效率高很多，则接口响应速度会变快非常多。缓存适合于应用在数据读远远大于数据写，且数据变化不频繁的场景中。
从技术选型上看，有这些：
简单的 map
guava 等本地缓存工具包
缓存中间件：redis、tair 或 memcached
当然，memcached 现在用的很少了，因为相比于 redis 他不占优势。tair 则是阿里开发的一个分布式缓存中间件，他的优势是理论上可以在不停服的情况下，动态扩展存储容量，适用于大数据量缓存存储。
相比于单机 redis 缓存当然有优势，而他与可扩展 Redis 集群的对比则需要进一步调研。
进一步的，当前缓存的模型一般都是 key-value 模型。如何设计 key 以提高缓存的命中率是个大学问，好的 key 设计和坏的 key 设计所提升的性能差别非常大。
而且，key 设计是没有一定之规的，需要结合具体的业务场景去分析。各个大公司分享出来的相关文章，缓存设计基本上是大篇幅。
②回调 or 反查
这种方式往往是业务上的解决方式，在订单或者付款系统中应用的比较多。
举个例子：当我们付款的时候，需要调用一个专门的付款系统接口，该系统经过一系列验证、存储工作后还要调用银行接口以执行付款。
由于付款这个动作要求十分严谨，银行侧接口执行可能比较缓慢，进而拖累整个付款接口性能。
这个时候我们就可以采用 fast success 的方式：当必要的校验和存储完成后，立即返回 success，同时告诉调用方一个中间态“付款中”。
而后调用银行接口，当获得支付结果后再调用上游系统的回调接口返回付款的终结果“成果”or“失败”。这样就可以异步执行付款过程，提升付款接口效率。
当然，为了防止多业务方接入的时候回调接口不统一，可以把结果抛进 kafka，让调用方监听自己的结果。
