标签:String 订单号 long 生成 毫秒 时间 关于 ID id
订单号的生成
前言
在生成的时候 有一个主键id 作为代理主键 有一个订单号作为业务主键
至于为什么要使用业务主键和代理主键 可以参考 这篇博客 业务主键和代理主键的比较 或者自行百度
订单号的要求 看自己的业务来
全局唯一(必须的)
高并发 看公司的项目运营情况吧 要是一天才几十个人下单
安全性 还有趋势递增 高可用这些
方法的介绍
第一种方法
最简单最基础的 MySQL 的自增id用来做 订单id
直接放弃掉 第一个 mysql共总的合适的并发量是500-700 如果订单多那么肯定不用 第二个 这玩意 给你 很容易套出来其他的订单号 安全性低 第三个 他可读性差 看看人家淘宝的id 看完之后 还能知道下单时间什么的
如果要分库分表 还要确定另一张表的数据 两个数据库同时启动的话 哟要进行判断
uuid
时间戳(当前日期+时间)+时钟序列+机械识别号
uuid 有几个版本
version 1 基于时间 (如果要使用的话 要避免时钟回拨问题)
version 2 基于dec安全
version3 基于MD5
version4 基于伪随机数 (不建议 可能会出现重复的 这个东西就像买彩票 几率很小 万一中了)
version5 基于SHA1
uuid由十六位的数字组成
可读性差 没有趋势递增 uuid很长 字节大 导致查询io次数多 从而导致查询缓慢
时钟回拨问题 雪花如果改变也会出现
时间戳的计算 是当前时间戳-定义的起始时间戳
如果起始时间戳发生变化 则会导致 时间戳一样 会出现id重复生成的问题
雪花算法
组成 :41位时间戳+10位机器ID+12位序号(自增),转换成长度为18的长整型。
如果出现时钟回拨 先等待 如果反复横跳 启用备用的机器 如果备用的机器也出现同样的问题 则抛出异常
实战
随机数+时间戳+加业务id
/**
* 生成订单号(25位):时间(精确到毫秒)+3位随机数+5位用户id
*/
public static synchronized String getOrderNum(Long userId) {
//时间(精确到毫秒)
DateTimeFormatter ofPattern = DateTimeFormatter.ofPattern("yyyyMMddHHmmssSSS");
String localDate = LocalDateTime.now().format(ofPattern);
//3位随机数
String randomNumeric = RandomStringUtils.randomNumeric(3);
//5位用户id
int subStrLength = 5;
String sUserId = userId.toString();
int length = sUserId.length();
String str;
if (length >= subStrLength) {
str = sUserId.substring(length - subStrLength, length);
} else {
str = String.format("%0" + subStrLength + "d", userId);
}
String orderNum = localDate + randomNumeric + str;
log.info("订单号:{}", orderNum);
return orderNum;
}
uuid
//生成uuid 去掉-
String replaceUUID = UUID.randomUUID().toString().replace("-", "");
uuid生成的数字没有规律性 而且太长
雪花算法
package com.lucifer.order.util.idgenerate;
/**
* Twitter_Snowflake<br>
* SnowFlake的结构如下(每部分用-分开):<br>
* 0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 000000000000 <br>
* 1位标识,由于long基本类型在Java中是带符号的,最高位是符号位,正数是0,负数是1,所以id一般是正数,最高位是0<br>
* 41位时间截(毫秒级),注意,41位时间截不是存储当前时间的时间截,而是存储时间截的差值(当前时间截 - 开始时间截)
* 得到的值),这里的的开始时间截,一般是我们的id生成器开始使用的时间,由我们程序来指定的(如下下面程序IdWorker类的startTime属性)。41位的时间截,可以使用69年,年T = (1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69<br>
* 10位的数据机器位,可以部署在1024个节点,包括5位datacenterId和5位workerId<br>
* 12位序列,毫秒内的计数,12位的计数顺序号支持每个节点每毫秒(同一机器,同一时间截)产生4096个ID序号<br>
* 加起来刚好64位,为一个Long型。<br>
* SnowFlake的优点是,整体上按照时间自增排序,并且整个分布式系统内不会产生ID碰撞(由数据中心ID和机器ID作区分),并且效率较高,经测试,SnowFlake每秒能够产生26万ID左右。
*
* @author chenyaoyan
*/
public class SnowFlake {
/**
* 开始时间截 (2018-07-03)
*/
private final long twepoch = 1530607760000L;
/**
* 机器id所占的位数
*/
private final long workerIdBits = 5L;
/**
* 数据标识id所占的位数
*/
private final long datacenterIdBits = 5L;
/**
* 支持的最大机器id,结果是31 (这个移位算法可以很快的计算出几位二进制数所能表示的最大十进制数)
*/
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
/**
* 支持的最大数据标识id,结果是31
*/
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
/**
* 序列在id中占的位数
*/
private final long sequenceBits = 12L;
/**
* 机器ID向左移12位
*/
private final long workerIdShift = sequenceBits;
/**
* 数据标识id向左移17位(12+5)
*/
private final long datacenterIdShift = sequenceBits + workerIdBits;
/**
* 时间截向左移22位(5+5+12)
*/
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
/**
* 生成序列的掩码,这里为4095 (0b111111111111=0xfff=4095)
*/
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
/**
* 工作机器ID(0~31)
*/
private long workerId;
/**
* 数据中心ID(0~31)
*/
private long datacenterId;
/**
* 毫秒内序列(0~4095)
*/
private long sequence = 0L;
/**
* 上次生成ID的时间截
*/
private long lastTimestamp = -1L;
//==============================Constructors=====================================
/**
* 构造函数
*
* @param workerId 工作ID (0~31)
* @param datacenterId 数据中心ID (0~31)
*/
public SnowFlake(long workerId, long datacenterId) {
if (workerId > maxWorkerId || workerId < 0) {
throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0", maxWorkerId));
}
if (datacenterId > maxDatacenterId || datacenterId < 0) {
throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId));
}
this.workerId = workerId;
this.datacenterId = datacenterId;
}
// ==============================Methods==========================================
/**
* 获得下一个ID (该方法是线程安全的)
*
* @return SnowflakeId
*/
public synchronized long nextId() {
long timestamp = timeGen();
//如果当前时间小于上一次ID生成的时间戳,说明系统时钟回退过这个时候应当抛出异常
if (timestamp < lastTimestamp) {
throw new RuntimeException(
String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
//如果是同一时间生成的,则进行毫秒内序列
if (lastTimestamp == timestamp) {
sequence = (sequence + 1) & sequenceMask;
//毫秒内序列溢出
if (sequence == 0) {
//阻塞到下一个毫秒,获得新的时间戳
timestamp = tilNextMillis(lastTimestamp);
}
}
//时间戳改变,毫秒内序列重置
else {
sequence = 0L;
}
//上次生成ID的时间截
lastTimestamp = timestamp;
//移位并通过或运算拼到一起组成64位的ID
return (((timestamp - twepoch) << timestampLeftShift)
| (datacenterId << datacenterIdShift)
| (workerId << workerIdShift)
| sequence);
}
/**
* 阻塞到下一个毫秒,直到获得新的时间戳
*
* @param lastTimestamp 上次生成ID的时间截
* @return 当前时间戳
*/
protected long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
/**
* 返回以毫秒为单位的当前时间
*
* @return 当前时间(毫秒)
*/
protected long timeGen() {
return System.currentTimeMillis();
}
//==============================Test=============================================
/**
* 测试
*/
public static void main(String[] args) {
long startTime = System.currentTimeMillis();
SnowFlake idWorker = new SnowFlake(0, 0);
Set set = new HashSet();
for (int i = 0; i < 10000000; i++) {
long id = idWorker.nextId();
set.add(id);
System.out.println("id----"+i+":"+id);
}
long endTime = System.currentTimeMillis();
System.out.println("set.size():" + set.size());
System.out.println("endTime-startTime:" + (endTime - startTime));
}
}
线程多开测试
public static void main(String[] args) throws InterruptedException {
long startTime = System.currentTimeMillis();
CountDownLatch countDownLatch=new CountDownLatch(10000000);
final SnowFlake idWorker = new SnowFlake(0, 0);
Set set = Collections.synchronizedSet(new HashSet());
for (int i = 0; i < 100; i++) {
Thread thread = new Thread(() -> {
for (int i1 = 0; i1 < 100000; i1++) {
long id = idWorker.nextId();
System.out.println("id:"+id);
set.add(id);
countDownLatch.countDown();
}
});
thread.start();
}
countDownLatch.await();
long endTime = System.currentTimeMillis();
System.out.println("set.size():" + set.size());
System.out.println("endTime-startTime:" + (endTime - startTime));
}
可以去看一下推特的雪花算法
标签:String,订单号,long,生成,毫秒,时间,关于,ID,id 来源: https://www.cnblogs.com/chenyaoyan/p/orderCreate.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。