聊聊雪花算法？

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();
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118

测试结果：

耗时：1000
生成id个数：4082481
1
2