11个接口性能优化方案
对于从事后端开发的同学来说，肯定再熟悉不过了，因为它是一个跟开发语言无关的公共问题。
该问题说简单也简单，说复杂也复杂。
有时候，只需加个索引就能解决问题。
有时候，需要做代码重构。
有时候，需要增加缓存。
有时候，需要引入一些中间件，比如mq。
有时候，需要需要分库分表。
有时候，需要拆分服务。
等等。。。
导致接口性能问题的原因千奇百怪，不同的项目不同的接口，原因可能也不一样。
本文我总结了一些行之有效的，优化接口性能的办法，给有需要的朋友一个参考。
1.索引
接口性能优化大家第一个想到的可能是：优化索引。
没错，优化索引的成本是最小的。
你通过查看线上日志或者监控报告，查到某个接口用到的某条sql语句耗时比较长。
这时你可能会有下面这些疑问：
- 该sql语句加索引了没？
- 加的索引生效了没？
- mysql选错索引了没？
1.1 没加索引
sql语句中where条件的关键字段，或者order by后面的排序字段，忘了加索引，这个问题在项目中很常见。
项目刚开始的时候，由于表中的数据量小，加不加索引sql查询性能差别不大。
后来，随着业务的发展，表中数据量越来越多，就不得不加索引了。
可以通过命令：
show index from `order`;
能单独查看某张表的索引情况。
也可以通过命令：
show create table `order`;
查看整张表的建表语句，里面同样会显示索引情况。
通过ALTER TABLE命令可以添加索引：
ALTER TABLE `order` ADD INDEX idx_name (name);
也可以通过CREATE INDEX命令添加索引：
CREATE INDEX idx_name ON `order` (name);
不过这里有一个需要注意的地方是：想通过命令修改索引，是不行的。
目前在mysql中如果想要修改索引，只能先删除索引，再重新添加新的。
删除索引可以用DROP INDEX命令：
ALTER TABLE `order` DROP INDEX idx_name;
用DROP INDEX命令也行：
DROP INDEX idx_name ON `order`;
1.2 索引没生效
通过上面的命令我们已经能够确认索引是有的，但它生效了没？此时你内心或许会冒出这样一个疑问。
那么，如何查看索引有没有生效呢？
答：可以使用explain命令，查看mysql的执行计划，它会显示索引的使用情况。
例如：
explain select * from `order` where code='002';
结果：通过这几列可以判断索引使用情况，执行计划包含列的含义如下图所示：
说实话，sql语句没有走索引，排除没有建索引之外，最大的可能性是索引失效了。
下面说说索引失效的常见原因：如果不是上面的这些原因，则需要再进一步排查一下其他原因。
1.3 选错索引
此外，你有没有遇到过这样一种情况：明明是同一条sql，只有入参不同而已。有的时候走的索引a，有的时候却走的索引b？
没错，有时候mysql会选错索引。
必要时可以使用force index来强制查询sql走某个索引。
2. sql优化
如果优化了索引之后，也没啥效果。
接下来试着优化一下sql语句，
下面给大家列举了sql优化的15个小技巧：
https://mmbiz.qpic.cn/mmbiz_jpg/ibJZVicC7nz5hq0iaKg80FgbtoMf7wY5zmvPa8OXNqDDPJUqFEaRicwy9DN3Z6JiambArtqtX4fnQpgfvxgIxcYQSSg/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1
3. 远程调用
很多时候，我们需要在某个接口中，调用其他服务的接口。
比如有这样的业务场景：
在用户信息查询接口中需要返回：用户名称、性别、等级、头像、积分、成长值等信息。
而用户名称、性别、等级、头像在用户服务中，积分在积分服务中，成长值在成长值服务中。为了汇总这些数据统一返回，需要另外提供一个对外接口服务。
于是，用户信息查询接口需要调用用户查询接口、积分查询接口 和 成长值查询接口，然后汇总数据统一返回。
调用过程如下图所示：调用远程接口总耗时 530ms = 200ms + 150ms + 180ms
显然这种串行调用远程接口性能是非常不好的，调用远程接口总的耗时为所有的远程接口耗时之和。
那么如何优化远程接口性能呢？
3.1 并行调用
上面说到，既然串行调用多个远程接口性能很差，为什么不改成并行呢？
如下图所示：调用远程接口总耗时 200ms = 200ms（即耗时最长的那次远程接口调用）
GO代码：CompleteFuture类实现该功能。我们这里以CompleteFuture为例：
package main
import (
"context"
"fmt"
"sync"
"github.com/google/uuid" // 假设用于生成唯一ID
)
type UserInfo struct {
ID string // 用户唯一标识
Name string // 用户名
Bonus int // 奖金
Growth int // 成长值
}
func getUser(ctx context.Context, id string, userInfo *UserInfo) error {
// 模拟从远程服务获取用户基本信息并填充到userInfo
userInfo.Name = "Alice" // 示例数据
return nil
}
func getBonus(ctx context.Context, id string, userInfo *UserInfo) error {
// 模拟从远程服务获取用户奖金信息并填充到userInfo
userInfo.Bonus = 100 // 示例数据
return nil
}
func getGrowth(ctx context.Context, id string, userInfo *UserInfo) error {
// 模拟从远程服务获取用户成长值信息并填充到userInfo
userInfo.Growth = 500 // 示例数据
return nil
}
func getUserInfo(ctx context.Context, id string) (UserInfo, error) {
var userInfo UserInfo
userInfo.ID = id
var wg sync.WaitGroup
wg.Add(3)
go func() {
defer wg.Done()
if err := getUser(ctx, id, &userInfo); err != nil {
fmt.Println("Error getting user:", err)
}
}()
go func() {
defer wg.Done()
if err := getBonus(ctx, id, &userInfo); err != nil {
fmt.Println("Error getting bonus:", err)
}
}()
go func() {
defer wg.Done()
if err := getGrowth(ctx, id, &userInfo); err != nil {
fmt.Println("Error getting growth:", err)
}
}()
wg.Wait()
return userInfo, nil
}
func main() {
ctx := context.Background()
id := uuid.New().String()
userInfo, err := getUserInfo(ctx, id)
if err != nil {
fmt.Println("Error:", err)
return
}
fmt.Printf("User Info: %+v\n", userInfo)
}
温馨提醒一下，这两种方式别忘了使用线程池。示例中我用到了executor，表示自定义的线程池，为了防止高并发场景下，出现线程过多的问题。
3.2 数据异构
上面说到的用户信息查询接口需要调用用户查询接口、积分查询接口 和 成长值查询接口，然后汇总数据统一返回。
那么，我们能不能把数据冗余一下，把用户信息、积分和成长值的数据统一存储到一个地方，比如：redis，存的数据结构就是用户信息查询接口所需要的内容。然后通过用户id，直接从redis中查询数据出来，不就OK了？
如果在高并发的场景下，为了提升接口性能，远程接口调用大概率会被去掉，而改成保存冗余数据的数据异构方案。
但需要注意的是，如果使用了数据异构方案，就可能会出现数据一致性问题。
用户信息、积分和成长值有更新的话，大部分情况下，会先更新到数据库，然后同步到redis。但这种跨库的操作，可能会导致两边数据不一致的情况产生。
4. 重复调用
重复调用在我们的日常工作代码中可以说随处可见，但如果没有控制好，会非常影响接口的性能。
不信，我们一起看看。
4.1 循环查数据库
有时候，我们需要从指定的用户集合中，查询出有哪些是在数据库中已经存在的。
实现代码可以这样写：
package main
import (
"context"
"fmt"
"sync"
)
// User 结构体定义
type User struct {
ID int `json:"id"`
Name string `json:"name"`
// 可以添加更多字段
}
// UserRepository 接口定义
type UserRepository interface {
GetUserById(ctx context.Context, id int) (*User, error)
}
// MockUserRepository 实现 UserRepository 接口
type MockUserRepository struct{}
func (m *MockUserRepository) GetUserById(ctx context.Context, id int) (*User, error) {
// 模拟从数据库获取用户信息
if id == 1 {
return &User{ID: 1, Name: "Alice"}, nil
}
return &User{ID: 2, Name: "Bob"}, nil
}
// QueryUser 函数实现
func QueryUser(searchList []User, repo UserRepository) []User {
if len(searchList) == 0 {
return []User{}
}
result := make([]User, 0, len(searchList))
var wg sync.WaitGroup
for _, user := range searchList {
wg.Add(1)
go func(u User) {
defer wg.Done()
newUser, err := repo.GetUserById(context.Background(), u.ID)
if err != nil {
fmt.Println("Error getting user:", err)
return
}
result = append(result, *newUser)
}(user)
}
wg.Wait()
return result
}
func main() {
repo := &MockUserRepository{}
searchList := []User{
{ID: 1},
{ID: 2},
}
result := QueryUser(searchList, repo)
fmt.Println("Result:", result)
}
这里如果有50个用户，则需要循环50次，去查询数据库。我们都知道，每查询一次数据库，就是一次远程调用。
如果查询50次数据库，就有50次远程调用，这是非常耗时的操作。
那么，我们如何优化呢？
具体代码如下：
package main
import (
"context"
"fmt"
)
// User 结构体定义
type User struct {
ID int `json:"id"`
Name string `json:"name"`
// 可以添加更多字段
}
// UserRepository 接口定义
type UserRepository interface {
GetUserByIds(ctx context.Context, ids []int) []User
}
// MockUserRepository 实现 UserRepository 接口
type MockUserRepository struct{}
func (m *MockUserRepository) GetUserByIds(ctx context.Context, ids []int) []User {
// 模拟从数据库批量获取用户信息
var users []User
for _, id := range ids {
if id == 1 {
users = append(users, User{ID: 1, Name: "Alice"})
} else {
users = append(users, User{ID: 2, Name: "Bob"})
}
}
return users
}
// QueryUser 函数实现
func QueryUser(searchList []User, repo UserRepository) []User {
if len(searchList) == 0 {
return []User{}
}
ids := make([]int, len(searchList))
for i, user := range searchList {
ids[i] = user.ID
}
return repo.GetUserByIds(context.Background(), ids)
}
func main() {
repo := &MockUserRepository{}
searchList := []User{
{ID: 1},
{ID: 2},
}
result := QueryUser(searchList, repo)
fmt.Println("Result:", result)
}
提供一个根据用户id集合批量查询用户的接口，只远程调用一次，就能查询出所有的数据。
这里有个需要注意的地方是：id集合的大小要做限制，最好一次不要请求太多的数据。要根据实际情况而定，建议控制每次请求的记录条数在500以内。
4.2 死循环
有些小伙伴看到这个标题，可能会感到有点意外，死循环也算？
代码中不是应该避免死循环吗？为啥还是会产生死循环？
有时候死循环是我们自己写的，例如下面这段代码：
package main
import (
"fmt"
)
func main() {
condition := false
for {
if condition {
break
}
fmt.Println("do something")
}
}
}
这里使用了while(true)的循环调用，这种写法在CAS自旋锁中使用比较多。
当满足condition等于true的时候，则自动退出该循环。
如果condition条件非常复杂，一旦出现判断不正确，或者少写了一些逻辑判断，就可能在某些场景下出现死循环的问题。
出现死循环，大概率是开发人员人为的bug导致的，不过这种情况很容易被测出来。
还有一种隐藏的比较深的死循环，是由于代码写的不太严谨导致的。如果用正常数据，可能测不出问题，但一旦出现异常数据，就会立即出现死循环。
4.3 无限递归
如果想要打印某个分类的所有父分类，可以用类似这样的递归方法实现：
package main
import (
"fmt"
)
// Category 结构体定义
type Category struct {
ID int `json:"id"`
Name string `json:"name"`
ParentID int `json:"parentId"`
}
// CategoryMapper 接口定义
type CategoryMapper interface {
GetCategoryById(id int) *Category
}
// MockCategoryMapper 实现 CategoryMapper 接口
type MockCategoryMapper struct{}
func (m *MockCategoryMapper) GetCategoryById(id int) *Category {
// 模拟从数据库获取分类信息
if id == 1 {
return &Category{ID: 1, Name: "Parent", ParentID: 0}
}
if id == 2 {
return &Category{ID: 2, Name: "Child", ParentID: 1}
}
return nil
}
// PrintCategory 函数实现
func PrintCategory(category *Category, mapper CategoryMapper) {
if category == nil || category.ParentID == 0 {
return
}
fmt.Printf("父分类名称：%s\n", category.Name)
parent := mapper.GetCategoryById(category.ParentID)
PrintCategory(parent, mapper)
}
func main() {
mapper := &MockCategoryMapper{}
category := &Category{ID: 2, Name: "Child", ParentID: 1}
PrintCategory(category, mapper)
}
正常情况下，这段代码是没有问题的。
但如果某次有人误操作，把某个分类的parentId指向了它自己，这样就会出现无限递归的情况。导致接口一直不能返回数据，最终会发生堆栈溢出。
建议写递归方法时，设定一个递归的深度，比如：分类最大等级有4级，则深度可以设置为4。然后在递归方法中做判断，如果深度大于4时，则自动返回，这样就能避免无限循环的情况。
5. 异步处理
有时候，我们接口性能优化，需要重新梳理一下业务逻辑，看看是否有设计上不太合理的地方。
比如有个用户请求接口中，需要做业务操作，发站内通知，和记录操作日志。为了实现起来比较方便，通常我们会将这些逻辑放在接口中同步执行，势必会对接口性能造成一定的影响。
接口内部流程图如下：这个接口表面上看起来没有问题，但如果你仔细梳理一下业务逻辑，会发现只有业务操作才是核心逻辑，其他的功能都是非核心逻辑。
在这里有个原则就是：核心逻辑可以同步执行，同步写库。非核心逻辑，可以异步执行，异步写库。
上面这个例子中，发站内通知和用户操作日志功能，对实时性要求不高，即使晚点写库，用户无非是晚点收到站内通知，或者运营晚点看到用户操作日志，对业务影响不大，所以完全可以异步处理。
通常异步主要有两种：多线程 和 mq。
5.1 线程池
使用线程池改造之后，接口逻辑如下：发站内通知和用户操作日志功能，被提交到了两个单独的线程池中。
这样接口中重点关注的是业务操作，把其他的逻辑交给线程异步执行，这样改造之后，让接口性能瞬间提升了。
但使用线程池有个小问题就是：如果服务器重启了，或者是需要被执行的功能出现异常了，无法重试，会丢数据。
那么这个问题该怎么办呢？
5.2 mq
使用mq改造之后，接口逻辑如下：对于发站内通知和用户操作日志功能，在接口中并没真正实现，它只发送了mq消息到mq服务器。然后由mq消费者消费消息时，才真正的执行这两个功能。
这样改造之后，接口性能同样提升了，因为发送mq消息速度是很快的，我们只需关注业务操作的代码即可。
6. 避免大事务
很多小伙伴在使用spring框架开发项目时，为了方便，喜欢使用@Transactional注解提供事务功能。
没错，使用@Transactional注解这种声明式事务的方式提供事务功能，确实能少写很多代码，提升开发效率。
但也容易造成大事务，引发其他的问题。
下面用一张图看看大事务引发的问题。从图中能够看出，大事务问题可能会造成接口超时，对接口的性能有直接的影响。
我们该如何优化大事务呢？
- 少用@Transactional注解
- 将查询(select)方法放到事务外
- 事务中避免远程调用
- 事务中避免一次性处理太多数据
- 有些功能可以非事务执行
- 有些功能可以异步处理
7. 锁粒度
在某些业务场景中，为了防止多个线程并发修改某个共享数据，造成数据异常。
为了解决并发场景下，多个线程同时修改数据，造成数据不一致的情况。通常情况下，我们会：加锁。
但如果锁加得不好，导致锁的粒度太粗，也会非常影响接口性能。
7.1 synchronized
通常有两种写法：在方法上加锁 和 在代码块上加锁。
先看看如何在方法上加锁：
package main
import (
"fmt"
"sync"
)
// 文件操作结构体
type FileOperations struct {
mu sync.Mutex
}
// 创建目录
func (f *FileOperations) mkdir() {
fmt.Println("创建目录")
}
// 上传文件
func (f *FileOperations) uploadFile(fileUrl string) {
fmt.Println("上传文件:", fileUrl)
}
// 发送消息
func (f *FileOperations) sendMessage(fileUrl string) {
fmt.Println("发送消息:", fileUrl)
}
// 同步执行保存操作
func (f *FileOperations) DoSave(fileUrl string) {
f.mu.Lock()
defer f.mu.Unlock()
f.mkdir()
f.uploadFile(fileUrl)
f.sendMessage(fileUrl)
}
func main() {
fileOps := &FileOperations{}
fileUrl := "example.com/file.txt"
fileOps.DoSave(fileUrl)
}
这里加锁的目的是为了防止并发的情况下，创建了相同的目录，第二次会创建失败，影响业务功能。
但这种直接在方法上加锁，锁的粒度有点粗。因为doSave方法中的上传文件和发消息方法，是不需要加锁的。只有创建目录方法，才需要加锁。
我们都知道文件上传操作是非常耗时的，如果将整个方法加锁，那么需要等到整个方法执行完之后才能释放锁。显然，这会导致该方法的性能很差，变得得不偿失。
这时，我们可以改成在代码块上加锁了，具体代码如下：
public void doSave(String path,String fileUrl) {
synchronized(this) {
if(!exists(path)) {
mkdir(path);
}
}
uploadFile(fileUrl);
sendMessage(fileUrl);
}
这样改造之后，锁的粒度一下子变小了，只有并发创建目录功能才加了锁。而创建目录是一个非常快的操作，即使加锁对接口的性能影响也不大。
最重要的是，其他的上传文件和发送消息功能，任然可以并发执行。
当然，这种做在单机版的服务中，是没有问题的。但现在部署的生产环境，为了保证服务的稳定性，一般情况下，同一个服务会被部署在多个节点中。如果哪天挂了一个节点，其他的节点服务任然可用。
多节点部署避免了因为某个节点挂了，导致服务不可用的情况。同时也能分摊整个系统的流量，避免系统压力过大。
同时它也带来了新的问题：synchronized只能保证一个节点加锁是有效的，但如果有多个节点如何加锁呢?
答：这就需要使用：分布式锁了。目前主流的分布式锁包括：redis分布式锁、zookeeper分布式锁 和 数据库分布式锁。
由于zookeeper分布式锁的性能不太好，真实业务场景用的不多，这里先不讲。
下面聊一下redis分布式锁。
7.2 redis分布式锁
在分布式系统中，由于redis分布式锁相对于更简单和高效，成为了分布式锁的首先，被我们用到了很多实际业务场景当中。
使用redis分布式锁的伪代码如下：
public void doSave(String path,String fileUrl) {
try {
String result = jedis.set(lockKey, requestId, "NX", "PX", expireTime);
if ("OK".equals(result)) {
if(!exists(path)) {
mkdir(path);
uploadFile(fileUrl);
sendMessage(fileUrl);
}
return true;
}
} finally{
unlock(lockKey,requestId);
}
return false;
}
跟之前使用synchronized关键字加锁时一样，这里锁的范围也太大了，换句话说就是锁的粒度太粗，这样会导致整个方法的执行效率很低。
其实只有创建目录的时候，才需要加分布式锁，其余代码根本不用加锁。
于是，我们需要优化一下代码：
public void doSave(String path,String fileUrl) {
if(this.tryLock()) {
mkdir(path);
}
uploadFile(fileUrl);
sendMessage(fileUrl);
}
private boolean tryLock() {
try {
String result = jedis.set(lockKey, requestId, "NX", "PX", expireTime);
if ("OK".equals(result)) {
return true;
}
} finally{
unlock(lockKey,requestId);
}
return false;
}
上面代码将加锁的范围缩小了，只有创建目录时才加了锁。这样看似简单的优化之后，接口性能能提升很多。说不定，会有意外的惊喜喔。哈哈哈。
redis分布式锁虽说好用，但它在使用时，有很多注意的细节，隐藏了很多坑，如果稍不注意很容易踩中。
7.3 数据库分布式锁
mysql数据库中主要有三种锁：
- 表锁：加锁快，不会出现死锁。但锁定粒度大，发生锁冲突的概率最高，并发度最低。
- 行锁：加锁慢，会出现死锁。但锁定粒度最小，发生锁冲突的概率最低，并发度也最高。
- 间隙锁：开销和加锁时间界于表锁和行锁之间。它会出现死锁，锁定粒度界于表锁和行锁之间，并发度一般。
并发度越高，意味着接口性能越好。
所以数据库锁的优化方向是：
优先使用行锁，其次使用间隙锁，再其次使用表锁。
赶紧看看，你用对了没？
8.分页处理
有时候我会调用某个接口批量查询数据，比如：通过用户id批量查询出用户信息，然后给这些用户送积分。
但如果你一次性查询的用户数量太多了，比如一次查询2000个用户的数据。参数中传入了2000个用户的id，远程调用接口，会发现该用户查询接口经常超时。
调用代码如下：
List<User> users = remoteCallUser(ids);
众所周知，调用接口从数据库获取数据，是需要经过网络传输的。如果数据量太大，无论是获取数据的速度，还是网络传输受限于带宽，都会导致耗时时间比较长。
那么，这种情况要如何优化呢？
答：分页处理。
将一次获取所有的数据的请求，改成分多次获取，每次只获取一部分用户的数据，最后进行合并和汇总。
其实，处理这个问题，要分为两种场景：同步调用 和 异步调用。
8.1 同步调用
如果在job中需要获取2000个用户的信息，它要求只要能正确获取到数据就好，对获取数据的总耗时要求不太高。
但对每一次远程接口调用的耗时有要求，不能大于500ms，不然会有邮件预警。
这时，我们可以同步分页调用批量查询用户信息接口。
具体示例代码如下：
List<List<Long>> allIds = Lists.partition(ids,200);
for(List<Long> batchIds:allIds) {
List<User> users = remoteCallUser(batchIds);
}
代码中我用的google的guava工具中的Lists.partition方法，用它来做分页简直太好用了，不然要巴拉巴拉写一大堆分页的代码。
8.2 异步调用
如果是在某个接口中需要获取2000个用户的信息，它考虑的就需要更多一些。
除了需要考虑远程调用接口的耗时之外，还需要考虑该接口本身的总耗时，也不能超时500ms。
这时候用上面的同步分页请求远程接口，肯定是行不通的。
那么，只能使用异步调用了。
代码如下：
List<List<Long>> allIds = Lists.partition(ids,200);
final List<User> result = Lists.newArrayList();
allIds.stream().forEach((batchIds) -> {
CompletableFuture.supplyAsync(() -> {
result.addAll(remoteCallUser(batchIds));
return Boolean.TRUE;
}, executor);
})
使用CompletableFuture类，多个线程异步调用远程接口，最后汇总结果统一返回。
9.加缓存
解决接口性能问题，加缓存是一个非常高效的方法。
但不能为了缓存而缓存，还是要看具体的业务场景。毕竟加了缓存，会导致接口的复杂度增加，它会带来数据不一致问题。
在有些并发量比较低的场景中，比如用户下单，可以不用加缓存。
还有些场景，比如在商城首页显示商品分类的地方，假设这里的分类是调用接口获取到的数据，但页面暂时没有做静态化。
如果查询分类树的接口没有使用缓存，而直接从数据库查询数据，性能会非常差。
那么如何使用缓存呢？
9.1 redis缓存
通常情况下，我们使用最多的缓存可能是：redis和memcached。
绝大多数都是使用的redis，所以接下来我们以redis为例。
由于在关系型数据库，比如：mysql中，菜单是有上下级关系的。某个四级分类是某个三级分类的子分类，这个三级分类，又是某个二级分类的子分类，而这个二级分类，又是某个一级分类的子分类。
这种存储结构决定了，想一次性查出这个分类树，并非是一件非常容易的事情。这就需要使用程序递归查询了，如果分类多的话，这个递归是比较耗时的。
所以，如果每次都直接从数据库中查询分类树的数据，是一个非常耗时的操作。
这时我们可以使用缓存，大部分情况，接口都直接从缓存中获取数据。操作redis可以使用成熟的框架，比如：jedis和redisson等。
用jedis伪代码如下：
String json = jedis.get(key);
if(StringUtils.isNotEmpty(json)) {
CategoryTree categoryTree = JsonUtil.toObject(json);
return categoryTree;
}
return queryCategoryTreeFromDb();
先从redis中根据某个key查询是否有菜单数据，如果有则转换成对象，直接返回。如果redis中没有查到菜单数据，则再从数据库中查询菜单数据，有则返回。
此外，我们还需要有个job每隔一段时间，从数据库中查询菜单数据，更新到redis当中，这样以后每次都能直接从redis中获取菜单的数据，而无需访问数据库了。这样改造之后，能快速的提升性能。
但这样做性能提升不是最佳的，还有其他的方案，我们一起看看下面的内容。
9.2 二级缓存
上面的方案是基于redis缓存的，虽说redis访问速度很快。但毕竟是一个远程调用，而且菜单树的数据很多，在网络传输的过程中，是有些耗时的。
有没有办法，不经过请求远程，就能直接获取到数据呢？
答：使用二级缓存，即基于内存的缓存。
除了自己手写的内存缓存之后，目前使用比较多的内存缓存框架有：guava、Ehcache、caffine等。
我们在这里以caffeine为例，它是spring官方推荐的。
第一步，引入caffeine的相关jar包
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-cache</artifactId>
</dependency>
<dependency>
<groupId>com.github.ben-manes.caffeine</groupId>
<artifactId>caffeine</artifactId>
<version>2.6.0</version>
</dependency>
第二步，配置CacheManager，开启EnableCaching
@Configuration
@EnableCaching
public class CacheConfig {
@Bean
public CacheManager cacheManager(){
CaffeineCacheManager cacheManager = new CaffeineCacheManager();
//Caffeine配置
Caffeine<Object, Object> caffeine = Caffeine.newBuilder()
//最后一次写入后经过固定时间过期
.expireAfterWrite(10, TimeUnit.SECONDS)
//缓存的最大条数
.maximumSize(1000);
cacheManager.setCaffeine(caffeine);
return cacheManager;
}
}
第三步，使用Cacheable注解获取数据
@Service
public class CategoryService {
@Cacheable(value = "category", key = "#categoryKey")
public CategoryModel getCategory(String categoryKey) {
String json = jedis.get(categoryKey);
if(StringUtils.isNotEmpty(json)) {
CategoryTree categoryTree = JsonUtil.toObject(json);
return categoryTree;
}
return queryCategoryTreeFromDb();
}
}
调用categoryService.getCategory()方法时，先从caffine缓存中获取数据，如果能够获取到数据，则直接返回该数据，不进入方法体。
如果不能获取到数据，则再从redis中查一次数据。如果查询到了，则返回数据，并且放入caffine中。
如果还是没有查到数据，则直接从数据库中获取到数据，然后放到caffine缓存中。
具体流程图如下：该方案的性能更好，但有个缺点就是，如果数据更新了，不能及时刷新缓存。此外，如果有多台服务器节点，可能存在各个节点上数据不一样的情况。
由此可见，二级缓存给我们带来性能提升的同时，也带来了数据不一致的问题。使用二级缓存一定要结合实际的业务场景，并非所有的业务场景都适用。
但上面我列举的分类场景，是适合使用二级缓存的。因为它属于用户不敏感数据，即使出现了稍微有点数据不一致也没有关系，用户有可能都没有察觉出来。
10. 分库分表
有时候，接口性能受限的不是别的，而是数据库。
当系统发展到一定的阶段，用户并发量大，会有大量的数据库请求，需要占用大量的数据库连接，同时会带来磁盘IO的性能瓶颈问题。
此外，随着用户数量越来越多，产生的数据也越来越多，一张表有可能存不下。由于数据量太大，sql语句查询数据时，即使走了索引也会非常耗时。
这时该怎么办呢？
答：需要做分库分表。
如下图所示：图中将用户库拆分成了三个库，每个库都包含了四张用户表。
如果有用户请求过来的时候，先根据用户id路由到其中一个用户库，然后再定位到某张表。
路由的算法挺多的：
根据id取模，比如：id=7，有4张表，则7%4=3，模为3，路由到用户表3。给id指定一个区间范围，比如：id的值是0-10万，则数据存在用户表0，id的值是10-20万，则数据存在用户表1。一致性hash算法
分库分表主要有两个方向：垂直和水平。
说实话垂直方向（即业务方向）更简单。
在水平方向（即数据方向）上，分库和分表的作用，其实是有区别的，不能混为一谈。
分库：是为了解决数据库连接资源不足问题，和磁盘IO的性能瓶颈问题。分表：是为了解决单表数据量太大，sql语句查询数据时，即使走了索引也非常耗时问题。此外还可以解决消耗cpu资源问题。分库分表：可以解决 数据库连接资源不足、磁盘IO的性能瓶颈、检索数据耗时 和 消耗cpu资源等问题。
如果在有些业务场景中，用户并发量很大，但是需要保存的数据量很少，这时可以只分库，不分表。
如果在有些业务场景中，用户并发量不大，但是需要保存的数量很多，这时可以只分表，不分库。
如果在有些业务场景中，用户并发量大，并且需要保存的数量也很多时，可以分库分表。
11. 辅助功能
优化接口性能问题，除了上面提到的这些常用方法之外，还需要配合使用一些辅助功能，因为它们真的可以帮我们提升查找问题的效率。
11.1 开启慢查询日志
通常情况下，为了定位sql的性能瓶颈，我们需要开启mysql的慢查询日志。把超过指定时间的sql语句，单独记录下来，方面以后分析和定位问题。
开启慢查询日志需要重点关注三个参数：
slow_query_log慢查询开关slow_query_log_file慢查询日志存放的路径long_query_time超过多少秒才会记录日志
通过mysql的set命令可以设置：
set global slow_query_log='ON';
set global slow_query_log_file='/usr/local/mysql/data/slow.log';
set global long_query_time=2;
设置完之后，如果某条sql的执行时间超过了2秒，会被自动记录到slow.log文件中。
当然也可以直接修改配置文件my.cnf
[mysqld]
slow_query_log = ON
slow_query_log_file = /usr/local/mysql/data/slow.log
long_query_time = 2
但这种方式需要重启mysql服务。
很多公司每天早上都会发一封慢查询日志的邮件，开发人员根据这些信息优化sql。
11.2 加监控
为了出现sql问题时，能够让我们及时发现，我们需要对系统做监控。
目前业界使用比较多的开源监控系统是：Prometheus。
它提供了 监控 和 预警 的功能。
架构图如下：
我们可以用它监控如下信息：
- 接口响应时间
- 调用第三方服务耗时
- 慢查询sql耗时
- cpu使用情况
- 内存使用情况
- 磁盘使用情况
- 数据库使用情况
等等。。。
它的界面大概长这样子：可以看到mysql当前qps，活跃线程数，连接数，缓存池的大小等信息。
如果发现数据量连接池占用太多，对接口的性能肯定会有影响。
这时可能是代码中开启了连接忘了关，或者并发量太大了导致的，需要做进一步排查和系统优化。
截图中只是它一小部分功能，如果你想了解更多功能，可以访问Prometheus的官网：https://prometheus.io/
11.3 链路跟踪
有时候某个接口涉及的逻辑很多，比如：查数据库、查redis、远程调用接口，发mq消息，执行业务代码等等。
该接口一次请求的链路很长，如果逐一排查，需要花费大量的时间，这时候，我们已经没法用传统的办法定位问题了。
有没有办法解决这问题呢？
用分布式链路跟踪系统：skywalking。
架构图如下：通过skywalking定位性能问题：在skywalking中可以通过traceId（全局唯一的id），串联一个接口请求的完整链路。可以看到整个接口的耗时，调用的远程服务的耗时，访问数据库或者redis的耗时等等，功能非常强大。
之前没有这个功能的时候，为了定位线上接口性能问题，我们还需要在代码中加日志，手动打印出链路中各个环节的耗时情况，然后再逐一排查。
如果你用过skywalking排查接口性能问题，不自觉的会爱上它的。如果你想了解更多功能，可以访问skywalking的官网：https://skywalking.apache.org/