本文是我從業多年開發生涯中針對線上業務的處理經驗總結而來，這些業務或多或少相信大家都遇到過，因此在這里分享給大家，大家也可以看看是不是遇到過類似場景。本文大綱如下，

后臺上傳文件

線上后臺項目有一個消息推送的功能，運營新建一條通知消息時，需要一起上傳一列包含用戶 id 的文件，來給文件中包含的指定用戶推送系統消息。

如上功能描述看著很簡單，但是實際上處理上傳文件這一步是由講究的，假如說后臺上傳文件太大，導致內存溢出，又或者讀取文件太慢等其實都是一些隱性的問題。

對于技術側想要做好這個功能，保證大用戶量（比如達到百萬級別）下，上傳文件、發送消息功能都正常，其實是需要仔細思考的，我這里給出我的優化思路，

上傳文件類型選擇

通常情況下大部分用戶都會使用 Excel 文件作為后臺上傳文件類型，但是相比 Excel 文件，還有一種更加推薦的文件格式，那就是 CSV 文件。

CSV 是一種純文本格式，數據以文本形式存儲，每行數據以逗號分隔，沒有任何格式化。

因此 CSV 適用于簡單、易讀、導入和導出的場景，而且由于 CSV 文件只包含純文本，因此文件大小通常比 Excel 文件小得多。

但是 CSV 文件針對復雜電子表格操作的支持就沒 Excel 功能那么強大了，不過在這個只有一列的文件上傳業務里夠用了。

假如說上傳文件中包含 100 萬用戶 id，那么這里使用 CSV 文件上傳就有明顯優勢，占用內存更少，處理上傳文件也更快。

消息推送狀態保存

由于大批量數據插入是一個耗時操作（可能幾秒也可能幾分鐘），所以需要保存批量插入是否成功的狀態，在后臺中還需要顯現出這條消息推送狀態是成功還是失敗，方便運營人員回溯消息推送狀態。

批量寫入

針對這里上傳大文件時的批量寫入場景，這里提幾個點大家注意一下就行，

rewriteBatchedStatements=true

MySQL 的 JDBC 連接的 url 中要加 rewriteBatchedStatements 參數，并保證 5.1.13 以上版本的驅動，才能實現高性能的批量插入。

MySQL JDBC 驅動在默認情況下會無視 executeBatch()語句，把我們期望批量執行的一組 sql 語句拆散，一條一條地發給 MySQL 數據庫，批量插入實際上是單條插入，直接造成較低的性能。只有把 rewriteBatchedStatements 參數置為 true， 驅動才會幫你批量執行 SQL。另外這個選項對 INSERT/UPDATE/DELETE 都有效。

是否啟用事物功能

批量寫入場景里要不要啟用事物，其實很多人都有自己的看法，這里我給出啟用于不啟用的利弊，

• 啟用事務：好處在于如批量插入過程中，異常情況可以保證原子性，但是性能比不開事務低，在特大數據量下會明顯低一個檔次
• 不啟用事務：好處就是寫入性能高，特大數據量寫入性能提升明顯，但是無法保證原子性

在本文提到的大文件上傳批量寫入的場景下，要是追求極致性能我推薦是不啟用事務的。

假如在批量寫入過程中發生網絡波動或者數據庫宕機，我們其實只需要重新新建一條通知消息，然后重新上傳包含用戶 id 的文件即可。

因為上一條通知消息因為批量插入步驟沒有全部完成，所以推送狀態是失敗。后續等開發人員處理一下臟數據即可。

大事務

@Transactional 是 Spring 框架提供得事務注解，相信這是許多人都知道的，但是在一些高性能場景下，是不建議使用的，推薦通過編程式事務來手動控制事務提交或者回滾，減少事務影響范圍，因而提升性能。

使用事務注解

如下是一段訂單超時未支付回滾業務數據得代碼，采用 @Transactional 事務注解

@Transactional(rollbackFor = Exception.class)
public void doUnPaidTask(Long orderId) {
    // 1. 查詢訂單是否存在
    Order order = orderService.getById(orderId);
    ，，，

    // 2. 更新訂單為已取消狀態
    order.setOrderStatus((byte) OrderStatusEnum.ORDER_CLOSED_BY_EXPIRED.getOrderStatus());
    orderService.updateById(order);
    ...
    // 3. 訂單商品數量增加
    LambdaQueryWrapper<OrderItem> queryWrapper = Wrappers.lambdaQuery();
    queryWrapper.eq(OrderItem::getOrderId， orderId);
    List<OrderItem> orderItems = orderItemService.list(queryWrapper);
    for (OrderItem orderItem : orderItems) {
        Long goodsId = orderItem.getGoodsId();
        Integer goodsCount = orderItem.getGoodsCount();
        if (!goodsDao.addStock(goodsId， goodsCount)) {
            throw new BusinessException("秒殺商品貨品庫存增加失敗");
        }
    }

    // 4. 返還用戶優惠券
    couponService.releaseCoupon(orderId);
    log.info("---------------訂單orderId:{}，未支付超時取消成功"， orderId);
}

可以看到上面訂單回滾的代碼邏輯有四個步驟，如下，

1. 查詢訂單是否存在
2. 更新訂單為已取消狀態
3. 訂單商品數量增加
4. 返還用戶優惠券

這里面有個問題，訂單回滾方法里面其實只有 2、3、4 步驟是需要在一個事物里執行的，第 1 步其實可以放在事物外面來執行，以此縮小事物范圍。

使用編程式事務

使用編程式事務對其優化后，代碼如下，

@Resource
private PlatformTransactionManager platformTransactionManager;
@Resource
private TransactionDefinition transactionDefinition;

public void doUnPaidTask(Long orderId) {
    // 啟用編程式事務
    // 1. 在開啟事務錢查詢訂單是否存在
    Order order = orderService.getById(orderId);
    ...
    // 2. 開啟事務
    TransactionStatus transaction = platformTransactionManager.getTransaction(transactionDefinition);
    try {
        // 3. 設置訂單為已取消狀態
        order.setOrderStatus((byte) OrderStatusEnum.ORDER_CLOSED_BY_EXPIRED.getOrderStatus());
        orderService.updateById(order);
        ...
        // 4. 商品貨品數量增加
        LambdaQueryWrapper<OrderItem> queryWrapper = Wrappers.lambdaQuery();
        queryWrapper.eq(OrderItem::getOrderId， orderId);
        List<OrderItem> orderItems = orderItemService.list(queryWrapper);
        for (OrderItem orderItem : orderItems) {
            Long goodsId = orderItem.getGoodsId();
            Integer goodsCount = orderItem.getGoodsCount();
            if (!goodsDao.addStock(goodsId， goodsCount)) {
                throw new BusinessException("秒殺商品貨品庫存增加失敗");
            }
        }

        // 5. 返還優惠券
        couponService.releaseCoupon(orderId);
        // 6. 所有更新操作完成后，提交事務
        platformTransactionManager.commit(transaction);
        log.info("---------------訂單orderId:{}，未支付超時取消成功"， orderId);
    } catch (Exception e) {
        log.info("---------------訂單orderId:{}，未支付超時取消失敗"， orderId， e);
        // 7. 發生異常，回滾事務
        platformTransactionManager.rollback(transaction);
    }
}

可以看到采用編程式事務后，我們將查詢邏輯排除在事務之外，這樣也就減小了事物影響范圍。

在極高性能優先的場景下，我們甚至可以考慮不使用事務，使用本地消息表 + 消息隊列來實現最終一致性就行 。

海量日志采集

公司線上有一個項目的客戶端，采用 tcp 協議與后端的一個日志采集服務建立連接，用來上報客戶端日志數據。

在業務高峰期下，會有同時成千上萬個客戶端建立連接，實時上報日志數據。

在上面的高峰期場景下，日志采集服務會有不小的壓力，如果程序代碼邏輯處理稍有不當，就會造成服務卡頓、CPU 占用過高、內存溢出等問題。

為了解決上面的大量連接實施上報數據的場景，日志采集服務決定使用 Netty 框架進行開發。

這里直接給出日志采集程序使用 Netty 后的一些優化點，

采集日志異步化

針對客戶端連接上報日志的采集流程異步化處理有三個方案，給大家介紹一下，

• 普通版：采用阻塞隊列 ArrayBlockingQueue 得生產者消費者模式，對上報的日志數據進行異步批量處理，在此場景下，通過生產者將數據緩存到內存隊列中，然后再消費者中批量獲取內存隊列的日志數據保存入庫，好處是簡單易用，壞處是有內存溢出風險。
• 進階版：采用 Disruptor 隊列，也是一個基于內存的高性能生產者消費者隊列，消費速度對比 ArrayBlockingQueue 有一個數量級以上得性能提升，附簡介說明：https://www.jianshu.com/p/bad7b4b44e48。
• 終極版：也是公司日志采集程序最后采用的方案。采用 kfaka 消息隊列中間件，先持久日志上報數據，然后慢慢消費。雖然引入第三方依賴會增加系統復雜度，但是 kfaka 在大數據場景表現實在是太優秀了，這一點也是值得。

采集日志壓縮

對上報后的日志如果要再發送給其他服務，是需要進行壓縮后再處理，這一步是為了避免消耗過多網絡帶寬。

在 Java 里通常是指序列化方式，Jdk 自帶得序列化方式對比 Protobuf、fst、Hession 等在序列化速度和大小的表現上都沒有優勢，甚至可以用垃圾形容。

Java 常用的序列化框架有下面這些，

• JDK 自帶的序列化：性能較差，占用空間大，無法跨語言，好處是簡單易用，通用性強。
• JSON：常用的 JSON 庫有 Jackson、Gson、Fastjson 等。性能較好，占用空間少，跨語言支持廣泛，但是無法序列化復雜對象。
• Protocol Buffers：由 Google 開源，基于 IDL 語言定義格式，編譯器生成對象訪問代碼。性能高效占用空間小，但是需要提前定義 Schema。
• Thrift：Facebook 開源，與 Protocol Buffers 類似。定制生態不如 PB 完善，但是支持多語言交互。
• Avro：Hadoop 生態圈序列化框架，支持數據隔離與進化，動態讀寫，性能可靠性好，占用空間較小。但是使用復雜，通用性較差。
• Hessian：一款開源的二進制遠程通訊協議，使用簡單方法提供了RMI功能，主要用于面向對象的消息通信。支持跨平臺、多語言支持、使用簡單，缺點是傳遞復雜對象性能會下降，不適合安全性高的應用。

如果兼容性要求不高可以選擇 JSON，如果要求效率以及傳輸數據量越小越好則 PB/Thrift/Avro/Hessian 更合適。

數據落庫選型

像日志這種大數據量落庫，都是新增且無修改得場景建議使用 Clickhouse 進行存儲，好處是相同數據量下對比 MySQL 占用存儲更少，查詢速度更快，壞處就是并發查詢性能比較低，相比 MySQL 使用不算那么成熟。

最后聊兩句

到這里本文所介紹三個線上業務優化實戰就講完了，其實這種實戰案例還有很多，但是礙于篇幅本文就沒講那么多拉，后續有機會也會繼續更新這類文章，希望大家能夠喜歡。

關注公眾號【waynblog】，每周分享技術干貨、開源項目、實戰經驗、高效開發工具等，您的關注將是我的更新動力??。

總結

以上是生活随笔為你收集整理的线上业务优化之案例实战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。