长文干货！带你了解高并发大对象处理
常年浸润在互联网高并发中的同学，在写代码时会有一些约定俗成的规则：宁可将请求拆分成10个1秒的，也不去做一个耗时5秒的请求；宁可将对象拆成1000个10KB的，也尽量避免生成一个1MB的对象。
为什么？这是对于“大”的恐惧。
“大对象”，是一个泛化的概念，它可能存放在JVM中，也可能正在网络上传输，也可能存在于数据库中。
为什么大对象会影响我们的应用性能呢？有三点原因。
- 大对象占用的资源多，垃圾回收器要花一部分精力去对它进行回收；
- 大对象在不同的设备之间交换，会耗费网络流量，以及昂贵的I/O；
- 对大对象的解析和处理操作是耗时的，对象职责不聚焦，就会承担额外的性能开销。
接下来，xjjdog将从数据的结构纬度和时间维度，来逐步看一下一些把对象变小，把操作聚焦的策略。
1. String的substring方法
我们都知道，String在Java中是不可变的，如果你改动了其中的内容，它就会生成一个新的字符串。
如果我们想要用到字符串中的一部分数据，就可以使用substring方法。
如图所示，当我们需要一个子字符串的时候。substring生成了一个新的字符串，这个字符串通过构造函数的Arrays.copyOfRange函数进行构造。
这个函数在JDK7之后是没有问题的，但在JDK6中，却有着内存泄漏的风险。我们可以学习一下这个案例，来看一下大对象复用可能会产生的问题。
这是我从JDK官方的一张截图。可以看到，它在创建子字符串的时候，并不只拷贝所需要的对象，而是把整个value引用了起来。如果原字符串比较大，即使不再使用，内存也不会释放。
比如，一篇文章内容可能有几MB，我们仅仅需要其中的摘要信息，也不得维持着整个的大对象。
String content = dao.getArticle(id);
String summary=content.substring(0,100);
articles.put(id,summary);
这对我们的借鉴意义是。如果你创建了比较大的对象，并基于这个对象生成了一些其他的信息。这个时候，一定要记得去掉和这个大对象的引用关系。
2. 集合大对象扩容
对象扩容，在Java中是司空见惯的现象。比如StringBuilder、StringBuffer，HashMap，ArrayList等。概括来讲，Java的集合，包括List、Set、Queue、Map等，其中的数据都不可控。在容量不足的时候，都会有扩容操作。
我们先来看下StringBuilder的扩容代码。
void expandCapacity(int minimumCapacity) {
int newCapacity = value.length * 2 + 2;
if (newCapacity - minimumCapacity < 0)
newCapacity = minimumCapacity;
if (newCapacity < 0) {
if (minimumCapacity < 0) // overflow
throw new OutOfMemoryError();
newCapacity = Integer.MAX_VALUE;
}
value = Arrays.copyOf(value, newCapacity);
}
容量不够的时候，会将内存翻倍，并使用Arrays.copyOf复制源数据。
下面是HashMap的扩容代码，扩容后大小也是翻倍。它的扩容动作就复杂的多，除了有负载因子的影响，它还需要把原来的数据重新进行散列。由于无法使用native的Arrays.copy方法，速度就会很慢。
void addEntry(int hash, K key, V value, int bucketIndex) {
if ((size >= threshold) && (null != table[bucketIndex])) {
resize(2 * table.length);
hash = (null != key) ? hash(key) : 0;
bucketIndex = indexFor(hash, table.length);
}
createEntry(hash, key, value, bucketIndex);
}
void resize(int newCapacity) {
Entry[] oldTable = table;
int oldCapacity = oldTable.length;
if (oldCapacity == MAXIMUM_CAPACITY) {
threshold = Integer.MAX_VALUE;
return;
}
Entry[] newTable = new Entry[newCapacity];
transfer(newTable, initHashSeedAsNeeded(newCapacity));
table = newTable;
threshold = (int)Math.min(newCapacity * loadFactor, MAXIMUM_CAPACITY + 1);
}
List的代码大家可自行查看，也是阻塞性的，扩容策略是原长度的1.5倍。
由于集合在代码中使用的频率非常高，如果你知道具体的数据项上限，那么不妨设置一个合理的初始化大小。比如，HashMap需要1024个元素，需要7次扩容，会影响应用的性能。
但是要注意，像HashMap这种有负载因子的集合（0.75），初始化大小=需要的个数/负载因子+1。如果你不是很清楚底层的结构，那就不妨保持默认。
3. 保持合适的对象粒度
曾经碰到一个并发量非常高的业务系统，需要频繁使用到用户的基本数据。由于用户的基本信息，都是存放在另外一个服务中，所以每次用到用户的基本信息，都需要有一次网络交互。更加让人无法接受的是，即使是只需要用户的性别属性，也需要把所有的用户信息查询，拉取一遍。
为了加快数据的查询速度，对数据进行了初步的缓存，放入到了redis中。查询性能有了大的改善，但每次还是要查询很多冗余数据。
原始的redis key是这样设计的。
type: string
key: user_${userid}
value: json
这样的设计有两个问题：（1）查询其中某个字段的值，需要把所有json数据查询出来，并自行解析。（2）更新其中某个字段的值，需要更新整个json串，代价较高。
针对这种大粒度json信息，就可以采用打散的方式进行优化，使得每次更新和查询，都有聚焦的目标。
接下来对redis中的数据进行了以下设计，采用hash结构而不是json结构：
type: hash
key: user_${userid}
value: {sex:f, id:1223, age:23}
这样，我们使用hget命令，或者hmget命令，就可以获取到想要的数据，加快信息流转的速度。
4. Bitmap把对象变小
还能再进一步优化么？比如，我们系统中就频繁用到了用户的性别数据，用来发放一些礼品，推荐一些异性的好友，定时循环用户做一些清理动作等。或者，存放一些用户的状态信息，比如是否在线，是否签到，最近是否发送信息等，统计一下活跃用户等。
对是、否这两个值的操作，就可以使用Bitmap这个结构进行压缩。
如代码所示，通过判断int中的每一位，它可以保存32个boolean值！
int a= 0b0001_0001_1111_1101_1001_0001_1111_1101;
Bitmap就是使用Bit进行记录的数据结构，里面存放的数据不是0就是1。Java中的相关结构类，就是java.util.BitSet。BitSet底层是使用long数组实现的，所以它的最小容量是64。
10亿的boolean值，只需要128MB的内存。下面既是一个占用了256MB的用户性别的判断逻辑，可以涵盖长度为10亿的id。
static BitSet missSet = new BitSet(010_000_000_000);
static BitSet sexSet = new BitSet(010_000_000_000);
String getSex(int userId) {
boolean notMiss = missSet.get(userId);
if (!notMiss) {
//lazy fetch
String lazySex = dao.getSex(userId);
missSet.set(userId, true);
sexSet.set(userId, "female".equals(lazySex));
}
return sexSet.get(userId) ? "female" : "male";
}
这些数据，放在堆内内存中，还是过大了。幸运的是，Redis也支持Bitmap结构，如果内存有压力，我们可以把这个结构放到redis中，判断逻辑也是类似的。
这样的问题还有很多：给出一个1GB内存的机器，提供60亿int数据，如何快速判断有哪些数据是重复的？大家可以类比思考一下。
Bitmap是一个比较底层的结构，在它之上还有一个叫做布隆过滤器的结构（Bloom Filter）。布隆过滤器可以判断一个值不存在，或者可能存在。
相比较Bitmap，它多了一层hash算法。既然是hash算法，就会有冲突，所以有可能有多个值落在同一个bit上。
Guava中有一个BloomFilter的类，可以方便的实现相关功能。
5. 数据的冷热分离
上面这种优化方式，本质上也是把大对象变成小对象的方式，在软件设计中有很多类似的思路。像一篇新发布的文章，频繁用到的是摘要数据，就不需要把整个文章内容都查询出来；用户的feed信息，也只需要保证可见信息的速度，而把完整信息存放在速度较慢的大型存储里。
数据除了横向的结构纬度，还有一个纵向的时间维度。对时间维度的优化，最有效的方式就是冷热分离。
所谓热数据，就是靠近用户的，被频繁使用的数据，而冷数据是那些访问频率非常低，年代非常久远的数据。同一句复杂的SQL，运行在几千万的数据表上，和运行在几百万的数据表上，前者的效果肯定是很差的。所以，虽然你的系统刚开始上线时速度很快，但随着时间的推移，数据量的增加，就会渐渐变得很慢。
冷热分离是把数据分成两份。如图，一般都会保持一份全量数据，用来做一些耗时的统计操作。
下面简单介绍一下冷热分离的三种方案。
（1）数据双写。把对冷热库的插入、更新、删除操作，全部放在一个统一的事务里面。由于热库（比如MySQL）和冷库（比如Hbase）的类型不同，这个事务大概率会是分布式事务。在项目初期，这种方式是可行的，但如果是改造一些遗留系统，分布式事务基本上是改不动的。我通常会把这种方案直接废弃掉。
（2）写入MQ分发。通过MQ的发布订阅功能，在进行数据操作的时候，先不落库，而是发送到MQ中。单独启动消费进程，将MQ中的数据分别落到冷库、热库中。使用这种方式改造的业务，逻辑非常清晰，结构也比较优雅。像订单这种结构比较清晰、对顺序性要求较低的系统，就可以采用MQ分发的方式。但如果你的数据库实体量非常的大，用这种方式就要考虑程序的复杂性了。
（3）使用binlog同步 针对于MySQL，就可以采用Binlog的方式进行同步。使用Canal组件，可持续获取最新的Binlog数据，结合MQ，可以将数据同步到其他的数据源中。
End
关于大对象，我们可以再举两个例子。
像我们常用的数据库索引，也是一种对数据的重新组织、加速。B+ tree可以有效的减少数据库与磁盘交互的次数，它通过类似B+ tree的数据结构，将最常用的数据进行索引，存储在有限的存储空间中。
还有在RPC中常用的序列化。有的服务是采用的SOAP协议的WebService，它是基于XML的一种协议，内容大传输慢，效率低下。现在的Web服务中，大多数是使用json数据进行交互的，json的效率相比SOAP就更高一些。另外，大家应该都听过google的protobuf，由于它是二进制协议，而且对数据进行了压缩，性能是非常优越的。protobuf对数据压缩后，大小只有json的1/10，xml的1/20，但是性能却提高了5-100倍。protobuf的设计是值得借鉴的，它通过tag|leng|value三段对数据进行了非常紧凑的处理，解析和传输速度都特别快。
针对于大对象，我们有结构纬度的优化和时间维度的优化两种方法。从结构纬度来说，通过把对象切分成合适的粒度，可以把操作集中在小数据结构上，减少时间处理成本；通过把对象进行压缩、转换，或者提取热点数据，就可以避免大对象的存储和传输成本。从时间纬度来说，就可以通过冷热分离的手段，将常用的数据存放在高速设备中，减少数据处理的集合，加快处理速度。