JAVA主键ID生成工具类：改自twitter的分布式ID算法snowflake
2018年03月25日 码农之路 6,032 次浏览
关于snowflake算法的介绍和原理这里不过多说明了，网上有很多。
这里简单描述下SnowflakeUtil的优点：
1、做为底层工具使用，可用于数据库主键、订单编号……
2、不依赖数据库，速度快
3、可有序生成
4、可分布式部署
当然缺点也是有的，我相信看了下面SnowflakeUtil的朋友自然能够明白。
下面是SnowflakeUtil类的代码：
package cn.yyjjssnn.utils;
/**
* 本类主要用于生成主键ID，方法参考twitter的SnowFlake。<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。<br>
* SnowFlake的示例结构如下(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SnowflakeIdUtil类的twepoch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，可以合在一起使用，也可以分开使用<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>
*/
public class SnowflakeUtil {
/** 序列id所占的位数 支持每毫秒产生1024个id序号 */
private final long sequenceBits = 10L;
/** 机器id所占的位数 支持256台机器 */
private final long workerIdBits = 8L;
/** 区域id所占的位数 支持32个区域（即支持最大机器数为256*32=8192） */
private final long datacenterIdBits = 5L;
/** 开始时间截 (2018-01-01 00:00:00) 可使用至2052年 */
private final long twepoch = 1514736000000L;
/** 机器id左移位 */
private final long workerIdShift = sequenceBits;
/** 区域id左移位 */
private final long datacenterIdShift = sequenceBits + workerIdBits;
/** 时间截左移位 */
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
/** 生成序列的掩码 */
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
/** 支持的最大机器id */
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
/** 支持的最大区域id */
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
/** 当前毫秒内序列 */
private long sequence = 0L;
/** 当前机器id */
private long workerId;
/** 当前区域id */
private long datacenterId;
/** 上次生成ID的时间截 */
private long lastTimestamp = -1L;
/** 一台机子只需要一个实例，以保证产生有序的、不重复的ID */
private static SnowflakeUtil snowflakeUtil = new SnowflakeUtil();
private SnowflakeUtil() {
// 设置workerId和datacenterId
// TODO workerId和datacenterId可以通过数据库、配置文件、缓存等方式获取，这里为方便演示默认都设置为0
long workerId = 0;
long datacenterId = 0;
if (workerId > maxWorkerId || workerId < 0) {
throw new IllegalArgumentException(
String.format("workerId（０～%d）设置错误", maxWorkerId));
}
if (datacenterId > maxDatacenterId || datacenterId < 0) {
throw new IllegalArgumentException(
String.format("datacenterId（０～%d）设置错误", maxDatacenterId));
}
this.workerId = workerId;
this.datacenterId = datacenterId;
}
public static SnowflakeUtil getInstance() {
return snowflakeUtil;
}
/**
* 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
// 也就是说当应用运行时是不能将时钟改小的，要么异常退出，要么ID重复
if (timestamp < lastTimestamp) {
throw new RuntimeException(String.format("系统时钟回退%d秒", 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() {
// 考虑到当前系统时钟不准确以及修改时钟产生的ID问题，
// 这里可以根据自身业务使用网络时钟或其他更加准确及稳定的时钟
return System.currentTimeMillis();
}
}
下面是测试代码：
package cn.yyjjssnn.utils;
import java.util.Hashtable;
import java.util.Map;
public class SnowflakeUtilTest {
public static void main(String[] args) {
// 模拟多线程同时获取ID
for (int i = 0; i < 100; i++) {
new SnowflakeUtilTestThread("线程" + i).start();
}
}
}
class SnowflakeUtilTestThread extends Thread {
private static Map<String, Long> existId = new Hashtable<String, Long>();
public SnowflakeUtilTestThread(String name) {
super(name);
}
@Override
public void run() {
for (int i = 0; i < 1000; i++) {
long id = SnowflakeUtil.getInstance().nextId();
if (existId.containsKey(id + "")) {
throw new RuntimeException("ID重复");
}
existId.put(id + "", id);
System.out.println(getName() + "获取ID：" + id + "，当前ID总数：" + existId.size());
}
}
}下面是测试结果：
……
线程1获取ID：63578301855170593，当前ID总数：99962
线程73获取ID：63578301855170596，当前ID总数：99965
线程73获取ID：63578301855170598，当前ID总数：99967
线程47获取ID：63578301855170595，当前ID总数：99964
线程73获取ID：63578301855170599，当前ID总数：99968
线程1获取ID：63578301855170597，当前ID总数：99966
线程73获取ID：63578301855170601，当前ID总数：99970
线程73获取ID：63578301855170602，当前ID总数：99971
线程73获取ID：63578301855170603，当前ID总数：99972
线程73获取ID：63578301855170604，当前ID总数：99973
线程73获取ID：63578301855170605，当前ID总数：99974
线程73获取ID：63578301855170606，当前ID总数：99975
线程73获取ID：63578301855170607，当前ID总数：99976
线程73获取ID：63578301855170608，当前ID总数：99977
线程73获取ID：63578301855170609，当前ID总数：99978
……
线程73获取ID：63578301855170626，当前ID总数：99995
线程73获取ID：63578301855170627，当前ID总数：99996
线程73获取ID：63578301855170628，当前ID总数：99997
线程73获取ID：63578301855170629，当前ID总数：99998
线程73获取ID：63578301855170630，当前ID总数：99999
线程73获取ID：63578301863559168，当前ID总数：100000
>>> Hello World <<<
这篇内容是否帮助到你了呢？
如果你有任何疑问或有建议留给其他朋友，都可以给我留言。
目前有有一条留言：
1