[https://www.cnblogs.com/youngyan/p/13638608.html](https://www.cnblogs.com/youngyan/p/13638608.html) 【前言】 　　一般选择mysql数据库中的表中ID主键，有以下几种方式： * * 　　自增ID * 　　雪花（snowflake）算法 * 　　uuid随机数 * 　　redis生成ID 　　本文将会先介绍这几种算法，然后进行对比，思考什么情况下来选择ID主键的问题。 【算法介绍】 　　一、自增ID 　　　　创建表的时候设置id为自增。 语法为:auto\_increment 　　二、uuid随机数 　　　　需要在程序中进行设置。它的标准型式包含32个16进制数字，以连字号分为五段，表现形式为8-4-4-4-12的32个字符. [](javascript:void(0); "复制代码") ~~~ import java.util.UUID; public class UTest { public static void main(String[] args) { UUID uuid = UUID.randomUUID(); System.out.println(uuid); } } ~~~ [](javascript:void(0); "复制代码") 　　三、雪花算法 　　　　雪花算法是Twitter开源的分布式ID生成算法。生成的ID是纯数字且具有时间顺序。  　　　　自增、有序、适合分布式场景，生成时不依赖于数据库，完全在内存中生成，每秒能生成数百万的自增 ID，存入数据库中，索引效率高。　　 * * * 时间位：可以根据时间进行排序，有助于提高查询速度。 * 机器 ID 位：适用于分布式环境下对多节点的各个节点进行标识，可以具体根据节点数和部署情况设计划分机器位 10 位长度，如划分5位表示进程位等。 * 序列号位：是一系列的自增id，可以支持同一节点同一毫秒生成多个 ID 序号，12 位的计数序列号支持每个节点每毫秒产生 4096 个 ID 序号 　　　　snowflake 算法可以根据项目情况以及自身需要进行一定的修改。 　　四、Redis生成ID 【对比分析】 生成算法优点缺点长度自增ID代码简单，数据递增单点故障，需要DBA专业维护32UUID实现简单，不占用带宽无序、查询慢、不适合简历索引递增雪花算法低位趋势递增，性能高依赖于服务器时间18Redis自增无单点故障，性能高，递增占用带宽，Redis集群维护自定义 　　1、代码时间消耗分析 [](javascript:void(0); "复制代码") ~~~ import cn.hutool.core.collection.CollectionUtil; import com.wyq.mysqldemo.databaseobject.UserKeyAuto; import com.wyq.mysqldemo.databaseobject.UserKeyRandom; import com.wyq.mysqldemo.databaseobject.UserKeyUUID; import com.wyq.mysqldemo.diffkeytest.AutoKeyTableService; import com.wyq.mysqldemo.diffkeytest.RandomKeyTableService; import com.wyq.mysqldemo.diffkeytest.UUIDKeyTableService; import com.wyq.mysqldemo.util.JdbcTemplateService; import org.junit.jupiter.api.Test; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.boot.test.context.SpringBootTest; import org.springframework.util.StopWatch; import java.util.List; @SpringBootTest class MysqlDemoApplicationTests { @Autowired private JdbcTemplateService jdbcTemplateService; @Autowired private AutoKeyTableService autoKeyTableService; @Autowired private UUIDKeyTableService uuidKeyTableService; @Autowired private RandomKeyTableService randomKeyTableService; @Test void testDBTime() { StopWatch stopwatch = new StopWatch("执行sql时间消耗"); /** * auto_increment key任务 */ final String insertSql = "INSERT INTO user_key_auto(user_id,user_name,sex,address,city,email,state) VALUES(?,?,?,?,?,?,?)"; List<UserKeyAuto> insertData = autoKeyTableService.getInsertData(); stopwatch.start("自动生成key表任务开始"); long start1 = System.currentTimeMillis(); if (CollectionUtil.isNotEmpty(insertData)) { boolean insertResult = jdbcTemplateService.insert(insertSql, insertData, false); System.out.println(insertResult); } long end1 = System.currentTimeMillis(); System.out.println("auto key消耗的时间:" + (end1 - start1)); stopwatch.stop(); /** * uudID的key */ final String insertSql2 = "INSERT INTO user_uuid(id,user_id,user_name,sex,address,city,email,state) VALUES(?,?,?,?,?,?,?,?)"; List<UserKeyUUID> insertData2 = uuidKeyTableService.getInsertData(); stopwatch.start("UUID的key表任务开始"); long begin = System.currentTimeMillis(); if (CollectionUtil.isNotEmpty(insertData)) { boolean insertResult = jdbcTemplateService.insert(insertSql2, insertData2, true); System.out.println(insertResult); } long over = System.currentTimeMillis(); System.out.println("UUID key消耗的时间:" + (over - begin)); stopwatch.stop(); /** * 随机的long值key */ final String insertSql3 = "INSERT INTO user_random_key(id,user_id,user_name,sex,address,city,email,state) VALUES(?,?,?,?,?,?,?,?)"; List<UserKeyRandom> insertData3 = randomKeyTableService.getInsertData(); stopwatch.start("随机的long值key表任务开始"); Long start = System.currentTimeMillis(); if (CollectionUtil.isNotEmpty(insertData)) { boolean insertResult = jdbcTemplateService.insert(insertSql3, insertData3, true); System.out.println(insertResult); } Long end = System.currentTimeMillis(); System.out.println("随机key任务消耗时间:" + (end - start)); stopwatch.stop(); String result = stopwatch.prettyPrint(); System.out.println(result); } ~~~ [](javascript:void(0); "复制代码")  　　时间占用量总体可以打出的效率排名为：auto\_key>random\_key>uuid。 　　uuid 的效率最低，在数据量较大的情况下，效率直线下滑。那么为什么会出现这样的现象呢？带着疑问,我们来探讨一下这个问题： 　　使用 uuid 和自增 id 的索引结构对比 　　自增的主键的值是顺序的，所以 InnoDB 把每一条记录都存储在一条记录的后面。 　　当达到页面的最大填充因子时候（InnoDB 默认的最大填充因子是页大小的 15/16，会留出 1/16 的空间留作以后的修改）。**①**下一条记录就会写入新的页中，一旦数据按照这种顺序的方式加载，主键页就会近乎于顺序的记录填满，提升了页面的最大填充率，不会有页的浪费。**②**新插入的行一定会在原有的最大数据行下一行，MySQL 定位和寻址很快，不会为计算新行的位置而做出额外的消耗。**③**减少了页分裂和碎片的产生。 　　**使用自增 id 的缺点** **①**别人一旦爬取你的数据库，就可以根据数据库的自增 id 获取到你的业务增长信息，很容易分析出你的经营情况。 　　　　**②**对于高并发的负载，InnoDB 在按主键进行插入的时候会造成明显的锁争用，主键的上界会成为争抢的热点，因为所有的插入都发生在这里，并发插入会导致间隙锁竞争。 　　　　**③**Auto\_Increment 锁机制会造成自增锁的抢夺，有一定的性能损失。 　　　　附：Auto\_increment的锁争抢问题，如果要改善需要调优 innodb\_autoinc\_lock\_mode 的配置。 　　因为 uuid 相对顺序的自增 id 来说是毫无规律可言的，新行的值不一定要比之前的主键的值要大，所以 innodb 无法做到总是把新行插入到索引的最后，而是需要为新行寻找新的合适的位置从而来分配新的空间。 　　这个过程需要做很多额外的操作，数据的毫无顺序会导致数据分布散乱，将会导致以下的问题： **　　①**写入的目标页很可能已经刷新到磁盘上并且从缓存上移除，或者还没有被加载到缓存中，innodb 在插入之前不得不先找到并从磁盘读取目标页到内存中，这将导致大量的随机 IO。 **　　②**因为写入是乱序的，innodb 不得不频繁的做页分裂操作，以便为新的行分配空间，页分裂导致移动大量的数据，一次插入最少需要修改三个页以上。 **　　③**由于频繁的页分裂，页会变得稀疏并被不规则的填充，最终会导致数据会有碎片。 　　在把随机值（uuid 和雪花 id）载入到聚簇索引（InnoDB 默认的索引类型）以后，有时候会需要做一次 OPTIMEIZE TABLE 来重建表并优化页的填充，这将又需要一定的时间消耗。 *　　结论：使用 InnoDB 应该尽可能的按主键的自增顺序插入，并且尽可能使用单调的增加的聚簇键的值来插入新行。*