1.为什么使用分布式ID

项目初期，数据量与访问量还没有那么大的时候，我们可能使用的单库中单表存着，但是随着业务的快速增长，数据的体量与访问量激增，在单机数据库中我们就可能对大表进行分表，比如说我的订单表按照月分表 ；我们单机数据库扛不住访问量的激增的时候，这时候就要进行分库处理，比如说将订单表进行分片操作，每台数据库上保存着订单的某一个部分，之前单库的时候使用主键id可能是自增的，在分表或者是分表片之后我们就不能使用数据自增的id了，因为我们在分表或者是分片之后，会存在多个订单表，他们的表结构是一样的，如果使用主键自增id，会出现不同分表中的id是一样的，这样我们在按照id做操作的时候就没有办法确定哪个是你需要的那条数据。

2.UUID生成分布式ID

使用UUID 生成分布式ID的方式很简单，java 自带了生成UUID的工具，我们可以直接使用生成。

public static void main(String[] args) {
        String  uuid = UUID.randomUUID().toString().replace("-","");
        System.out.println(uuid);
}

结果：0ef9fb09094e404db05a673ccdfff125
这样就能生成一个uuid了，我们在插入订单数据的时候，每次生成一次就可以了。我们可以看到这个uuid没有规律可循，数据库使用这种主键，效率会降低，要是这种id作为订单号的话肯定不合适的，订单号往往多层含义生成的，而且是纯数字，看起来会舒服点。

3.数据库主键

使用数据库主键的方式其实也挺简单，就是在插入数据之前，需要去一个专门的主键数据库中获取一下主键就可以了。

很简单，首先我们要先有个专门生成主键的数据库，这个库中比如说有一张生成订单id的表order_id，他有两列一列是id，这个id是自增长的，另一列随便搞上列就行，如下图：

然后我们在往业务库插入数据的时候，先去这个order_id 插入一条数据，然后使用数据库 LAST_INSERT_ID()这个函数，获取到最后一次插入的id，我们就可以拿着这个id塞到业务插入那条sql里面了。

4.雪花算法

雪花算法是Twitter推出的一个用于生成分布式ID的算法，雪花算法是一个算法，我们可以基于这个算法生成一个分布式id出来。

像百度的uidgenerator 是基于雪花算法的，然后美团的leaf是基于雪花算法与数据库的方式封装而成的

public class IdWorker{

    //下面两个每个5位，加起来就是10位的工作机器id
    private long workerId;    //工作id
    private long datacenterId;   //数据id
    //12位的序列号
    private long sequence;

    public IdWorker(long workerId, long datacenterId, long sequence){
        // sanity check for workerId
        if (workerId > maxWorkerId || workerId < 0) {
            throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0",maxWorkerId));
        }
        if (datacenterId > maxDatacenterId || datacenterId < 0) {
            throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0",maxDatacenterId));
        }
        System.out.printf("worker starting. timestamp left shift %d, datacenter id bits %d, worker id bits %d, sequence bits %d, workerid %d",
                timestampLeftShift, datacenterIdBits, workerIdBits, sequenceBits, workerId);

        this.workerId = workerId;
        this.datacenterId = datacenterId;
        this.sequence = sequence;
    }

    //初始时间戳
    private long twepoch = 1288834974657L;

    //长度为5位
    private long workerIdBits = 5L;
    private long datacenterIdBits = 5L;
    //最大值
    private long maxWorkerId = -1L ^ (-1L << workerIdBits);
    private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
    //序列号id长度
    private long sequenceBits = 12L;
    //序列号最大值
    private long sequenceMask = -1L ^ (-1L << sequenceBits);
    
    //工作id需要左移的位数，12位
    private long workerIdShift = sequenceBits;
   //数据id需要左移位数 12+5=17位
    private long datacenterIdShift = sequenceBits + workerIdBits;
    //时间戳需要左移位数 12+5+5=22位
    private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
    
    //上次时间戳，初始值为负数
    private long lastTimestamp = -1L;

    public long getWorkerId(){
        return workerId;
    }

    public long getDatacenterId(){
        return datacenterId;
    }

    public long getTimestamp(){
        return System.currentTimeMillis();
    }

     //下一个ID生成算法
    public synchronized long nextId() {
        long timestamp = timeGen();

        //获取当前时间戳如果小于上次时间戳，则表示时间戳获取出现异常
        if (timestamp < lastTimestamp) {
            System.err.printf("clock is moving backwards. Rejecting requests until %d.", lastTimestamp);
            throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds",
                    lastTimestamp - timestamp));
        }

        //获取当前时间戳如果等于上次时间戳
        //说明：还处在同一毫秒内，则在序列号加1；否则序列号赋值为0，从0开始。
        if (lastTimestamp == timestamp) {  // 0 - 4095
            sequence = (sequence + 1) & sequenceMask;
            if (sequence == 0) {
                timestamp = tilNextMillis(lastTimestamp);
            }
        } else {
            sequence = 0;
        }
        
        //将上次时间戳值刷新
        lastTimestamp = timestamp;

        
        return ((timestamp - twepoch) << timestampLeftShift) |
                (datacenterId << datacenterIdShift) |
                (workerId << workerIdShift) |
                sequence;
    }

    //获取时间戳，并与上次时间戳比较
    private long tilNextMillis(long lastTimestamp) {
        long timestamp = timeGen();
        while (timestamp <= lastTimestamp) {
            timestamp = timeGen();
        }
        return timestamp;
    }

    //获取系统时间戳
    private long timeGen(){
        return System.currentTimeMillis();
    }
    public static void main(String[] args) {
        IdWorker worker = new IdWorker(21,10,0);
        System.out.println(worker.nextId());
    }

}

5.Redis的incr生成

我们可以使用redis incr命令来获取这个分布式id，redis中的incr命令生成的id是自增的，而且能保证唯一
我这里是使用了Redis集群模拟的（这里redis 集群不会使用的可以参考下这个链接：我是个链接），我们可以看下test代码：

@SpringBootTest
@RunWith(SpringRunner.class)
public class RedisIncrCommandTest {

    @Autowired
    private JedisCluster jedisCluster;
    private static Executor pool = Executors.newFixedThreadPool(10);
    @Test
    public void testRedisincr() throws InterruptedException {
        CyclicBarrier barrier = new CyclicBarrier(10);
        for (int i=0;i<10;++i){
            pool.execute(new Runnable() {
                @Override
                public void run() {
                    try {
                        int await = barrier.await();
                    } catch (InterruptedException e) {
                        e.printStackTrace();
                    } catch (BrokenBarrierException e) {
                        e.printStackTrace();
                    }
                    System.out.println(Thread.currentThread().getName()+":"+jedisCluster.incr("gid_key"));
                }
            });
        }
        Thread.sleep(10000);
    }
}

这里使用了10个线程的线程池模拟并发情况，然后使用CyclicBarrier 栅栏，等着这10个线程都准备好了，才放开，能够更接近并发场景。使用incr(key) 的时候，如果这个key没有他会先给你创建一个0。我们来看下结果：

可以看出我们incr是能够保证自增唯一的。