博主这里的大数据量、高并发业务处理优化基于博主线上项目实践以及全网资料整理而来，在这里分享给大家

一. 大数据量上传写入优化

线上业务后台项目有一个消息推送的功能，通过上传包含用户 id 的文件，给指定用户推送系统消息

1.1 如上功能描述很简单，但是对于技术侧想要做好这个功能，保证大用户量（比如达到百万级别）下，系统正常运行，功能正常其实是需要仔细思考的，博主这里给出思路：

1. 上传文件类型选择

通常情况下大部分用户都会使用 excel 文件，但是相比 excel 文件还有一种更加推荐的文件格式，那就是 csv 文件，相比 excel 文件它可以直接在记事本编辑，excel 也可以打开 cvs 文件，且占用内存更少（画重点），对于上传的 csv 文件过于庞大，也可以采用流式读取，读一部分写一部分

1. 消息推送成功与否状态保存

由于大批量数据插入是一个耗时操作（可能几秒也可能几分钟），所以需要保存批量插入是否成功的状态，在后台中可以显现出这条消息推送记录是成功还是失败，方便运营回溯消息推送状态

1. 批量写入启不启用事务

博主这里给出两种方案利弊：

• 启用事务：好处在于如批量插入过程中，异常情况可以保证原子性，但是性能比不开事务低，在特大数据量下会明显低一个档次
• 不启用事务：好处就是写入性能高，特大数据量写入性能提升明显，但是无法保证原子性，但是对于已经批量插入的新增数据，只是会产生脏数据而已，在功能设计合理的情况下是不影响业务的，如下面第四点

综上：在大数据量下，我们要是追求极致性能可以不启用事务，具体选择也需各位结合自身业务情况

1. 推送异常失败的消息处理

建议功能设计上，可以屏蔽对失败消息再进行操作，这样不需要再处理之前推送失败写入的脏数据，直接新增消息推送即可

1.2 批量写入代码优化

1. jdbc 参数携带 rewriteBatchedStatements=true 在 jdbc 驱动上启动批量写入功能，如下

spring.datasource.master.jdbc-url=jdbc:mysql://localhost:3306/test_db?allowMultiQueries=true&characterEncoding=utf8&autoRecOnnect=true&useSSL=false&rewriteBatchedStatements=true 

1. 启用 insert into table(id, name) values(1, 'tom'),(2, 'jack') 模式，建议一次写入个数不要太多，MySQL 对于 sql 长度是有限制的，对于这种字段少的表，一次写入 500 - 1000 问题不大，字段多了需要降低这个写入量

insert into im_notice_app_ref(notice_id, app_id, create_time) values <foreach collection="list" separator="," item="item"> (#{item.noticeId}, #{item.appId}, #{item.createTime}) </foreach> 

一般情况下大家都知道第二条优化，但是可能会忽略 jdbc 参数携带rewriteBatchedStatements=true，这个参数能在第二条的基础上启用批量执行 SQL ，进一步提升写入性能

二. 大事务优化，减小影响范围，提升系统处理能力

@Transactional 大于 Spring 提供得事务注解，许多人都知道，但是在高并发下，不建议使用，推荐通过编程式事务来手动控制事务提交或者回滚，减少事务影响范围

如下是一段订单超时未支付回滚业务数据得代码，采用 @Transactional 事务注解

@Transactional(rollbackFor = Exception.class) public void doUnPaidTask(Long orderId) { // 1. 查询订单是否存在 Order order = orderService.getById(orderId); if (order == null) { throw new BusinessException(String.format("订单不存在，orderId:%s", orderId)); } if (order.getOrderStatus() != OrderStatusEnum.ORDER_PRE_PAY.getOrderStatus()) { throw new BusinessException(String.format("订单状态错误，order:%s", order)); } // 2. 设置订单为已取消状态 order.setOrderStatus((byte) OrderStatusEnum.ORDER_CLOSED_BY_EXPIRED.getOrderStatus()); order.setUpdateTime(new Date()); if (!orderService.updateById(order)) { throw new BusinessException("更新数据已失效"); } // 3.商品货品数量增加 LambdaQueryWrapper<OrderItem> queryWrapper = Wrappers.lambdaQuery(); queryWrapper.eq(OrderItem::getOrderId, orderId); List<OrderItem> orderItems = orderItemService.list(queryWrapper); for (OrderItem orderItem : orderItems) { if (orderItem.getSeckillId() != null) { // 秒杀单商品项处理 Long seckillId = orderItem.getSeckillId(); SeckillService seckillService = SpringContextUtil.getBean(SeckillService.class); if (!seckillService.addStock(seckillId)) { throw new BusinessException("秒杀商品货品库存增加失败"); } } else { // 普通单商品项处理 Long goodsId = orderItem.getGoodsId(); Integer goodsCount = orderItem.getGoodsCount(); if (!goodsDao.addStock(goodsId, goodsCount)) { throw new BusinessException("秒杀商品货品库存增加失败"); } } } // 4. 返还优惠券 couponService.releaseCoupon(orderId); log.info("---------------订单 orderId:{},未支付超时取消成功", orderId); } 

采用编程式事务对其优化，代码如下：

@Resource private PlatformTransactionManager platformTransactionManager; @Resource private TransactionDefinition transactionDefinition; public void doUnPaidTask(Long orderId) { // 启用编程式事务 // 1. 在开启事务钱查询订单是否存在 Order order = orderService.getById(orderId); if (order == null) { throw new BusinessException(String.format("订单不存在，orderId:%s", orderId)); } if (order.getOrderStatus() != OrderStatusEnum.ORDER_PRE_PAY.getOrderStatus()) { throw new BusinessException(String.format("订单状态错误，order:%s", order)); } // 2. 开启事务 TransactionStatus transaction = platformTransactionManager.getTransaction(transactionDefinition); try { // 3. 设置订单为已取消状态 order.setOrderStatus((byte) OrderStatusEnum.ORDER_CLOSED_BY_EXPIRED.getOrderStatus()); order.setUpdateTime(new Date()); if (!orderService.updateById(order)) { throw new BusinessException("更新数据已失效"); } // 4. 商品货品数量增加 LambdaQueryWrapper<OrderItem> queryWrapper = Wrappers.lambdaQuery(); queryWrapper.eq(OrderItem::getOrderId, orderId); List<OrderItem> orderItems = orderItemService.list(queryWrapper); for (OrderItem orderItem : orderItems) { if (orderItem.getSeckillId() != null) { // 秒杀单商品项处理 Long seckillId = orderItem.getSeckillId(); SeckillService seckillService = SpringContextUtil.getBean(SeckillService.class); RedisCache redisCache = SpringContextUtil.getBean(RedisCache.class); if (!seckillService.addStock(seckillId)) { throw new BusinessException("秒杀商品货品库存增加失败"); } redisCache.increment(Constants.SECKILL_GOODS_STOCK_KEY + seckillId); redisCache.deleteCacheSet(Constants.SECKILL_SUCCESS_USER_ID + seckillId, order.getUserId()); } else { // 普通单商品项处理 Long goodsId = orderItem.getGoodsId(); Integer goodsCount = orderItem.getGoodsCount(); if (!goodsDao.addStock(goodsId, goodsCount)) { throw new BusinessException("秒杀商品货品库存增加失败"); } } } // 5. 返还优惠券 couponService.releaseCoupon(orderId); // 6. 所有更新操作完成后，提交事务 platformTransactionManager.commit(transaction); log.info("---------------订单 orderId:{},未支付超时取消成功", orderId); } catch (Exception e) { log.info("---------------订单 orderId:{},未支付超时取消失败", orderId, e); // 7. 发生异常，回滚事务 platformTransactionManager.rollback(transaction); } } 

可以看到采用编程式事务后，我们将查询逻辑排除在事务之外，减小了其影响范围，也就提升了性能，在高并发场景下，性能优先的场景，我们甚至可以考虑不适用事务

三. 客户端海量日志上报优化

线上项目客户端，采用 tcp 协议与日志采集服务建立连接，上报日志数据。业务高峰期下，会有同时成千个客户端建立连接实时上报日志数据

如上场景，高峰期下，对日志采集服务会造成不小的压力，处理服务处理不当，会造成高峰期下，服务卡顿、CPU 占用过高、内存溢出等。

这里给出海量日志高并发下优化点：

1. 上报日志进行异步化处理，

• 普通版：采用阻塞队列 ArrayBlockingQueue 得生产者消费者模式，对日志数据进行异步批量处理，在此场景下，通过生产者将数据缓存再内存中，然后再消费者中批量保存入库。
• 进阶版：采用 Disruptor 队列，也是基于内存队列的生产者消费者模型，消费速度对比 ArrayBlockingQueue 有一个数量级得性能提升，附简介说明： https://www.jianshu.com/p/bad7b4b44e48
• 终极版：采用 kfaka 消息队列中间件，持久日志数据，慢慢消费。虽然引入第三方依赖会增加系统复杂度，但是相比 kfaka/code> 在大数据场景下提供的优秀表现，这一点也是值得。