接口性能优化

　　前言
　　接口性能优化对于从事后端开发的同学来说，肯定再熟悉不过了，因为它是一个跟开发语言无关的公共问题。
　　该问题说简单也简单，说复杂也复杂。
　　有时候，只需加个索引就能解决问题。
　　有时候，需要做代码重构。
　　有时候，需要增加缓存。
　　有时候，需要引入一些中间件，比如mq。
　　有时候，需要需要分库分表。
　　有时候，需要拆分服务。
　　导致接口性能问题的原因千奇百怪，不同的项目不同的接口，原因可能也不一样。  1.索引
　　接口性能优化大家第一个想到的可能是： 优化索引 。
　　没错，优化索引的成本是最小的。
　　你通过查看线上日志或者监控报告，查到某个接口用到的某条sql语句耗时比较长。
　　这时你可能会有下面这些疑问：  该sql语句加索引了没？  加的索引生效了没？  mysql选错索引了没？  1.1 没加索引
　　sql语句中 where 条件的关键字段，或者order by 后面的排序字段，忘了加索引，这个问题在项目中很常见。
　　项目刚开始的时候，由于表中的数据量小，加不加索引sql查询性能差别不大。
　　后来，随着业务的发展，表中数据量越来越多，就不得不加索引了。
　　可以通过命令：  show index from `order`;
　　能单独查看某张表的索引情况。
　　也可以通过命令：  show create table `order`;
　　查看整张表的建表语句，里面同样会显示索引情况。
　　通过 ALTER TABLE 命令可以添加索引： ALTER TABLE `order` ADD INDEX idx_name (name);
　　也可以通过 CREATE INDEX 命令添加索引： CREATE INDEX idx_name ON `order` (name);
　　不过这里有一个需要注意的地方是：想通过命令修改索引，是不行的。
　　目前在mysql中如果想要修改索引，只能先删除索引，再重新添加新的。
　　删除索引可以用 DROP INDEX 命令： ALTER TABLE `order` DROP INDEX idx_name;
　　用 DROP INDEX 命令也行： DROP INDEX idx_name ON `order`;1.2 索引没生效
　　通过上面的命令我们已经能够确认索引是有的，但它生效了没？此时你内心或许会冒出这样一个疑问。
　　那么，如何查看索引有没有生效呢？
　　答：可以使用 explain 命令，查看mysql的执行计划，它会显示索引的使用情况。
　　例如：  explain select * from `order` where code=＂002＂;
　　结果：
　　通过这几列可以判断索引使用情况，执行计划包含列的含义如下图所示：
　　sql语句没有走索引，排除没有建索引之外，最大的可能性是索引失效了。
　　下面说说索引失效的常见原因：
　　如果不是上面的这些原因，则需要再进一步排查一下其他原因。  1.3 选错索引
　　此外，你有没有遇到过这样一种情况：明明是同一条sql，只有入参不同而已。有的时候走的索引a，有的时候却走的索引b？
　　没错，有时候mysql会选错索引。
　　必要时可以使用 force index 来强制查询sql走某个索引。
　　至于为什么mysql会选错索引，后面有专门的文章介绍的，这里先留点悬念。  2. sql优化
　　如果优化了索引之后，也没啥效果。
　　接下来试着优化一下sql语句，因为它的改造成本相对于java代码来说也要小得多。
　　下面给大家列举了sql优化的15个小技巧：
　　由于这些技巧在我之前的文章中已经详细介绍过了，在这里我就不深入了。
　　更详细的内容，可以看我的另一篇文章《聊聊sql优化的15个小技巧》，相信看完你会有很多收获。  3. 远程调用
　　很多时候，我们需要在某个接口中，调用其他服务的接口。
　　比如有这样的业务场景：
　　在用户信息查询接口中需要返回：用户名称、性别、等级、头像、积分、成长值等信息。
　　而用户名称、性别、等级、头像在用户服务中，积分在积分服务中，成长值在成长值服务中。为了汇总这些数据统一返回，需要另外提供一个对外接口服务。
　　于是，用户信息查询接口需要调用用户查询接口、积分查询接口 和 成长值查询接口，然后汇总数据统一返回。
　　调用过程如下图所示：
　　调用远程接口总耗时 530ms = 200ms + 150ms + 180ms
　　显然这种串行调用远程接口性能是非常不好的，调用远程接口总的耗时为所有的远程接口耗时之和。
　　那么如何优化远程接口性能呢？  3.1 并行调用
　　上面说到，既然串行调用多个远程接口性能很差，为什么不改成并行呢？
　　如下图所示：
　　调用远程接口总耗时 200ms = 200ms（即耗时最长的那次远程接口调用）
　　在java8之前可以通过实现 Callable 接口，获取线程返回结果。
　　java8以后通过 CompleteFuture 类实现该功能。我们这里以CompleteFuture为例： public UserInfo getUserInfo(Long id) throws InterruptedException, ExecutionException {     final UserInfo userInfo = new UserInfo();     CompletableFuture userFuture = CompletableFuture.supplyAsync(() -> {         getRemoteUserAndFill(id, userInfo);         return Boolean.TRUE;     }, executor);      CompletableFuture bonusFuture = CompletableFuture.supplyAsync(() -> {         getRemoteBonusAndFill(id, userInfo);         return Boolean.TRUE;     }, executor);      CompletableFuture growthFuture = CompletableFuture.supplyAsync(() -> {         getRemoteGrowthAndFill(id, userInfo);         return Boolean.TRUE;     }, executor);     CompletableFuture.allOf(userFuture, bonusFuture, growthFuture).join();      userFuture.get();     bonusFuture.get();     growthFuture.get();      return userInfo; }
　　温馨提醒一下，这两种方式别忘了使用线程池。示例中我用到了executor，表示自定义的线程池，为了防止高并发场景下，出现线程过多的问题。3.2 数据异构
　　上面说到的用户信息查询接口需要调用用户查询接口、积分查询接口 和 成长值查询接口，然后汇总数据统一返回。
　　那么，我们能不能把数据冗余一下，把用户信息、积分和成长值的数据统一存储到一个地方，比如：redis，存的数据结构就是用户信息查询接口所需要的内容。然后通过用户id，直接从redis中查询数据出来。
　　如果在高并发的场景下，为了提升接口性能，远程接口调用大概率会被去掉，而改成保存冗余数据的数据异构方案。
　　但需要注意的是，如果使用了数据异构方案，就可能会出现数据一致性问题。
　　用户信息、积分和成长值有更新的话，大部分情况下，会先更新到数据库，然后同步到redis。但这种跨库的操作，可能会导致两边数据不一致的情况产生。  4. 重复调用
　　重复调用 在我们的日常工作代码中可以说随处可见，但如果没有控制好，会非常影响接口的性能。 4.1 循环查数据库
　　有时候，我们需要从指定的用户集合中，查询出有哪些是在数据库中已经存在的。
　　实现代码可以这样写：  public List queryUser(List searchList) {     if (CollectionUtils.isEmpty(searchList)) {         return Collections.emptyList();     }      List result = Lists.newArrayList();     searchList.forEach(user -> result.add(userMapper.getUserById(user.getId())));     return result; }
　　这里如果有50个用户，则需要循环50次，去查询数据库。我们都知道，每查询一次数据库，就是一次远程调用。
　　如果查询50次数据库，就有50次远程调用，这是非常耗时的操作。
　　那么，我们如何优化呢？
　　具体代码如下：  public List queryUser(List searchList) {     if (CollectionUtils.isEmpty(searchList)) {         return Collections.emptyList();     }     List ids = searchList.stream().map(User::getId).collect(Collectors.toList());     return userMapper.getUserByIds(ids); }
　　提供一个根据用户id集合批量查询用户的接口，只远程调用一次，就能查询出所有的数据。
　　这里有个需要注意的地方是：id集合的大小要做限制，最好一次不要请求太多的数据。要根据实际情况而定，建议控制每次请求的记录条数在500以内。4.2 死循环
　　有些小伙伴看到这个标题，可能会感到有点意外，死循环也算？
　　代码中不是应该避免死循环吗？为啥还是会产生死循环？
　　有时候死循环是我们自己写的，例如下面这段代码：  while(true) {     if(condition) {         break;     }     System.out.println(＂do samething＂); }
　　这里使用了while(true)的循环调用，这种写法在 CAS自旋锁 中使用比较多。
　　当满足condition等于true的时候，则自动退出该循环。
　　如果condition条件非常复杂，一旦出现判断不正确，或者少写了一些逻辑判断，就可能在某些场景下出现死循环的问题。
　　出现死循环，大概率是开发人员人为的bug导致的，不过这种情况很容易被测出来。
　　还有一种隐藏的比较深的死循环，是由于代码写的不太严谨导致的。如果用正常数据，可能测不出问题，但一旦出现异常数据，就会立即出现死循环。   4.3 无限递归
　　如果想要打印某个分类的所有父分类，可以用类似这样的递归方法实现：  public void printCategory(Category category) {   if(category == null        || category.getParentId() == null) {      return;   }    System.out.println(＂父分类名称：＂+ category.getName());   Category parent = categoryMapper.getCategoryById(category.getParentId());   printCategory(parent); }
　　正常情况下，这段代码是没有问题的。
　　但如果某次有人误操作，把某个分类的parentId指向了它自己，这样就会出现无限递归的情况。导致接口一直不能返回数据，最终会发生堆栈溢出。
　　建议写递归方法时，设定一个递归的深度，比如：分类最大等级有4级，则深度可以设置为4。然后在递归方法中做判断，如果深度大于4时，则自动返回，这样就能避免无限循环的情况。   5. 异步处理
　　有时候，我们接口性能优化，需要重新梳理一下业务逻辑，看看是否有设计上不太合理的地方。
　　比如有个用户请求接口中，需要做业务操作，发站内通知，和记录操作日志。为了实现起来比较方便，通常我们会将这些逻辑放在接口中同步执行，势必会对接口性能造成一定的影响。
　　接口内部流程图如下：
　　这个接口表面上看起来没有问题，但如果你仔细梳理一下业务逻辑，会发现只有业务操作才是 核心逻辑 ，其他的功能都是非核心逻辑 。
　　在这里有个原则就是：核心逻辑可以同步执行，同步写库。非核心逻辑，可以异步执行，异步写库。
　　上面这个例子中，发站内通知和用户操作日志功能，对实时性要求不高，即使晚点写库，用户无非是晚点收到站内通知，或者运营晚点看到用户操作日志，对业务影响不大，所以完全可以异步处理。
　　通常异步主要有两种： 多线程  和 mq 。 5.1 线程池
　　使用 线程池 改造之后，接口逻辑如下：
　　发站内通知和用户操作日志功能，被提交到了两个单独的线程池中。
　　这样接口中重点关注的是业务操作，把其他的逻辑交给线程异步执行，这样改造之后，让接口性能瞬间提升了。
　　但使用线程池有个小问题就是：如果服务器重启了，或者是需要被执行的功能出现异常了，无法重试，会丢数据。
　　那么这个问题该怎么办呢？  5.2 mq
　　使用 mq 改造之后，接口逻辑如下：
　　对于发站内通知和用户操作日志功能，在接口中并没真正实现，它只发送了mq消息到mq服务器。然后由mq消费者消费消息时，才真正的执行这两个功能。
　　这样改造之后，接口性能同样提升了，因为发送mq消息速度是很快的，我们只需关注业务操作的代码即可。  6. 避免大事务
　　很多小伙伴在使用spring框架开发项目时，为了方便，喜欢使用 @Transactional 注解提供事务功能。
　　没错，使用@Transactional注解这种声明式事务的方式提供事务功能，确实能少写很多代码，提升开发效率。
　　但也容易造成大事务，引发其他的问题。
　　下面用一张图看看大事务引发的问题。
　　从图中能够看出，大事务问题可能会造成接口超时，对接口的性能有直接的影响。
　　我们该如何优化大事务呢？  少用@Transactional注解  将查询(select)方法放到事务外  事务中避免远程调用  事务中避免一次性处理太多数据  有些功能可以非事务执行  有些功能可以异步处理
　　关于大事务问题我的另一篇文章《让人头痛的大事务问题到底要如何解决？》，它里面做了非常详细的介绍，如果大家感兴趣可以看看。  7. 锁粒度
　　在某些业务场景中，为了防止多个线程并发修改某个共享数据，造成数据异常。
　　为了解决并发场景下，多个线程同时修改数据，造成数据不一致的情况。通常情况下，我们会： 加锁 。
　　但如果锁加得不好，导致锁的粒度太粗，也会非常影响接口性能。  7.1 synchronized
　　在java中提供了 synchronized 关键字给我们的代码加锁。
　　通常有两种写法： 在方法上加锁  和 在代码块上加锁 。
　　先看看如何在方法上加锁：  public synchronized doSave(String fileUrl) {     mkdir();     uploadFile(fileUrl);     sendMessage(fileUrl); }
　　这里加锁的目的是为了防止并发的情况下，创建了相同的目录，第二次会创建失败，影响业务功能。
　　但这种直接在方法上加锁，锁的粒度有点粗。因为doSave方法中的上传文件和发消息方法，是不需要加锁的。只有创建目录方法，才需要加锁。
　　我们都知道文件上传操作是非常耗时的，如果将整个方法加锁，那么需要等到整个方法执行完之后才能释放锁。显然，这会导致该方法的性能很差，变得得不偿失。
　　这时，我们可以改成在代码块上加锁了，具体代码如下：  public void doSave(String path,String fileUrl) {     synchronized(this) {       if(!exists(path)) {           mkdir(path);        }     }     uploadFile(fileUrl);     sendMessage(fileUrl); }
　　这样改造之后，锁的粒度一下子变小了，只有并发创建目录功能才加了锁。而创建目录是一个非常快的操作，即使加锁对接口的性能影响也不大。
　　最重要的是，其他的上传文件和发送消息功能，任然可以并发执行。
　　当然，这种做在单机版的服务中，是没有问题的。但现在部署的生产环境，为了保证服务的稳定性，一般情况下，同一个服务会被部署在多个节点中。如果哪天挂了一个节点，其他的节点服务任然可用。
　　多节点部署避免了因为某个节点挂了，导致服务不可用的情况。同时也能分摊整个系统的流量，避免系统压力过大。
　　同时它也带来了新的问题：synchronized只能保证一个节点加锁是有效的，但如果有多个节点如何加锁呢?
　　答：这就需要使用： 分布式锁 了。目前主流的分布式锁包括：redis分布式锁、zookeeper分布式锁 和 数据库分布式锁。
　　由于zookeeper分布式锁的性能不太好，真实业务场景用的不多，这里先不讲。
　　下面聊一下redis分布式锁。  7.2 redis分布式锁
　　在分布式系统中，由于redis分布式锁相对于更简单和高效，成为了分布式锁的首先，被我们用到了很多实际业务场景当中。
　　使用redis分布式锁的伪代码如下：  public void doSave(String path,String fileUrl) {   try {     String result = jedis.set(lockKey, requestId, ＂NX＂, ＂PX＂, expireTime);     if (＂OK＂.equals(result)) {       if(!exists(path)) {          mkdir(path);          uploadFile(fileUrl);          sendMessage(fileUrl);       }       return true;     }   } finally{       unlock(lockKey,requestId);   }     return false; }
　　跟之前使用 synchronized 关键字加锁时一样，这里锁的范围也太大了，换句话说就是锁的粒度太粗，这样会导致整个方法的执行效率很低。
　　其实只有创建目录的时候，才需要加分布式锁，其余代码根本不用加锁。
　　于是，我们需要优化一下代码：  public void doSave(String path,String fileUrl) {    if(this.tryLock()) {       mkdir(path);    }    uploadFile(fileUrl);    sendMessage(fileUrl); }  private boolean tryLock() {     try {     String result = jedis.set(lockKey, requestId, ＂NX＂, ＂PX＂, expireTime);     if (＂OK＂.equals(result)) {       return true;     }   } finally{       unlock(lockKey,requestId);   }     return false; }
　　上面代码将加锁的范围缩小了，只有创建目录时才加了锁。这样看似简单的优化之后，接口性能能提升很多。  7.3 数据库分布式锁
　　mysql数据库中主要有三种锁：  表锁：加锁快，不会出现死锁。但锁定粒度大，发生锁冲突的概率最高，并发度最低。  行锁：加锁慢，会出现死锁。但锁定粒度最小，发生锁冲突的概率最低，并发度也最高。  间隙锁：开销和加锁时间界于表锁和行锁之间。它会出现死锁，锁定粒度界于表锁和行锁之间，并发度一般。
　　并发度越高，意味着接口性能越好。
　　所以数据库锁的优化方向是：
　　优先使用 行锁 ，其次使用间隙锁 ，再其次使用表锁 。
　　赶紧看看，你用对了没？  8.分页处理
　　有时候我会调用某个接口批量查询数据，比如：通过用户id批量查询出用户信息，然后给这些用户送积分。
　　但如果你一次性查询的用户数量太多了，比如一次查询2000个用户的数据。参数中传入了2000个用户的id，远程调用接口，会发现该用户查询接口经常超时。
　　调用代码如下：  List users = remoteCallUser(ids);
　　众所周知，调用接口从数据库获取数据，是需要经过网络传输的。如果数据量太大，无论是获取数据的速度，还是网络传输受限于带宽，都会导致耗时时间比较长。
　　那么，这种情况要如何优化呢？
　　答： 分页处理 。
　　将一次获取所有的数据的请求，改成分多次获取，每次只获取一部分用户的数据，最后进行合并和汇总。
　　其实，处理这个问题，要分为两种场景： 同步调用  和 异步调用 。 8.1 同步调用
　　如果在 job 中需要获取2000个用户的信息，它要求只要能正确获取到数据就好，对获取数据的总耗时要求不太高。
　　但对每一次远程接口调用的耗时有要求，不能大于500ms，不然会有邮件预警。
　　这时，我们可以同步分页调用批量查询用户信息接口。
　　具体示例代码如下：  List> allIds = Lists.partition(ids,200);  for(List batchIds:allIds) {    List users = remoteCallUser(batchIds); }
　　代码中我用的 google 的guava 工具中的Lists.partition 方法，用它来做分页简直太好用了，不然要巴拉巴拉写一大堆分页的代码。 8.2 异步调用
　　如果是在 某个接口 中需要获取2000个用户的信息，它考虑的就需要更多一些。
　　除了需要考虑远程调用接口的耗时之外，还需要考虑该接口本身的总耗时，也不能超时500ms。
　　这时候用上面的同步分页请求远程接口，肯定是行不通的。
　　那么，只能使用 异步调用 了。
　　代码如下：  List> allIds = Lists.partition(ids,200);  final List result = Lists.newArrayList(); allIds.stream().forEach((batchIds) -> {    CompletableFuture.supplyAsync(() -> {         result.addAll(remoteCallUser(batchIds));         return Boolean.TRUE;     }, executor); })
　　使用CompletableFuture类，多个线程异步调用远程接口，最后汇总结果统一返回。  9.加缓存
　　解决接口性能问题， 加缓存 是一个非常高效的方法。
　　但不能为了缓存而缓存，还是要看具体的业务场景。毕竟加了缓存，会导致接口的复杂度增加，它会带来数据不一致问题。
　　在有些并发量比较低的场景中，比如用户下单，可以不用加缓存。
　　还有些场景，比如在商城首页显示商品分类的地方，假设这里的分类是调用接口获取到的数据，但页面暂时没有做静态化。
　　如果查询分类树的接口没有使用缓存，而直接从数据库查询数据，性能会非常差。
　　那么如何使用缓存呢？  9.1 redis缓存
　　通常情况下，我们使用最多的缓存可能是： redis 和memcached 。
　　但对于java应用来说，绝大多数都是使用的redis，所以接下来我们以redis为例。
　　由于在关系型数据库，比如：mysql中，菜单是有上下级关系的。某个四级分类是某个三级分类的子分类，这个三级分类，又是某个二级分类的子分类，而这个二级分类，又是某个一级分类的子分类。
　　这种存储结构决定了，想一次性查出这个分类树，并非是一件非常容易的事情。这就需要使用程序递归查询了，如果分类多的话，这个递归是比较耗时的。
　　所以，如果每次都直接从数据库中查询分类树的数据，是一个非常耗时的操作。
　　这时我们可以使用缓存，大部分情况，接口都直接从缓存中获取数据。操作redis可以使用成熟的框架，比如：jedis和redisson等。
　　用jedis伪代码如下：  String json = jedis.get(key); if(StringUtils.isNotEmpty(json)) {    CategoryTree categoryTree = JsonUtil.toObject(json);    return categoryTree; } return queryCategoryTreeFromDb();
　　先从redis中根据某个key查询是否有菜单数据，如果有则转换成对象，直接返回。如果redis中没有查到菜单数据，则再从数据库中查询菜单数据，有则返回。
　　此外，我们还需要有个job每隔一段时间，从数据库中查询菜单数据，更新到redis当中，这样以后每次都能直接从redis中获取菜单的数据，而无需访问数据库了。
　　这样改造之后，能快速的提升性能。
　　但这样做性能提升不是最佳的，还有其他的方案，我们一起看看下面的内容。  9.2 二级缓存
　　上面的方案是基于redis缓存的，虽说redis访问速度很快。但毕竟是一个远程调用，而且菜单树的数据很多，在网络传输的过程中，是有些耗时的。
　　有没有办法，不经过请求远程，就能直接获取到数据呢？
　　答：使用 二级缓存 ，即基于内存的缓存。
　　除了自己手写的内存缓存之后，目前使用比较多的内存缓存框架有：guava、Ehcache、caffine等。
　　我们在这里以 caffeine 为例，它是spring官方推荐的。
　　第一步，引入caffeine的相关jar包       org.springframework.boot     spring-boot-starter-cache       com.github.ben-manes.caffeine     caffeine     2.6.0 
　　第二步，配置CacheManager，开启EnableCaching  @Configuration @EnableCaching public class CacheConfig {     @Bean     public CacheManager cacheManager(){         CaffeineCacheManager cacheManager = new CaffeineCacheManager();         //Caffeine配置         Caffeine caffeine = Caffeine.newBuilder()                 //最后一次写入后经过固定时间过期                 .expireAfterWrite(10, TimeUnit.SECONDS)                 //缓存的最大条数                 .maximumSize(1000);         cacheManager.setCaffeine(caffeine);         return cacheManager;     } }
　　第三步，使用Cacheable注解获取数据  @Service public class CategoryService {        @Cacheable(value = ＂category＂, key = ＂#categoryKey＂)    public CategoryModel getCategory(String categoryKey) {       String json = jedis.get(categoryKey);       if(StringUtils.isNotEmpty(json)) {          CategoryTree categoryTree = JsonUtil.toObject(json);          return categoryTree;       }       return queryCategoryTreeFromDb();    } }
　　调用categoryService.getCategory()方法时，先从caffine缓存中获取数据，如果能够获取到数据，则直接返回该数据，不进入方法体。
　　如果不能获取到数据，则再从redis中查一次数据。如果查询到了，则返回数据，并且放入caffine中。
　　如果还是没有查到数据，则直接从数据库中获取到数据，然后放到caffine缓存中。
　　具体流程图如下：
　　该方案的性能更好，但有个缺点就是，如果数据更新了，不能及时刷新缓存。此外，如果有多台服务器节点，可能存在各个节点上数据不一样的情况。
　　由此可见，二级缓存给我们带来性能提升的同时，也带来了数据不一致的问题。使用二级缓存一定要结合实际的业务场景，并非所有的业务场景都适用。
　　但上面我列举的分类场景，是适合使用二级缓存的。因为它属于用户不敏感数据，即使出现了稍微有点数据不一致也没有关系，用户有可能都没有察觉出来。  10. 分库分表
　　有时候，接口性能受限的不是别的，而是数据库。
　　当系统发展到一定的阶段，用户并发量大，会有大量的数据库请求，需要占用大量的数据库连接，同时会带来磁盘IO的性能瓶颈问题。
　　此外，随着用户数量越来越多，产生的数据也越来越多，一张表有可能存不下。由于数据量太大，sql语句查询数据时，即使走了索引也会非常耗时。
　　这时该怎么办呢？
　　答：需要做 分库分表 。
　　如下图所示：
　　图中将用户库拆分成了三个库，每个库都包含了四张用户表。
　　如果有用户请求过来的时候，先根据用户id路由到其中一个用户库，然后再定位到某张表。
　　路由的算法挺多的：  根据id取模 ，比如：id=7，有4张表，则7%4=3，模为3，路由到用户表3。 给id指定一个区间范围 ，比如：id的值是0-10万，则数据存在用户表0，id的值是10-20万，则数据存在用户表1。 一致性hash算法
　　分库分表主要有两个方向： 垂直 和水平 。
　　说实话垂直方向（即业务方向）更简单。
　　在水平方向（即数据方向）上，分库和分表的作用，其实是有区别的，不能混为一谈。  分库 ：是为了解决数据库连接资源不足问题，和磁盘IO的性能瓶颈问题。 分表 ：是为了解决单表数据量太大，sql语句查询数据时，即使走了索引也非常耗时问题。此外还可以解决消耗cpu资源问题。 分库分表 ：可以解决 数据库连接资源不足、磁盘IO的性能瓶颈、检索数据耗时 和 消耗cpu资源等问题。
　　如果在有些业务场景中，用户并发量很大，但是需要保存的数据量很少，这时可以只分库，不分表。
　　如果在有些业务场景中，用户并发量不大，但是需要保存的数量很多，这时可以只分表，不分库。
　　如果在有些业务场景中，用户并发量大，并且需要保存的数量也很多时，可以分库分表。
　　关于分库分表更详细的内容，可以看看我另一篇文章，里面讲的更深入《阿里二面：为什么分库分表？》  11. 辅助功能
　　优化接口性能问题，除了上面提到的这些常用方法之外，还需要配合使用一些辅助功能，因为它们真的可以帮我们提升查找问题的效率。  11.1 开启慢查询日志
　　通常情况下，为了定位sql的性能瓶颈，我们需要开启mysql的慢查询日志。把超过指定时间的sql语句，单独记录下来，方面以后分析和定位问题。
　　开启慢查询日志需要重点关注三个参数：  slow_query_log  慢查询开关 slow_query_log_file  慢查询日志存放的路径 long_query_time  超过多少秒才会记录日志
　　通过mysql的 set 命令可以设置： set global slow_query_log=＂ON＂;  set global slow_query_log_file=＂/usr/local/mysql/data/slow.log＂; set global long_query_time=2;
　　设置完之后，如果某条sql的执行时间超过了2秒，会被自动记录到slow.log文件中。
　　当然也可以直接修改配置文件 my.cnf  [mysqld] slow_query_log = ON slow_query_log_file = /usr/local/mysql/data/slow.log long_query_time = 2
　　但这种方式需要重启mysql服务。
　　很多公司每天早上都会发一封慢查询日志的邮件，开发人员根据这些信息优化sql。  11.2 加监控
　　为了出现sql问题时，能够让我们及时发现，我们需要对系统做 监控 。
　　目前业界使用比较多的开源监控系统是： Prometheus 。
　　它提供了  监控  和 预警  的功能。
　　架构图如下：
　　我们可以用它监控如下信息：  接口响应时间  调用第三方服务耗时  慢查询sql耗时  cpu使用情况  内存使用情况  磁盘使用情况  数据库使用情况
　　它的界面大概长这样子：
　　可以看到mysql当前qps，活跃线程数，连接数，缓存池的大小等信息。
　　如果发现数据量连接池占用太多，对接口的性能肯定会有影响。
　　这时可能是代码中开启了连接忘了关，或者并发量太大了导致的，需要做进一步排查和系统优化。  11.3 链路跟踪
　　有时候某个接口涉及的逻辑很多，比如：查数据库、查redis、远程调用接口，发mq消息，执行业务代码等等。
　　该接口一次请求的链路很长，如果逐一排查，需要花费大量的时间，这时候，我们已经没法用传统的办法定位问题了。
　　有没有办法解决这问题呢？
　　用分布式链路跟踪系统： skywalking 。
　　架构图如下：
　　通过skywalking定位性能问题：
　　在skywalking中可以通过 traceId （全局唯一的id），串联一个接口请求的完整链路。可以看到整个接口的耗时，调用的远程服务的耗时，访问数据库或者redis的耗时等等，功能非常强大。
　　之前没有这个功能的时候，为了定位线上接口性能问题，我们还需要在代码中加日志，手动打印出链路中各个环节的耗时情况，然后再逐一排查。