Java⽣成订单号（唯⼀id）⽅案1、直接使⽤uuid
public static String getUUID() {
String replaceUUID = UUID.randomUUID().toString().replace("-", "");
return replaceUUID;
}
2、原本使⽤uuid+时间戳
/**
* UUID+时间戳
*
* @return
*/
public static String getUUID() {
String replaceUUID = UUID.randomUUID().toString().replace("-", "");
String currentTimeMillis = String.valueOf(System.currentTimeMillis());
return replaceUUID + currentTimeMillis;
}
但由于⽣成的数据没有规律性，并且太长；
测试：
循环1000w次
测试代码：
public static void main(String[] args) {
long startTime = System.currentTimeMillis();
Set set=new HashSet<>();
for(int i=0;i<10000000;i++){
String uuid = getUUID();
System.out.println("uuid---"+i+"======="+uuid);
set.add(uuid);
}
long endTime = System.currentTimeMillis();
System.out.println("set.size():"+set.size());
System.out.println("endTime-startTime:"+(endTime-startTime));
}
控制台提⽰：
⽅案⼀：直接使⽤uuid，⽆重复，且控制台并⽆报错
⽅案⼆：使⽤uuid+时间戳，超出了GC开销限制，控制台报错
2、⽤时间（精确到毫秒）+随机数
//时间（精确到毫秒）
DateTimeFormatter ofPattern = DateTimeFormatter.ofPattern("yyyyMMddHHmmssSSS"); String localDate = w().format(ofPattern);
//随机数
String randomNumeric = RandomStringUtils.randomNumeric(8);
for循环1000w次，发现重复数据太多。因此光靠随机数并不可靠。
3、使⽤时间（精确到毫秒）+随机数+⽤户id
/**
* ⽣成订单号（25位）：时间（精确到毫秒）+3位随机数+5位⽤户id
*/
public static String getOrderNum(Long userId) {
//时间（精确到毫秒）
DateTimeFormatter ofPattern = DateTimeFormatter.ofPattern("yyyyMMddHHmmssSSS"); String localDate = w().format(ofPattern);
//3位随机数
java valueofString randomNumeric = RandomStringUtils.randomNumeric(3);
//5位⽤户id
int subStrLength = 5;
String sUserId = String();
int length = sUserId.length();
String str;
if (length >= subStrLength) {
str = sUserId.substring(length - subStrLength, length);
} else {
str = String.format("%0" + subStrLength + "d", userId);
}
String orderNum = localDate + randomNumeric + str;
log.info("订单号:{}", orderNum);
return orderNum;
}
在2的基础上改造，加⼊⽤户的id等其他的业务id。
4.Java实现Snowflake算法的⽅案（⾼并发下，推荐使⽤这个）package der.util.idgenerate;
/**
* Twitter_Snowflake<br>
* SnowFlake的结构如下(每部分⽤-分开):<br>
* SnowFlake的结构如下(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IdWorker类的startTime属性）。41位的时间截，可 * 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<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>
* 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，经测试，SnowFlake每秒 *
* @author Lucifer
*/
public class SnowFlake {
// ==============================Fields===========================================
/**
* 开始时间截 (2018-07-03)
*/
private final long twepoch = 1530607760000L;
/**
* 机器id所占的位数
*/
private final long workerIdBits = 5L;
/**
* 数据标识id所占的位数
*/
private final long datacenterIdBits = 5L;
/**
* ⽀持的最⼤机器id，结果是31 (这个移位算法可以很快的计算出⼏位⼆进制数所能表⽰的最⼤⼗进制数)
*/
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
/**
* ⽀持的最⼤数据标识id，结果是31
*/
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
/**
* 序列在id中占的位数
*/
private final long sequenceBits = 12L;
/**
* 机器ID向左移12位
*/
private final long workerIdShift = sequenceBits;
/**
* 数据标识id向左移17位(12+5)
*/
private final long datacenterIdShift = sequenceBits + workerIdBits;
/**
* 时间截向左移22位(5+5+12)
*/
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
/**
* ⽣成序列的掩码，这⾥为4095 (0b111111111111=0xfff=4095)
*/
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
/**
* ⼯作机器ID(0~31)
*/
private long workerId;
/**
* 数据中⼼ID(0~31)
*/
private long datacenterId;
/**
* 毫秒内序列(0~4095)
*/
private long sequence = 0L;
/**
* 上次⽣成ID的时间截
*/
private long lastTimestamp = -1L;
//==============================Constructors=====================================
/**
* 构造函数
*
* @param workerId ⼯作ID (0~31)
* @param datacenterId 数据中⼼ID (0~31)
*/
public SnowFlake(long workerId, long datacenterId) {
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)); }
this.workerId = workerId;
this.datacenterId = datacenterId;
}
// ==============================Methods==========================================
/**
* 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
if (timestamp < lastTimestamp) {
throw new RuntimeException(
String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", 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
//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() {
return System.currentTimeMillis();
}
//==============================Test=============================================
/**
* 测试
*/
public static void main(String[] args) {
long startTime = System.currentTimeMillis();
SnowFlake idWorker = new SnowFlake(0, 0);
Set set = new HashSet();
for (int i = 0; i < 10000000; i++) {
long id = Id();
set.add(id);
System.out.println("id----"+i+":"+id);
}
long endTime = System.currentTimeMillis();
System.out.println("set.size():" + set.size());
System.out.println("endTime-startTime:" + (endTime - startTime));
}
}
也可以在雪花算法⽣成的id的基础上拼接⽇期，不过性能有所损耗。
发表评论