高并发的springboot项目，可以这样实现

内容分享5天前发布痞帅仔

0 3 0

Spring Boot 高并发优化是一个系统性工程，需从 架构设计、容器配置、代码优化、缓存策略、数据库调优、异步处理、限流熔断 等多个维度入手，结合业务场景分层优化。以下是具体的优化方向和实践方案：

一、基础环境与容器优化

1. JVM 调优（核心）

高并发下 JVM 性能直接影响系统稳定性，重点优化垃圾回收（GC）和内存分配：

内存分配：合理设置堆内存（-Xms=-Xmx，避免动态扩容消耗），例如 8G 服务器设置 -Xms4g -Xmx4g（预留系统和非堆内存）。新生代（Eden + Survivor）比例调整：高并发场景下对象创建销毁频繁，提议新生代占堆的 1/3~1/2（-XX:NewRatio=2 表明新生代：老年代 = 1:2）。避免大对象直接进入老年代（-XX:PretenureSizeThreshold=1048576，1MB 以上大对象直接入老年代，减少新生代 GC 压力）。
GC 收集器选择：JDK 8+ 优先使用 G1 GC（低延迟、高吞吐量），配置：-XX:+UseG1GC -XX:MaxGCPauseMillis=200（目标停顿时间 200ms）。超大规模堆（16G+）可尝试 ZGC/Shenandoah GC（毫秒级停顿，JDK 11+ 支持）。
避免 GC 频繁：监控 GC 日志（-XX:+PrintGCDetails -XX:+PrintGCTimeStamps），排查内存泄漏（如静态集合未释放、长生命周期对象持有短对象引用）。

2. Tomcat 容器优化（默认嵌入式容器）

Spring Boot 默认使用 Tomcat，高并发下需调整线程池和连接参数（application.yml）：

server:
  tomcat:
    max-threads: 200 # 核心线程池最大线程数（根据 CPU 核心数调整，一般 CPU*2+1）
    min-spare-threads: 50 # 核心线程数（保持空闲线程，避免频繁创建销毁）
    max-connections: 10000 # 最大并发连接数（超出后排队）
    accept-count: 1000 # 等待队列大小（超出后拒绝连接）
    connection-timeout: 2000 # 连接超时时间（毫秒）
  port: 8080
  undertow: # 若替换为 Undertow（非阻塞，性能更优），配置如下
    io-threads: 8 # IO 线程数（等于 CPU 核心数）
    worker-threads: 256 # 工作线程数（CPU*32）
    buffer-size: 16384 # 缓冲区大小

替换容器：高并发场景推荐用 Undertow（非阻塞 IO，内存占用低）或 Jetty，只需排除 Tomcat 依赖，引入对应依赖：

<!-- 排除 Tomcat -->
<dependency>
  <groupId>org.springframework.boot</groupId>
  <artifactId>spring-boot-starter-web</artifactId>
  <exclusions>
    <exclusion>
      <groupId>org.springframework.boot</groupId>
      <artifactId>spring-boot-starter-tomcat</artifactId>
    </exclusion>
  </exclusions>
</dependency>
<!-- 引入 Undertow -->
<dependency>
  <groupId>org.springframework.boot</groupId>
  <artifactId>spring-boot-starter-undertow</artifactId>
</dependency>

二、代码层面优化

1. 无状态设计（支持水平扩展）

服务层、控制层避免使用 静态变量、ThreadLocal（非必要不使用）、成员变量存储请求上下文，确保每个请求独立，支持多实例部署。
若需共享状态，使用 Redis、ZooKeeper 等分布式存储，避免本地缓存一致性问题。

2. 异步处理（提升吞吐量）

高并发下同步请求会阻塞线程，通过异步化释放线程资源，处理更多请求：

@Async 异步方法：主启动类添加 @EnableAsync 开启异步。异步方法添加 @Async（需定义在独立 Bean 中，避免循环依赖）。配置线程池（默认线程池过小，易耗尽）：

@Configuration
@EnableAsync
public class AsyncConfig {
    @Bean
    public Executor taskExecutor() {
        ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();
        executor.setCorePoolSize(20); // 核心线程数
        executor.setMaxPoolSize(100); // 最大线程数
        executor.setQueueCapacity(1000); // 队列容量
        executor.setKeepAliveSeconds(60); // 空闲线程存活时间
        executor.setThreadNamePrefix("AsyncTask-");
        executor.setRejectedExecutionHandler(new ThreadPoolExecutor.CallerRunsPolicy()); // 拒绝策略（避免丢弃任务）
        return executor;
    }
}

异步 Controller：使用 DeferredResult 或 Callable 处理 HTTP 异步请求，支持长连接（如消息推送、实时查询）：

@GetMapping("/async-query")
public DeferredResult<String> asyncQuery() {
    DeferredResult<String> result = new DeferredResult<>(3000L, "超时"); // 3秒超时
    // 异步处理业务（如调用第三方接口、数据库查询）
    asyncService.process(result);
    return result;
}

3. 避免阻塞操作（减少线程占用）

数据库查询：使用 JPA/Hibernate 的 @Async 查询，或 MyBatis 的异步 mapper（@MapperScan 配合 SqlSessionFactory 异步配置）。
第三方接口调用：使用异步 HTTP 客户端（如 OkHttp3 异步模式、Spring Cloud OpenFeign 的 @Async 支持），避免同步等待响应。
文件 IO：使用 NIO 非阻塞 IO（java.nio.file），避免传统 FileInputStream 阻塞线程。

4. 减少锁竞争（提升并发度）

避免使用 synchronized 修饰大范围方法，优先使用 细粒度锁（如 ReentrantLock 锁定局部资源）。
高并发读场景使用 读写锁（ReentrantReadWriteLock），支持多线程读、单线程写。
无状态场景避免锁，用 原子类（AtomicInteger、AtomicReference） 替代锁操作。

三、缓存策略优化（减轻数据库压力）

缓存是高并发优化的核心，通过缓存热点数据，减少数据库查询次数：

1. 本地缓存（Caffeine）

本地缓存速度最快，适合缓存高频访问、无状态、不变的数据（如字典、配置）。
推荐使用 Caffeine（性能优于 Guava Cache），结合 Spring Cache 注解使用：

<!-- 引入依赖 -->
<dependency>
  <groupId>com.github.ben-manes.caffeine</groupId>
  <artifactId>caffeine</artifactId>
</dependency>

spring:
  cache:
    type: caffeine
    caffeine:
      spec: maximumSize=10000,expireAfterWrite=300s # 最大10000条，300秒过期

@Service
@CacheConfig(cacheNames = "dictCache")
public class DictService {
    @Cacheable(key = "#code") // 缓存命中直接返回，未命中执行方法并缓存
    public String getDictValue(String code) {
        return dictMapper.selectByCode(code); // 数据库查询
    }
}

2. 分布式缓存（Redis）

多实例部署时，本地缓存无法共享，需使用 Redis 作为分布式缓存，缓存热点数据（如用户信息、商品详情）。
优化点：序列化：使用 Jackson2JsonRedisSerializer 替代默认的 JdkSerializationRedisSerializer（体积小、可读性强）。过期策略：设置合理的过期时间（避免缓存雪崩），结合 随机过期时间（如 300s + 随机10s）。缓存穿透：使用 布隆过滤器 过滤不存在的 key（如 RedisBloom），避免缓存和数据库都被穿透。缓存击穿：热点 key 过期时，使用 互斥锁（Redis SETNX） 或 永不过期 + 后台更新 避免并发查询数据库。缓存雪崩：批量 key 过期时，分散过期时间； Redis 集群部署（主从 + 哨兵）避免单点故障。

四、数据库调优（高并发瓶颈核心）

数据库是高并发场景的主要瓶颈，需从 连接池、索引、SQL、分库分表 优化：

1. 数据库连接池优化

使用 HikariCP（Spring Boot 2.x 默认，性能最优），配置合理的连接数：
yaml
spring: datasource: hikari: maximum-pool-size: 20 # 最大连接数（根据数据库最大连接数调整，如 MySQL 默认151） minimum-idle: 5 # 最小空闲连接数 idle-timeout: 300000 # 空闲连接超时时间（5分钟） connection-timeout: 30000 # 连接超时时间（30秒） max-lifetime: 1800000 # 连接最大生命周期（30分钟，避免长时间连接失效）
核心原则：连接池最大连接数 ≤ 数据库最大连接数（MySQL 可通过 show variables like 'max_connections' 查看）。

2. 索引优化

给查询频繁的字段（WHERE、JOIN、ORDER BY）建立索引，避免全表扫描。
避免过度索引（索引会降低插入 / 更新性能），优先使用 联合索引（遵循最左前缀原则）。
定期分析慢查询（开启 MySQL 慢查询日志，slow_query_log=1，long_query_time=1），优化无索引或索引失效的 SQL。

3. SQL 优化

避免 SELECT *，只查询必要字段。
避免 JOIN 过多表（提议不超过 3 张），复杂查询拆分多个简单查询。
批量操作：使用 batchInsert/batchUpdate（MyBatis 批量插入需设置 rewriteBatchedStatements=true）。
分页优化：MySQL 大分页用 WHERE id > 上一页最大id 替代 LIMIT offset, size（避免全表扫描）。

4. 分库分表（数据量超千万）

水平分表：按用户 ID、时间等字段分片（如 Sharding-JDBC），分散单表数据量。
垂直分表：将大表拆分为小表（如用户表拆分为用户基本信息表、用户详情表），减少字段冗余。
分库：按业务模块分库（如订单库、用户库），分散数据库压力。

5. 读写分离

主库写入，从库查询（如 MySQL 主从复制），通过 Sharding-JDBC 或 MyCat 实现读写分离，减轻主库压力。

五、架构层面优化

1. 水平扩展（集群部署）

无状态服务多实例部署，通过 Nginx 或 Spring Cloud Gateway 负载均衡（轮询、加权轮询、IP 哈希）分发请求。
负载均衡优化：根据实例性能调整权重（如高性能服务器权重更高），避免单点过载。

2. 限流熔断（保护系统不被压垮）

限流：限制单位时间内的请求数，避免流量峰值击垮系统。方案：Spring Cloud Gateway + Sentinel/Resilience4j，或 Nginx 限流（limit_req_zone）。粒度：接口级、用户级、IP 级限流（如秒杀接口限制 1000 QPS）。
熔断：当依赖服务（如数据库、第三方接口）故障时，快速失败并返回降级结果，避免级联故障。工具：Resilience4j（Spring Boot 2.x 推荐，轻量级）、Sentinel（阿里开源，支持流量控制、熔断、降级）。

3. 静态资源优化

静态资源（JS、CSS、图片）部署到 CDN（如阿里云 CDN、七牛云），减轻应用服务器压力。
开启 Gzip 压缩（Nginx 或 Spring Boot 配置），减少传输体积：

server:
  compression:
    enabled: true
    mime-types: application/json,application/xml,text/html,text/css,application/javascript
    min-response-size: 1024 # 大于1KB才压缩

六、监控与压测（持续优化）

1. 监控体系

接入 Spring Boot Actuator 暴露监控端点（健康检查、指标统计）：
yaml
management: endpoints: web: exposure: include: health,info,metrics,prometheus metrics: tags: application: ${spring.application.name}
结合 Prometheus + Grafana 监控 JVM 指标（GC、内存）、接口 QPS、响应时间、数据库连接数等。
日志监控：使用 ELK 栈（Elasticsearch + Logstash + Kibana）收集日志，排查高并发下的异常。