Sharding Jdbc批量操作引發(fā)fullGC解決

更新時(shí)間：2022年11月09日 09:41:06 作者：女友在高考

這篇文章主要為大家介紹了Sharding Jdbc批量操作引發(fā)fullGC解決，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

正文

周五晚上告警群突然收到了一條告警消息，點(diǎn)開一看，應(yīng)用 fullGC 了。

于是趕緊聯(lián)系運(yùn)維下載堆內(nèi)存快照，進(jìn)行分析。

內(nèi)存分析

使用 MemoryAnalyzer 打開堆文件

mat 下載地址：http://chabaoo.cn/zt/matlab.html

下載下來(lái)后需要調(diào)大一下 MemoryAnalyzer.ini 配置文件里的-Xmx2048m

打開堆文件后如圖：

發(fā)現(xiàn)有 809MB 的一個(gè)占用，應(yīng)該問題就出在這塊了。然后點(diǎn)擊 Dominator Tree，看看有什么大的對(duì)象占用。

我們找大的對(duì)象，一級(jí)級(jí)往下點(diǎn)看看具體是誰(shuí)在占用內(nèi)存。點(diǎn)到下面發(fā)現(xiàn)是 sharding jdbc 里面的類，然后再繼續(xù)往下發(fā)現(xiàn)了一個(gè) localCache。

原來(lái)是一個(gè)本地緩存占了這么大的空間

為什么有這個(gè) LocalCache 呢？

帶著這個(gè)疑惑我們?nèi)ゴa里看看它是怎么使用的，根據(jù)堆內(nèi)存分析上的提示，我直接打開了 SQLStatementParserEngine 類。

public final class SQLStatementParserEngine {
    private final SQLStatementParserExecutor sqlStatementParserExecutor;
    private final LoadingCache<String, SQLStatement> sqlStatementCache;
    public SQLStatementParserEngine(String databaseType, SQLParserRule sqlParserRule) {
        this.sqlStatementParserExecutor = new SQLStatementParserExecutor(databaseType, sqlParserRule);
        this.sqlStatementCache = SQLStatementCacheBuilder.build(sqlParserRule, databaseType);
    }
    public SQLStatement parse(String sql, boolean useCache) {
        return useCache ? (SQLStatement)this.sqlStatementCache.getUnchecked(sql) : this.sqlStatementParserExecutor.parse(sql);
    }
}

他這個(gè)里面有個(gè) LoadingCache 類型的 sqlStatementCache 對(duì)象，這個(gè)就是我們要找的緩存對(duì)象。

從 parse 方法可以看出，它這里是想用本地緩存做一個(gè)優(yōu)化，優(yōu)化通過 sql 解析 SQLStatement 的速度。

在普通的場(chǎng)景使用應(yīng)該是沒問題的，但是如果是進(jìn)行批量操作場(chǎng)景的話就會(huì)有問題。

就像下面這個(gè)語(yǔ)句：

@Mapper
public interface OrderMapper {
    Integer batchInsertOrder(List<Order> orders);
}

<insert id="batchInsertOrder" parameterType="com.mmc.sharding.bean.Order" >
        insert into t_order (id,code,amt,user_id,create_time)
        values
        <foreach collection="list" item="item" separator=",">
            (#{item.id},#{item.code},#{item.amt},#{item.userId},#{item.createTime})
        </foreach>
</insert>

1）我傳入的 orders 的個(gè)數(shù)不一樣，會(huì)拼出很多不同的 sql，生成不同的 SQLStatement，都會(huì)被放入到緩存中

2）因?yàn)榕坎僮鞯钠唇?，sql 本身長(zhǎng)度也很大。如果我傳入的 orders 的 size 是 1000，那么這個(gè) sql 就很長(zhǎng)，也比普通的 sql 更占用內(nèi)存。

綜上，就會(huì)導(dǎo)致大量的內(nèi)存消耗，如果是請(qǐng)求速度很快的話，就就有可能導(dǎo)致頻繁的 FullGC。

解決方案

因?yàn)槭菂?shù)個(gè)數(shù)不同而導(dǎo)致的拼成 Sql 的不一致，所以我們解決參數(shù)個(gè)數(shù)就行了。

我們可以將傳入的參數(shù)按我們指定的集合大小來(lái)拆分，即不管傳入多大的集合，都拆為{300, 200, 100, 50, 25, 10, 5, 2, 1}這里面的個(gè)數(shù)的集合大小。如傳入 220 大小的集合，就拆為[{200},{10},{10}]，這樣分三次去執(zhí)行 sql，那么生成的 SQL 緩存數(shù)也就只有我們指定的固定數(shù)字的個(gè)數(shù)那么多了，基本不超過 10 個(gè)。

接下來(lái)我們實(shí)驗(yàn)一下，改造前和改造后的 gc 情況。

測(cè)試代碼如下：

 @RequestMapping("/batchInsert")
    public String batchInsert(){
        for (int j = 0; j < 1000; j++) {
            List<Order> orderList = new ArrayList<>();
            int i1 = new Random().nextInt(1000) + 500;
            for (int i = 0; i < i1; i++) {
                Order order=new Order();
                order.setCode("abc"+i);
                order.setAmt(new BigDecimal(i));
                order.setUserId(i);
                order.setCreateTime(new Date());
                orderList.add(order);
            }
            orderMapper.batchInsertOrder(orderList);
            System.out.println(j);
        }
        return "success";
    }

GC 情況如圖所示：

cache 里面存有元素：

修改代碼后：

@RequestMapping("/batchInsert")
    public String batchInsert(){
        for (int j = 0; j < 1; j++) {
            List<Order> orderList = new ArrayList<>();
            int i1 = new Random().nextInt(1000) + 500;
            for (int i = 0; i < i1; i++) {
                Order order=new Order();
                order.setCode("abc"+i);
                order.setAmt(new BigDecimal(i));
                order.setUserId(i);
                order.setCreateTime(new Date());
                orderList.add(order);
            }
            List<List<Order>> shard = ShardingUtils.shard(orderList);
            shard.stream().forEach(
                    orders->{
                        orderMapper.batchInsertOrder(orders);
                    }
            );
            System.out.println(j);
        }
        return "success";
    }

GC 情況如下：

cache 里面存有元素：

可以看出 GC 次數(shù)有減少，本地緩存的條數(shù)由 600 多減到了 11 個(gè)，如果導(dǎo)出堆內(nèi)存還能看出至少降低了幾百 M 的本地內(nèi)存占用。

另外，這個(gè) cache 是有大小限制的，如果因?yàn)橐粋€(gè) sql 占了 600 多個(gè)位置，那么其他的 sql 的緩存就會(huì)被清理，導(dǎo)致其他 SQL 性能會(huì)受到影響，甚至如果機(jī)器本身內(nèi)存不高，還會(huì)因?yàn)檫@個(gè) cache 過大而導(dǎo)致頻繁的 Full GC

大家以后在使用 Sharding JDBC 進(jìn)行批量操作的時(shí)候就需要多注意了

另附上拆分為固定大小的數(shù)組的工具方法如下：

public class ShardingUtils {
    private static Integer[] nums = new Integer[]{800,500,300, 200, 100, 50, 25, 10, 5, 2, 1};
    public static <T> List<List<T>> shard(final List<T> originData) {
        return shard(originData, new ArrayList<>());
    }
    private static <T> List<List<T>> shard(final List<T> originData, List<List<T>> result) {
        if (originData.isEmpty()) {
            return result;
        }
        for (int i = 0; i < nums.length; i++) {
            if (originData.size() >= nums[i]) {
                List<T> ts = originData.subList(0, nums[i]);
                result.add(ts);
                List<T> ts2 = originData.subList(nums[i], originData.size());
                if (ts2.isEmpty()) {
                    return result;
                } else {
                    return shard(ts2, result);
                }
            }
        }
        return result;
    }
}

以上就是Sharding Jdbc批量操作引發(fā)fullGC解決的詳細(xì)內(nèi)容，更多關(guān)于Sharding Jdbc引發(fā)fullGC的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: