天天说要做性能优化，到底在优化什么？

面试过程中经常被问到：

• 你做过性能优化吗?
• 优化了哪些方面？
• 怎么做优化的？
• 优化的效果如何？

连环炮问下来，对于有做过优化的老司机来说，肯定能抗住。对于没有真正做过优化的小白来说，肯定扛不住这一系列的追问，最后只能以面试失败而告终。

那么性能优化到底在优化什么呢？我们来盘点下一些常用的优化手段。

SQL 优化

当你开发的接口响应时间超过了 200ms 的时候就得优化了，当然 200ms 不是绝对值，具体还是看应用场景。以 App 举例，进一个页面调用 5 个接口（题外话：也可以做聚合），那么总共就是 1s 的时间，对用户来说体验还算可以，当然是越快响应越好。

接口耗时 200ms，其中占大头的还是对数据库的操作，一个接口中会有 N 次数据库操作。所以优化 SQL 的速度优先级是最高的，大量的慢 SQL 会拖垮整个系统。

关于 SQL 的优化不是本文的重点，大部分慢 SQL 还是跟各位平时开发时的习惯有关系。大部分在写 SQL 的时候不太会去考虑性能，只要写出来就可以了，join 随手就来，也不梳理查询字段，不加索引，刚开始上线没问题，等到并发量，数据量起来的时候就凉凉了。

关于数据库的使用规范大家可以参考下这篇文章：https://mp.weixin.qq.com/s/mFsK7YSKcG6T7jpPnK92tg

当数据量大了后肯定要做读写分离和分库分表的，这也是优化的必经之路。相关的文章也可以参考我之前写的一些：http://mp.weixin.qq.com/mp/homepage?__biz=MzIwMDY0Nzk2Mw==&hid=4&sn=1b96093ec951a5f997bdd3225e5f2fdf&scene=18#wechat_redirect

减少重复调用

性能不好的另一个致命问题就是重复调用，相同的逻辑在不同的方法中重复对数据库查询，重复调用 RPC 服务等。

比如下面的代码：

  

   
skuDao.querySkus(productId).stream().map(sku -> {
   
   skuDao.getById(sku.getId());
   
})
  

明明数据已经查询出来了，又根据 ID 重新去查询了一次，数量越多，浪费的时间越多。这里只是举例，我相信在真实的项目中大量存在重复查询的情况，之前我还写过一篇文章，讲解如何解决这种重复查询问题，感兴趣的可以查看这篇文章：https://mp.weixin.qq.com/s/1k4OtNYIoOasrXAF1ZhcGg

按需查询

很多业务逻辑不复杂的功能，却响应很慢。往往都是写代码的时候没有思考，随便就调用一些已经存在的方法，导致整体响应变慢，总结起来就是：性能问题大部分都是代码写出来的。

说个场景，大家肯定都见到过。参数是一个商品 ID, 功能是上架商品，需要进行状态的判断，符合条件才能上架。这个场景下只需要获取商品的状态进行判断即可，有的时候你看到的代码往往都是下面的方式：

  

   
GoodsDetail goods = goodsService.detail(id);
   
if (goods.getStatus() == GoodsStatusEnum.XXXX) {
   

   
}
  

detail 中有大量的逻辑，除了基本的商品信息，还有很多其他的内容，这就是慢的原因。

并行调用

针对一个接口，如果设计到多个内部 RPC 服务或者多个外部接口，在接口之间没有关联关系的情况下，我们可以采用并行调用的方式来提高性能。

CompletableFuture 就非常适合并行调用的场景，关于 CompletableFuture 的使用本文不做详细说明，做 Java 的都要会用。

除了 CompletableFuture 之外，对于集合类的处理，可以用 parallelStream 来实现并行调用。

在微服务中有一层专门用于聚合 API, 聚合层就非常适合并行调用，一个功能或者一个页面展示会涉及到多个接口，通过聚合层在后端进行接口的聚合和数据的裁剪，一起响应给前端。

上缓存

缓存也是优化中最常用的，效果提升最明显的，成本也不大。对于缓存，也不要滥用，不是所有场景都可以靠堆缓存来提高性能的。

首先对于实时性要求不高的业务场景可以优先使用缓存，也不用太考虑更新的问题，自然过期就行。

实时性要求高的业务场景，用缓存一定要有完整的缓存更新机制，否则很容易造成业务数据和缓存数据不一致的情况。

建议的做法是订阅 binlog 来统一更新缓存，不要在代码中去更新或者失效缓存，简单的场景还好，入口就那几个，问题不大。有些数据在多个场景下使用，需要更新的入口太多了，

异步处理

有些逻辑，不需要实时反馈给用户那就可以采用异步的方式在后台进行处理。

异步处理的方式最常见的就是将任务加到线程池中进行处理，线程池需要考虑容量以及对一些指标的监控，相关的文章可以查看我的这篇：https://mp.weixin.qq.com/s/JM9idgFPZGkRAdCpw0NaKw

除了一些指标的监控，线程池的使用另一个需要关注的问题就是任务的持久化。如果你的数据本来就是存储好了的，然后读取出来通过线程池去执行是没问题的。如果是没有持久化直接丢入线程池中进行执行，就有可能出现丢失的情况，比如服务重启之类的场景。

关于持久化，无论是线程池还是 EventBus 这种，都会遇到，所以针对异步的场景我建议大家使用消息队列比较好。

消息队列可以存储任务信息，保证不会丢失。单独消费队列的消息进行逻辑处理，如果想提高消费速度，也可以在队列的消费方使用线程池进行多线程消费，多线程消费也要避免消息丢失的情况，可以查看我的这篇文章：https://mp.weixin.qq.com/s/Bbh1GDpmkLhZhw5f0POJ2A

JVM 参数调整

JVM 参数的调整，一般情况下我们都不用怎么去调整。偶尔有些代码写的不好，导致内存溢出了，这个时候会去做一些调整和优化代码。

参数调整主要是去降低 GC 的导致的停顿问题，如果你的程序一直在 GC, 一直在停顿，你的接口自然就慢了。

只要没有频繁的 Full GC，在优化这块 JVM 的参数调整可以最后再做，优先以 SQL 优化这些为主。

加机器

加机器是最后的终极大招了，并发量上去的时候，你在怎么优化单机器和单数据库抗并发能力也是有限的，这个时候只能水平扩展了。

如果是创业初期，并且在快速发展，加机器是最直接的优化方式了，虽然说成本上去了，但是开发资源也是成本，节约下来可以实现更多的业务需求。等到中期稳定了再考虑架构，性能方面整体的优化和重构。

就像玩游戏一样，有装备的玩家才能所向睥睨啊，对于后端应用来说也是一样，高配的机器，高配的数据库配置，高配的缓存等。

关于作者：尹吉欢，简单的技术爱好者，《Spring Cloud 微服务-全栈技术与案例解析》, 《Spring Cloud 微服务 入门 实战与进阶》作者, 公众号猿天地发起人。

我整理了一份很全的学习资料，感兴趣的可以微信搜索「猿天地」，回复关键字 「学习资料」获取我整理好了的 Spring Cloud，Spring Cloud Alibaba，Sharding-JDBC 分库分表，任务调度框架 XXL-JOB，MongoDB，爬虫等相关资料。