Java性能优化 - HelloWorld开发者社区

本博客来自我的新书Java性能优化（暂定名），第5章的Java代码优化技巧节选2，也欢迎阅读我的新书 《Spring Boot 2 精髓》

5.2 高速Map存取

使用EnumMap来存取Key是Enum的，会有较快的速度，如下是一个网关返回对象Result的的状态属性，是一个枚举类

    public static  enum Status {
      SUCCESS(1,"成功"),FAIL(2,"处理失败"),DEGRADE(98,"成功降级"),UNKOWN(99,"未知异常");

      private int code;
      String msg;
      Status(int code,String msg){
        this.code = code;
        this.msg = msg;
      }

      public int getCode() {
        return code;
      }

      public String getMsg() {
        return msg;
      }
    }

考虑到定义微服务网关返回对象，应该尽量使用java自带类型，以避免各种序列化，反序列化问题，网关不返回此枚举值，而是返回msg字段，因此可以构造一个EnumMap，Key为Status枚举类型，Value为Status.msg 属性

    Map<Status,String> enumMap =null;
    private void initEnumMap(){
      enumMap = new EnumMap<Status,String>(Status.class);
      for(Status status:Status.values()) {
        enumMap.put(status,status.msg);
      }
    }

构造EnumMap的时候，内部实际上通过一个数组保存了所有的枚举值，索引是枚举的ordinal得到当要根据Enum来操作EnumMap，只需要先调用ordinal，得到其索引，然后直接操作数组即可。操作一维数组有这最快的速度

有些场景下Key是int类型，这时候可以参考第二章的IntMap

有很多Key-Value使用场景，都可以转化为根据索引对数组的存取，我们学过的C语言，操作的是变量名，但实际上还是根据指针获取到内存中的值，Beetl模板语言，对变量的访问，也不像其他脚本语言那样，通过变量名访问Map获取其值，而是在编译期间就为这个变量分配好了索引值，所有变量都保存在一个一维数组里，这样的存取，相比于Map存取，有十倍以上性能提高。

如下一段脚本语言

    var a = 1;
    var b = 2+a;

有些语言引擎会翻译成类似如下java代码

    context.put("a",1);
    context.put("b",context.get("a")+2);

这里context是一个Map。从Map里通过Key存取尽管很快，但是Beetl还是在解析脚本语言的时候给变量设置了数组所在索引，因此如上脚本在Beetl中翻译如下

    Object[] vars = context.vars;
    vars[0] =1 ;
    vars[1] = vars[0]+2

这里为变量a，b 分别设置了在变量表中的索引是0和1；

曾优化过一个电商的基础组件，电商系统每天调用这个组件的次数高达10+万亿次，这个组件是用来统计方法调用的时长，收集一段时间后，定期发送到分析系统，用于查找和分析方法的性能，其中有一部分代码是记录以调用时长分类，记录条用次数，下面的代码

    Watch watch = Watch.instance("orderByWx"); //初始化，从微信来的订单
    //调用其他业务逻辑.....
    Profile.add(watch.endWatch());//记录一次

Watch类定义如下

    public class Watch {
      String key;
      long start;
      long millis =-1;
      private Watch(String key){
        this.key = key;
        this.start = System.nanoTime();
      }
      public static Watch instance(String key){
        return new Watch(key);
      }

      public Watch endWatch(){
        millis = millisConsume();
        return this;
      }

      /**
       * 返回方法调用消耗的毫秒
       * [@return](https://my.oschina.net/u/556800)
       */
        private long millisConsume(){
          return  TimeUnit.NANOSECONDS.toMillis(System.nanoTime()-start);
        }

    }

Watch的key属性记录调用类型，如订单调用，商品查询信息等，可以为任意值，start属性记录了调用时候的时间点，millis会在调用endWatch后记录调用消耗的毫秒数。

Profile类用来记录监控信息，并通过其他后台线程发送到性能分析中心，例子做了一定简化，只呈现保存部分

    public class Profile {
      //调用时长和调用次数
      static Map<Integer, AtomicInteger> countMap = new ConcurrentHashMap<>();
      /**
       * 对调用时间计数
       * [@param](https://my.oschina.net/u/2303379) watch
       */
      public static void addWatch(Watch watch){
        int consumeTime = (int)watch.millis;
        AtomicInteger  count  = countMap.get(consumeTime);
        if(count==null){
          count = new AtomicInteger();
          AtomicInteger old  = countMap.putIfAbsent(consumeTime,count);
          if(old!=null){
            count = old;
          }
        }
        count.incrementAndGet();
      }
    }

Profile会初始化一个ConcurrentHashMap用于计数，Key为Integer类型，表示调用时长，Value为AtomicInteger，用来计数，每次调用，都会自增一个

Profile性能有一点优化空间，如果从业务角度考虑，大部分需要监控的方法或者代码块，执行时间并不长，假设不超过32毫秒（这是一个假设值，根据系统运维统计分析后得出），因此，可以考虑用一个32长度的数组来存放32毫秒以内的所有计数，超过32毫秒的再沿用以前的方法

    static Map<Integer, AtomicInteger> countMap = new ConcurrentHashMap<>();
    static final int MAX  = 32;
    //保存消耗时间为32毫秒的调用次数
    static AtomicInteger[] counts = new AtomicInteger[MAX];
    static{
        for(int i=0;i<MAX;i++){
            counts[i] = new  AtomicInteger();
        }
    }

    /**
    * 对调用时间计数
    * [@param](https://my.oschina.net/u/2303379) watch
    */
    public static void addWatch(Watch watch){
        int consumeTime = (int)watch.millis;
        if(consumeTime<MAX){
            counts[consumeTime].incrementAndGet();
            return ;
        }
        AtomicInteger  count  = countMap.get(consumeTime);
        //原有的Profile.addWatch逻辑,在此忽略

    }

新完善的代码使用counts数组记录32毫秒以内调用计数，因此当addWatch被调用的时候，先判断millis是否小于32毫秒，如果是，直接用数组获取计数器，然后自增。否则，沿用以前的逻辑

优化后，通过JMH测试（com.ibeetl.code.ch05.WatchTest），性能略有提升，如下输出:

    Benchmark                     Mode  Samples      Score  Score error   Units
    c.i.c.c.WatchTest.better     thrpt       20  16447.171     2195.344  ops/ms
    c.i.c.c.WatchTest.general    thrpt       20  11566.545      601.579  ops/ms

性能优化提高了40%，尽管看着不如本书其他例子性能提升那么明显，但考虑这是一个基础工具，性能提升会对所有系统都有帮助，实际上，作者优化为跟此性能监控工具后，对业务系统的有提升5%的性能提升，在拥有数十万台服务器的大型电商系统，这个系统提升还是有意义的。