ShardingSphere实战

ShardingSphere实战

文章目录

    • ShardingSphere实战
      • 分库分表实战
        • 建表
        • 建表sql
        • 利用存储过程建表
        • Sharding-jdbc分库分表配置
      • 基于业务的Sharding-key考虑
        • 订单id
        • 用户id
        • 分片策略
        • 订单id的设计与实现
          • **设计思想**:
          • 设计思路:
      • 具体分片策略实现
      • 测试数据插入
        • 商户
        • 商品
        • 用户
        • 订单和订单详情
      • 如何批量新增数据
        • Mybatis的批量插入
        • 线程池开启多线程执行插入
      • 关于查询
        • 根据用户Id查询
        • 根据订单id查询
        • 分页查询模拟
        • 有分片键的情况
        • 无分片键的情况
          • 全局查询法
          • 禁止跳跃查询
        • 商户端查询
          • 索引法(冗余)
          • ES异构

系统每日数据增量庞大,如何解决庞大数据带来的数据库性能瓶颈?

假设现在系统初始设计日增量十万,而数据是每半年做一次归档。则半年内,数据能达到180 * 10W = 1800W。

当系统运行到一定时间后,日增量达到一百万,则半年内数据达到180 * 100W =18000W,也就是1.8个亿。

这么庞大的数据量,单表无法承受那么大压力。这个时候就要考虑分库分表了。假设保持单表数据最多100W的情况下,这需要180张表容纳下这半年的数据。

分库分表实战

建表

为了模拟广播表和绑定表,选用Mysql数据库,这里共设计了5张表,分别为

  • 用户表: user,这里设置成广播表,实际用户数量庞大,需要分表

  • 商户表:business 这里设置成广播表

  • 商品表: product 这里设置成广播表

  • 订单表:orders 主要数据表,需要分表,需要根据用户Id和订单Id进行分片策略分表

  • 订单详情表: order_items 主要数据表,需要分表,和订单表orders绑定表关系,根据用户Id和订单Id进行分片策略分表。

演示共准备了三个数据库,orders和order_items均分成0…31,分别共3*32=96张表。

建表sql

各表类型字段如下:

-- 商品表,模拟广播表
create table product(product_id bigint primary key,product_name varchar(255)
);-- 用户表,暂时不分表,模拟广播表
create table user(user_id BIGINT PRIMARY KEY,user_name varchar(55) not null
);
-- 商户表,分表
create table business(business_id bigint primary key,business_name varchar(255) not null
);-- 订单表,分库分表,和订单详情表是绑定表
CREATE TABLE orders (order_id BIGINT PRIMARY KEY,user_id BIGINT,business_id BIGINT,order_date DATE
);-- 订单详情表,分库分表
CREATE TABLE order_items (item_id BIGINT PRIMARY KEY,order_id BIGINT,product_id BIGINT
);
利用存储过程建表

分别在三个数据库中执行以下sql语句

drop database IF EXISTS shardingdb ;create database shardingdb;
use shardingdb;-- 商品表,模拟广播表
create table product(product_id bigint primary key,product_name varchar(255));-- 用户表,暂时不分表,模拟广播表
create table user(user_id BIGINT PRIMARY KEY,user_name varchar(55) not null
);
-- 商户表,暂时不分表,模拟广播表
create table business(business_id bigint primary key,business_name varchar(255) not null
);-- 如果存储过程已存在,先删除
DROP PROCEDURE IF EXISTS `createTables`;CREATE PROCEDURE `createTables`()
BEGINDECLARE `@i` int(11);DECLARE `@createSql` VARCHAR(2560);DECLARE `@createIndexSql1` VARCHAR(2560);DECLARE `@createIndexSql2` VARCHAR(2560);DECLARE `@createIndexSql3` VARCHAR(2560);set `@i`=0;WHILE `@i`<=31 DO SET @createSql = CONCAT('CREATE TABLE IF NOT EXISTS orders_',`@i`,'(`order_id` BIGINT NOT NULL COMMENT \'订单id\',`user_id` BIGINT COMMENT \'用户名\',`business_id` BIGINT COMMENT \'商户id\',`order_date` date,PRIMARY KEY (`order_id`)  ) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_bin');prepare stmt from @createSql;execute stmt;SET `@i`= `@i`+1; END WHILE;
END;-- 如果存储过程已存在,先删除
DROP PROCEDURE IF EXISTS `createTables2`;CREATE PROCEDURE `createTables2`()
BEGINDECLARE `@i` int(11);DECLARE `@createSql` VARCHAR(2560);DECLARE `@createIndexSql1` VARCHAR(2560);DECLARE `@createIndexSql2` VARCHAR(2560);DECLARE `@createIndexSql3` VARCHAR(2560);set `@i`=0;WHILE `@i`<=31 DO SET @createSql = CONCAT('CREATE TABLE IF NOT EXISTS order_items_',`@i`,'(`item_id` BIGINT NOT NULL COMMENT \'订单详情id\',`order_id` BIGINT COMMENT \'订单id\',`user_id` BIGINT COMMENT \'用户id\',`product_id` BIGINT COMMENT \'商户id\',PRIMARY KEY (`item_id`)  ) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_bin');prepare stmt from @createSql;execute stmt;SET `@i`= `@i`+1; END WHILE;
END;-- 查询存储过程
SHOW CREATE PROCEDURE `createTables`;-- 调用存储过程创建表
CALL createTables();-- 查询存储过程
SHOW CREATE PROCEDURE `createTables2`;-- 调用存储过程创建表
CALL createTables2();

注意:由于我是用navicat直接执行,所以没有分隔符语句,如果需要在mysql命令行执行,则需要定义分隔符,如何定义分隔符,利用DELIMITER $$,替代mysql默认的分号作为分隔符。这在创建存储过程的时候,防止存储过程语句中的;结尾被mysql直接判定语句结束,并执行。。

最终表创建结果如下:

在这里插入图片描述

Sharding-jdbc分库分表配置
  1. 创建springboot应用,并引入以下依赖
<dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId></dependency><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId></dependency><dependency><groupId>com.alibaba</groupId><artifactId>druid</artifactId><version>1.1.23</version></dependency><dependency><groupId>com.baomidou</groupId><artifactId>mybatis-plus-boot-starter</artifactId><version>3.3.2</version></dependency><dependency><groupId>org.apache.shardingsphere</groupId><artifactId>sharding-jdbc-spring-boot-starter</artifactId><version>4.1.1</version></dependency><dependency><groupId>junit</groupId><artifactId>junit</artifactId><scope>test</scope></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency></dependencies>
  1. 分别创建entity实体和对应的mapper,具体代码就不列出来了。

在这里插入图片描述

  1. 分库分表配置
  • 配置m1,m2,m3三个数据源
  • 配置广播表user,business,product
  • 配置分片表orders,order_items,并配置绑定关系
spring:shardingsphere:datasource:names: m1,m2,m3m1:type: com.alibaba.druid.pool.DruidDataSourcedriver-class-name: com.mysql.cj.jdbc.Driverurl: jdbc:mysql://47.109.94.124:3306/shardingdb?serverTimezone=UTC&useSSL=false&allowPublicKeyRetrieval=trueusername: rootpassword: 123456m2:type: com.alibaba.druid.pool.DruidDataSourcedriver-class-name: com.mysql.cj.jdbc.Driverurl: jdbc:mysql://47.109.188.99:3306/shardingdb?serverTimezone=UTC&useSSL=false&allowPublicKeyRetrieval=trueusername: rootpassword: 123456m3:type: com.alibaba.druid.pool.DruidDataSourcedriver-class-name: com.mysql.cj.jdbc.Driverurl: jdbc:mysql://192.168.56.102:3306/shardingdb?serverTimezone=UTC&useSSL=false&allowPublicKeyRetrieval=trueusername: rootpassword: 123456sharding:tables:user:actual-data-nodes: m1.user,m2.user,m3.userproduct:actual-data-nodes: m1.product,m2.product,m3.productbusiness:actual-data-nodes: m1.business,m2.business,m3.businessorders:actual-data-nodes: m$->{1..3}.orders_$->{0..31}database-strategy:complex:sharding-columns: order_id,user_idalgorithm-class-name: cn.axj.sharding.ShardingAlgorithmConfig.OrdersDatabaseComplexAlgorithmtable-strategy:complex:sharding-columns: order_id,user_idalgorithm-class-name: cn.axj.sharding.ShardingAlgorithmConfig.OrdersTableComplexAlgorithmorder_items:actual-data-nodes: m$->{1..3}.order_items_$->{0..31}key-generator:column: item_idtype: SNOWFLAKEprops:worker:id: 1database-strategy:complex:sharding-columns: order_id,user_idalgorithm-class-name: cn.axj.sharding.ShardingAlgorithmConfig.OrdersDatabaseComplexAlgorithmtable-strategy:complex:sharding-columns: order_id,user_idalgorithm-class-name: cn.axj.sharding.ShardingAlgorithmConfig.OrdersTableComplexAlgorithmbroadcast-tables:- user- product- businessbinding-tables:- orders,order_itemsprops:sql:#开启sp  sql日志show: true

分片策略下面讲

基于业务的Sharding-key考虑

订单id

若根据订单id查询订单,则可以直接将订单id作为分片键,这样通过订单id查询订单的时候,会快速定位到当前订单id归档的表中去。

有一种场景,用户需要查询自己所有的订单,这个时候没有订单id,怎么快速查询到单个用户的订单?如果只用订单id作为分片键,则这种情况势必要进行全库全表扫描。

用户id

用户端,用户在查询自己订单的时候,需要的就是性能,不可能从忙忙分表中查询用户的订单。

如果直接将用户id作为分片键,则单个用户所有的订单,会落到某一个库某一张表中去。这样解决了用户端查询自己订单。

当用户想根据订单id去查询的时候呢?如果只根据用户id去分片,则通过订单id查询的时候,势必要全表去扫描。

分片策略

通过将用户id集成到订单id中,可以解决通过用户id查询和订单id查询的问题。

具体实现

  • 具体的分片逻辑是使用用户id进行分片。
  • 当使用用户id查询的时候,可以快速定位到数据表
  • 当使用订单id的时候,解析出用户id,也可以快速定位到数据表。
  • 采用ShardingSphere的复合模式,使用用户id和订单id作为分片键
订单id的设计与实现
设计思想

设计一个64位的唯一ID,包含时间戳、用户ID和序列号,同时确保生成的ID不为负数。

设计思路:
  1. 时间戳部分(22位): 使用毫秒级时间戳,并确保时间戳足够长以覆盖你预期的时间范围。

  2. 用户ID部分(32位): 用户ID需要占据较大的位数,以保证足够的唯一性。32位的用户id可以容纳40多亿的用户,已经足够使用,具体根据系统的预期,可以将时间戳和用户id对应的位数进行调整。

  3. 序列号部分(12位): 序列号用于解决同一毫秒内生成多个ID时的唯一性问题。12位的序列号表示,能生成4096个不同的订单id,这里生成规则不能和用户id绑定,应该是所有的用户共享。

  4. 确保ID非负数: 使用无符号数或者适当的移位操作确保生成的ID不为负数。

  5. 解析用户id:需要通过订单id,解析出用户的id

订单id生成规则如下:

package cn.axj.sharding.util;/*** @author aoxiaojun* @date 2024/7/5 10:43**/
public class OrderGenerator {// 起始时间戳,可以根据需要设置private static final long EPOCH = 1625097600000L; // 2021-07-01 00:00:00 UTC// 每部分占据的位数private static final int TIMESTAMP_BITS = 22;private static final int USER_ID_BITS = 32;private static final int SEQUENCE_BITS = 12;// 最大值private static final long MAX_USER_ID = (1L << USER_ID_BITS) - 1;private static final long MAX_SEQUENCE = (1L << SEQUENCE_BITS) - 1;// 位偏移量private static final int USER_ID_SHIFT = SEQUENCE_BITS;private static final int TIMESTAMP_SHIFT = USER_ID_BITS + SEQUENCE_BITS;// 上次生成ID的时间戳private static long lastTimestamp = -1L;// 当前序列号private static long sequence = 0L;// 生成唯一IDpublic static synchronized long generateUniqueId(long userId) {long currentTimestamp = System.currentTimeMillis();if (currentTimestamp < lastTimestamp) {throw new RuntimeException("Clock moved backwards. Refusing to generate ID.");}if (lastTimestamp == currentTimestamp) {sequence = (sequence + 1) & MAX_SEQUENCE;if (sequence == 0) {// 序列号溢出,等待下一个毫秒currentTimestamp = waitNextMillis(lastTimestamp);}} else {sequence = 0L; // 重置序列号}lastTimestamp = currentTimestamp;long timestamp = currentTimestamp - EPOCH;// 移位操作组合生成IDlong uniqueId = (timestamp << TIMESTAMP_SHIFT) | (userId << USER_ID_SHIFT) | sequence;return uniqueId & Long.MAX_VALUE; // 确保ID非负数}// 解析用户IDpublic static long getUserIdFromUniqueId(long uniqueId) {return (uniqueId >> USER_ID_SHIFT) & MAX_USER_ID;}// 等待直到下一个毫秒private static long waitNextMillis(long lastTimestamp) {long currentTimestamp = System.currentTimeMillis();while (currentTimestamp <= lastTimestamp) {currentTimestamp = System.currentTimeMillis();}return currentTimestamp;}public static void main(String[] args) {long userId = 1234567890L;long uniqueId = generateUniqueId(userId);System.out.println("Generated Unique ID: " + uniqueId);long parsedUserId = getUserIdFromUniqueId(uniqueId);System.out.println("Parsed User ID: " + parsedUserId);}
}

用户id的生成规则如下:

public class DistributedUserIDGenerator {private static final long EPOCH = 1625097600000L; // 2021-07-01 00:00:00 UTCprivate static final int RANDOM_BITS = 32 - 13; // Use 13 bits for timestamp (enough until 2136)private static final SecureRandom random = new SecureRandom();public static long generateUserId() {// Current timestamp in millisecondslong currentTimestamp = System.currentTimeMillis();// Convert timestamp to seconds since epochlong secondsSinceEpoch = (currentTimestamp - EPOCH) / 1000;// Generate random bitsint randomBits = random.nextInt(1 << RANDOM_BITS);// Combine timestamp and random bitslong userId = (secondsSinceEpoch << RANDOM_BITS) | randomBits;return userId & Long.MAX_VALUE; // Ensure non-negative user ID}public static void main(String[] args) {long userId = generateUserId();System.out.println("Generated Distributed User ID: " + userId);}
}

具体分片策略实现

  1. Orders和order_items的分库策略实现逻辑,根据用户id或者通过订单id解析出用户id,通过对用户id取数据源数量的模+1,可以分片到不同的数据源中。
public class OrdersDatabaseComplexAlgorithm implements ComplexKeysShardingAlgorithm<Long> {@Overridepublic Collection<String> doSharding(Collection<String> availableTargetNames, ComplexKeysShardingValue<Long> complexKeysShardingValue) {Long orderId = null;Collection<Long> orderId1 = complexKeysShardingValue.getColumnNameAndShardingValuesMap().get("order_id");if(!CollectionUtils.isEmpty(orderId1)){orderId = orderId1.iterator().next();}Long userId = null;Collection<Long> userIdColl = complexKeysShardingValue.getColumnNameAndShardingValuesMap().get("user_id");if(!CollectionUtils.isEmpty(userIdColl)){userId = userIdColl.iterator().next();}//如果要根据用户去查找所有的订单,怎么办?//select * from orders where user_id = ?//orderId和用户idif(Objects.nonNull(userId)) {String dataSourceName = "m" + ((userId) % availableTargetNames.size() + 1);for (String targetName : availableTargetNames) {if (targetName.endsWith(dataSourceName)) {return Collections.singleton(targetName); // 返回匹配的数据库名}}}if(orderId != null){//截取orderId中的userId信息//截取orderId中的userId信息userId = OrderGenerator.getUserIdFromUniqueId(orderId);String dataSourceName = "m" + ((userId) % availableTargetNames.size() + 1);for (String targetName : availableTargetNames) {if (targetName.endsWith(dataSourceName)) {return Collections.singleton(targetName); // 返回匹配的数据库名}}}Map<String, Range<Long>> columnNameAndRangeValuesMap = complexKeysShardingValue.getColumnNameAndRangeValuesMap();Range<Long> range = columnNameAndRangeValuesMap.get("order_id");if(Objects.nonNull(range)){return availableTargetNames;}throw new IllegalArgumentException("No precise sharding available for " + complexKeysShardingValue);}
}
  1. Orders和order_items的分库策略实现逻辑,根据用户id或者通过订单id解析出用户id,通过对用户id取所有的分表数量的模,可以分片到不同的数据表中。
public class OrdersTableComplexAlgorithm implements ComplexKeysShardingAlgorithm<Long> {@Overridepublic Collection<String> doSharding(Collection<String> availableTargetNames, ComplexKeysShardingValue<Long> complexKeysShardingValue) {Long orderId = null;Collection<Long> orderId1 = complexKeysShardingValue.getColumnNameAndShardingValuesMap().get("order_id");if(!CollectionUtils.isEmpty(orderId1)){orderId = orderId1.iterator().next();}Long userId = null;Collection<Long> userIdColl = complexKeysShardingValue.getColumnNameAndShardingValuesMap().get("user_id");if(!CollectionUtils.isEmpty(userIdColl)){userId = userIdColl.iterator().next();}if(userId != null){String tableName = complexKeysShardingValue.getLogicTableName() + "_" + ((userId) % availableTargetNames.size());if(availableTargetNames.contains(tableName)){return Collections.singleton(tableName);}}if(orderId != null){//截取orderId中的userId信息userId = OrderGenerator.getUserIdFromUniqueId(orderId);String tableName = complexKeysShardingValue.getLogicTableName() + "_" + ((userId) % availableTargetNames.size());if(availableTargetNames.contains(tableName)){return Collections.singleton(tableName);}}Map<String, Range<Long>> columnNameAndRangeValuesMap = complexKeysShardingValue.getColumnNameAndRangeValuesMap();Range<Long> range = columnNameAndRangeValuesMap.get("order_id");if(Objects.nonNull(range)){return availableTargetNames;}throw new IllegalArgumentException("No precise sharding available for " + complexKeysShardingValue);}
}

至此,分库分表相关逻辑已经完成。

测试数据插入

商户

模拟200个商户,并直接插入

@SpringBootTest
@RunWith(SpringRunner.class)
public class BusienssTest {@Resourceprivate BusinessMapper businessMapper;@Testpublic void addBusiness(){for (int i = 0; i < 200; i++) {Business business = new Business();business.setBusinessId(i+2L);business.setBusinessName("商户" + i + 2);businessMapper.insert(business);}}
}

由于广播表的缘故,所有的库中都会插入

商品

模拟20个商品,并插入

@SpringBootTest
@RunWith(SpringRunner.class)
public class ProductTest {@Resourceprivate ProductMapper productMapper;@Testpublic void addProduct(){for (int i = 0; i < 20; i++) {Product product = new Product();product.setProductId(i + 2L);product.setProductName("测试商品" + i+2);productMapper.insert(product);}}
}

由于广播表的缘故,所有的库中都会插入

用户

模拟插入10000个用户

@SpringBootTest
@RunWith(SpringRunner.class)
public class UserTest {@Resourceprivate UserMapper userMapper;@Testpublic void addUser(){for (int i = 0; i <10000; i++) {User user = new User();user.setUserId(DistributedUserIDGenerator.generateUserId());user.setUsername("用户" + 5000 + i);userMapper.insert(user);}}@Testpublic void queryUser(){QueryWrapper<User> userQueryWrapper = new QueryWrapper<>();List<User> users = userMapper.selectList(userQueryWrapper);System.out.println(users.size());}
}

由于广播表的缘故,所有的库中都会插入

订单和订单详情

利用mapper.insert形式插入1000条数据

	@Testpublic void forInsertOrders(){QueryWrapper<User> userQueryWrapper = new QueryWrapper<>();List<User> users = userMapper.selectList(userQueryWrapper);QueryWrapper<Product> productQueryWrapper = new QueryWrapper<>();List<Product> products = productMapper.selectList(productQueryWrapper);QueryWrapper<Business> businessQueryWrapper = new QueryWrapper<>();List<Business> businesses = businessMapper.selectList(businessQueryWrapper);long l = System.currentTimeMillis();int total = 1000;for (int i = 0; i < total; i++) {Orders orders = new Orders();int iusers = ThreadLocalRandom.current().nextInt(users.size());orders.setUserId(users.get(iusers).getUserId());orders.setOrderId(OrderGenerator.generateUniqueId(users.get(iusers).getUserId()));int lbusiness = ThreadLocalRandom.current().nextInt(0, businesses.size());orders.setBusinessId(businesses.get(lbusiness).getBusinessId());orders.setOrderDate(new Date());Long orderId = orders.getOrderId();OrderItems orderItems = new OrderItems();orderItems.setOrderId(orderId);orderItems.setUserId(users.get(iusers).getUserId());int lproduct = ThreadLocalRandom.current().nextInt(0, products.size());orderItems.setProductId(products.get(lproduct).getProductId());ordersMapper.insert(orders);orderItemsMapper.insert(orderItems);}System.out.println("利用Mybatis insert插入"+total+"数据,耗时:" + (System.currentTimeMillis() - l));}
利用Mybatis insert插入1000数据,耗时:80649

可以看到通过mapper.insert的方式直接插入,仅仅1000条就需要80秒之多。这在大批量插入数据的时候,简直是要折磨死人。

这是因为mapper.insert每次执行都需要反反复复去获取数据库连接,并关闭数据库连接,这是非常耗时的。

如何批量新增数据

Mybatis的批量插入

利用Mybatis的sqlSessionFactory开启执行批处理命令,打包所有的命令,并获取一次数据库连接,一次执行,最后commit的方式,可以有效的降低数据库连接获取和关闭消耗的时间

 @Testpublic void batchInsertBySqlSession(){QueryWrapper<User> userQueryWrapper = new QueryWrapper<>();List<User> users = userMapper.selectList(userQueryWrapper);QueryWrapper<Product> productQueryWrapper = new QueryWrapper<>();List<Product> products = productMapper.selectList(productQueryWrapper);QueryWrapper<Business> businessQueryWrapper = new QueryWrapper<>();List<Business> businesses = businessMapper.selectList(businessQueryWrapper);long l = System.currentTimeMillis();int total = 1000;List<Orders> ordersList = new ArrayList<>();List<OrderItems> orderItemsList = new ArrayList<>();for (int i = 0; i < total; i++) {Orders orders = new Orders();int iusers = ThreadLocalRandom.current().nextInt(users.size());orders.setUserId(users.get(iusers).getUserId());orders.setOrderId(OrderGenerator.generateUniqueId(users.get(iusers).getUserId()));int lbusiness = ThreadLocalRandom.current().nextInt(0, businesses.size());orders.setBusinessId(businesses.get(lbusiness).getBusinessId());orders.setOrderDate(new Date());Long orderId = orders.getOrderId();OrderItems orderItems = new OrderItems();orderItems.setOrderId(orderId);orderItems.setUserId(users.get(iusers).getUserId());int lproduct = ThreadLocalRandom.current().nextInt(0, products.size());orderItems.setProductId(products.get(lproduct).getProductId());ordersList.add(orders);orderItemsList.add(orderItems);}try (SqlSession sqlSession = sqlSessionFactory.openSession(ExecutorType.BATCH)) {OrdersMapper ordersMapper1 = sqlSession.getMapper(OrdersMapper.class);OrderItemsMapper orderItemsMapper1 = sqlSession.getMapper(OrderItemsMapper.class);for (Orders orders : ordersList) {ordersMapper1.insert(orders);}for (OrderItems orderItems : orderItemsList) {orderItemsMapper1.insert(orderItems);}sqlSession.commit();}System.out.println("利用Mybatis 批处理插入"+total+"数据,耗时:" + (System.currentTimeMillis() - l));}
利用Mybatis 批处理插入1000数据,耗时:11085

利用批处理,插入1000条数据,耗时11秒。比之前的80秒有很大的提升

线程池开启多线程执行插入

利用线程池,当订单数量达到一个特定的值,开启新线程执行插入数据。这样可以将特定的订单,分成多个任务同步执行插入

  • 构建线程池
@Component
public class ThreadPool {private ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(10,48,60, TimeUnit.SECONDS, new LinkedBlockingQueue<>(1000));public void execute(Runnable command){threadPoolExecutor.execute(command);}public void shutdown(){threadPoolExecutor.shutdown();}/*** 等待所有的任务执行关闭*/public void awaitTermination(){try {threadPoolExecutor.awaitTermination(Long.MAX_VALUE, TimeUnit.NANOSECONDS);} catch (InterruptedException e) {throw new RuntimeException(e);}}
}
  • 构建插入批量插入任务
private static class BatchInsertTask implements Runnable {private final List<Orders> ordersList;private final List<OrderItems> orderItemsList;public BatchInsertTask(List<Orders> ordersList, List<OrderItems> orderItemsList) {this.ordersList = ordersList;this.orderItemsList = orderItemsList;}@Overridepublic void run() {// 在这里执行批量插入操作// ...try (SqlSession sqlSession = sqlSessionFactory.openSession(ExecutorType.BATCH)) {OrdersMapper ordersMapper1 = sqlSession.getMapper(OrdersMapper.class);OrderItemsMapper orderItemsMapper1 = sqlSession.getMapper(OrderItemsMapper.class);for (Orders orders : ordersList) {ordersMapper1.insert(orders);}for (OrderItems orderItems : orderItemsList) {orderItemsMapper1.insert(orderItems);}sqlSession.commit();}}
}
  • 执行插入
public class CopyUtils {// 深拷贝列表方法:通过序列化和反序列化实现public static <T extends Serializable> List<T> deepCopyList(List<T> originalList) throws IOException, ClassNotFoundException {ByteArrayOutputStream bos = new ByteArrayOutputStream();ObjectOutputStream oos = new ObjectOutputStream(bos);oos.writeObject(originalList);oos.flush();oos.close();ByteArrayInputStream bis = new ByteArrayInputStream(bos.toByteArray());ObjectInputStream ois = new ObjectInputStream(bis);@SuppressWarnings("unchecked")List<T> copiedList = (List<T>) ois.readObject();ois.close();return copiedList;}
}
@Testpublic void batchInsertOrders() throws IOException, ClassNotFoundException {QueryWrapper<User> userQueryWrapper = new QueryWrapper<>();List<User> users = userMapper.selectList(userQueryWrapper);QueryWrapper<Product> productQueryWrapper = new QueryWrapper<>();List<Product> products = productMapper.selectList(productQueryWrapper);QueryWrapper<Business> businessQueryWrapper = new QueryWrapper<>();List<Business> businesses = businessMapper.selectList(businessQueryWrapper);List<Orders> ordersList = new ArrayList<>();List<OrderItems> orderItemsList = new ArrayList<>();int total = 1000;long start = System.currentTimeMillis();for (int i = 1; i <= total; i++) {Orders orders = new Orders();int iusers = ThreadLocalRandom.current().nextInt(users.size());orders.setUserId(users.get(iusers).getUserId());orders.setOrderId(OrderGenerator.generateUniqueId(users.get(iusers).getUserId()));int lbusiness = ThreadLocalRandom.current().nextInt(0, businesses.size());orders.setBusinessId(businesses.get(lbusiness).getBusinessId());orders.setOrderDate(new Date());ordersList.add(orders);Long orderId = orders.getOrderId();OrderItems orderItems = new OrderItems();orderItems.setOrderId(orderId);orderItems.setUserId(users.get(iusers).getUserId());int l = ThreadLocalRandom.current().nextInt(0, products.size());orderItems.setProductId(products.get(l).getProductId());orderItemsList.add(orderItems);if(i % 100 == 0){//这里需要用到对象的深拷贝List<Orders> ordersNewList = CopyUtils.deepCopyList(ordersList);List<OrderItems> orderItemsNewList = CopyUtils.deepCopyList(orderItemsList);threadPool.execute(new BatchInsertTask(ordersNewList, orderItemsNewList));ordersList = new ArrayList<>();orderItemsList = new ArrayList<>();}}//等待线程池执行完毕threadPool.shutdown();threadPool.awaitTermination();System.out.println("利用线程池结合Mybatis 批处理插入"+total+"数据,耗时:" + (System.currentTimeMillis() - start));}
利用线程池结合Mybatis 批处理插入1000数据,耗时:4399

可以看到插入耗时,4秒多,比之前又提升了不少。

里面有个深拷贝代码如下

测试插入10000条,分十次执行需要耗时(24秒多)

利用线程池结合Mybatis 批处理插入10000数据,耗时:24984

关于查询

准备好700万的订单数据,平均每张表在7万多点。

根据用户Id查询
@Testpublic void queryByUser(){long start = System.currentTimeMillis();QueryWrapper<Orders> ordersQueryWrapper = new QueryWrapper<>();ordersQueryWrapper.eq("user_id", 49839282348229L);List<Orders> orders = ordersMapper.selectList(ordersQueryWrapper);System.out.println("花费时间 : \t" + (System.currentTimeMillis() - start));for (Orders order : orders) {System.out.println(order);}}
2024-07-06 02:07:27.131  INFO 14108 --- [           main] ShardingSphere-SQL                       : Logic SQL: SELECT  order_id,user_id,business_id,order_date  FROM orders WHERE (user_id = ?)
2024-07-06 02:07:27.131  INFO 14108 --- [           main] ShardingSphere-SQL                       : Actual SQL: m2 ::: SELECT  order_id,user_id,business_id,order_date  FROM orders_5 WHERE (user_id = ?) ::: [49839282348229]
花费时间 : 	728

根据ShardingSphere日志,可以看到通过用户Id去查询的时候,会精准定位到m2,orders_5表中查询,查询耗时728毫秒

根据订单id查询
	@Testpublic void queryByOrderId(){long l = System.currentTimeMillis();QueryWrapper<Orders> ordersQueryWrapper = new QueryWrapper<>();ordersQueryWrapper.eq("order_id", 2700119196034437376L);List<Orders> orders = ordersMapper.selectList(ordersQueryWrapper);System.out.println("花费时间 : \t" + (System.currentTimeMillis() - l));for (Orders order : orders) {System.out.println(order);}}
2024-07-06 02:09:31.991  INFO 5560 --- [           main] ShardingSphere-SQL                       : Logic SQL: SELECT  order_id,user_id,business_id,order_date  FROM orders WHERE (order_id = ?)
2024-07-06 02:09:31.992  INFO 5560 --- [           main] ShardingSphere-SQL                       : Actual SQL: m3 ::: SELECT  order_id,user_id,business_id,order_date  FROM orders_9 WHERE (order_id = ?) ::: [2700119196034437376]
花费时间 : 	661

根据ShardingSphere日志,可以看到通过订单Id去查询的时候,会精准定位到m3,orders_9表中查询,并且查询花费661毫秒

分页查询模拟

模拟对order_id排序后,进行分页查询

有分片键的情况
public interface OrdersMapper extends BaseMapper<Orders> {@Select("select * from orders where user_id = #{userId} order by order_id limit #{limit} offset #{offset}")List<Orders> queryByUserIdAndPage(@Param("limit") int limit, @Param("offset") int offset, @Param("userId") Long userId);@Select("select * from orders order by order_id limit #{limit} offset #{offset}")List<Orders> query(@Param("limit") int limit, @Param("offset") int offset);}

在通过用户id进行分页查询的时候

@Testpublic void queryByUserIdAndPage(){long start = System.currentTimeMillis();List<Orders> orders = ordersMapper.queryByUserIdAndPage(10, 0, 49839282348229L);for (Orders order : orders) {System.out.println(order);}}
2024-07-06 02:15:37.537  INFO 14288 --- [           main] ShardingSphere-SQL                       : Actual SQL: m2 ::: select * from orders_5 where user_id = ? order by order_id limit ? offset ? ::: [49839282348229, 10, 0]
2024-07-06 02:13:45.792  INFO 12584 --- [           main] ShardingSphere-SQL                       : Actual SQL: m2 ::: select * from orders_5 where user_id = ? order by order_id limit ? offset ? ::: [49839282348229, 10, 10]

可以看到,在有分片键的情况下,分页是正常的单表分页查询

无分片键的情况
全局查询法

就是将所有数据按照一定的规则进行查询,最后聚合,筛选出需要的数据。

	@Testpublic void query(){long l = System.currentTimeMillis();List<Orders> orders = ordersMapper.query(10, 0);System.out.println("花费时间 : \t" + (System.currentTimeMillis() - l));for (Orders order : orders) {System.out.println(order);}}
  • 在查询10条,偏移量为0的时候,
2024-07-06 02:17:47.746  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m1 ::: select * from orders_0 order by order_id limit ? offset ? ::: [10, 0]
2024-07-06 02:17:47.746  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m1 ::: select * from orders_1 order by order_id limit ? offset ? ::: [10, 0]
2024-07-06 02:17:47.746  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m1 ::: select * from orders_2 order by order_id limit ? offset ? ::: [10, 0]
.....
2024-07-06 02:17:47.747  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m1 ::: select * from orders_31 order by order_id limit ? offset ? ::: [10, 0]
2024-07-06 02:17:47.747  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m2 ::: select * from orders_0 order by order_id limit ? offset ? ::: [10, 0]
from orders_2 order by order_id limit ? offset ? ::: [10, 0]
2024-07-06 02:17:47.747  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m2 ::: select * from orders_29 order by order_id limit ? offset ? ::: [10, 0]
...
...
2024-07-06 02:17:47.749  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m3 ::: select * from orders_30 order by order_id limit ? offset ? ::: [10, 0]
2024-07-06 02:17:47.749  INFO 32340 --- [           main] ShardingSphere-SQL                       : Actual SQL: m3 ::: select * from orders_31 order by order_id limit ? offset ? ::: [10, 0]
花费时间 : 	888

对每一张orders表进行偏移量为0,limit为10的查询,最后通过对每一张表取出的数据进行排序,选出最小的十条数据进行返回

花费时间 888毫秒,看起来还好

  • 在查询10条,偏移量为10的时候,情况如下

对每一张orders表进行偏移量为0,limit为20的查询,最后通过对每一张表取出的数据进行排序,选出偏移量为10,limit为10的十条数据进行返回

这是为什么呢?为什么会取每张表的前20条数据进行汇总呢?

这是由于分表的缘故,由于是偏移量10,取10条,这十条数据不能保证不在同一张表中,而为啥从偏移量0开始取呢?那是因为这十条数据中的某一条都有可能在0-10这个区间中。

花费时间 814毫秒,看起来还好。

当分页达到很大值的时候,也就是偏移量很大的情况下,这种方式会取出所有的偏移量之前的数据,再进行排序。这样时间耗费就会上来了

  • 偏移量在50000的情况下
2024-07-06 02:27:24.316  INFO 17864 --- [           main] ShardingSphere-SQL                       : Actual SQL: m3 ::: select * from orders_31 order by order_id limit ? offset ? ::: [50010, 0]
花费时间 : 	12899

可以看到,时间花费达到了惊人的12秒多。

全局查询法弊端

  • 页码增加后,查询效率会非常低
  • 页码增加后,查询出来的数据量庞大,需要对数据进行二次排序。对内存和cpu要求也非常高。
禁止跳跃查询

为了解决全局查询法当页码很大,需要查询出庞大的数据,进行排序的痛点。

禁止跳跃查询就是在排序规则确定后,用上一页某个排序字段的最大或者最小值,作为下一页的查询条件。这样查询的数据会固定在一个limit的值。

如查询

@Select("select * from orders where order_id > #{orderMin} order by order_id limit #{limit} offset #{offset}")
List<Orders> queryProhibit(@Param("limit") int limit, @Param("offset") int offset,@Param("orderMin") Long orderMin);

首先从第一页开始查询

	@Testpublic void queryProhibitPage(){long l = System.currentTimeMillis();List<Orders> orders = ordersMapper.queryProhibit(10, 0,0L);System.out.println("花费时间 : \t" + (System.currentTimeMillis() - l));for (Orders order : orders) {System.out.println(order);}}

结果

Orders(orderId=1289014780911571066, userId=30533477, businessId=63, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289014788336590870, userId=32346226, businessId=159, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015043814797343, userId=94718835, businessId=184, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015212125704194, userId=135810365, businessId=146, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015307747590238, userId=159155552, businessId=110, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015356776222844, userId=171125433, businessId=104, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015389011095558, userId=178995275, businessId=75, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015446032207967, userId=192916445, businessId=85, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015457140670521, userId=195628472, businessId=167, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015523201130581, userId=211756514, businessId=195, orderDate=Fri Jul 05 00:00:00 CST 2024)

查询第二页的时候,将第一页order_id结果的最大值,作为条件放在第二页查询中,此处为1289015523201130581,

	@Testpublic void queryProhibitPage(){long l = System.currentTimeMillis();List<Orders> orders = ordersMapper.queryProhibit(10, 0,1289015523201130581L);System.out.println("花费时间 : \t" + (System.currentTimeMillis() - l));for (Orders order : orders) {System.out.println(order);}}
花费时间 : 	955
Orders(orderId=1289015650867736645, userId=242925119, businessId=36, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015705371156506, userId=256231618, businessId=190, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015767379583072, userId=271370394, businessId=109, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015796777467972, userId=278547612, businessId=74, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289015893385383950, userId=302133529, businessId=156, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289016129480106035, userId=359773842, businessId=162, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289016200532709421, userId=377120669, businessId=67, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289016244286947432, userId=387802856, businessId=123, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289016295920742499, userId=400408763, businessId=125, orderDate=Fri Jul 05 00:00:00 CST 2024)
Orders(orderId=1289016348148285461, userId=413159628, businessId=50, orderDate=Fri Jul 05 00:00:00 CST 2024)

通过实际执行sql分析

2024-07-06 15:05:23.003  INFO 32504 --- [           main] ShardingSphere-SQL                       : Actual SQL: m1 ::: select * from orders_28 where order_id > ? order by order_id limit ? offset ? ::: [1289015523201130581, 10, 0]
2024-07-06 15:05:23.004  INFO 32504 --- [           main] ShardingSphere-SQL                       : Actual SQL: m1 ::: select * from orders_29 where order_id > ? order by order_id limit ? offset ? ::: [1289015523201130581, 10, 0]

可以看到,每个数据节点查询出的数据永远都是十条,最后再聚合排序。

禁止跳跃查询法弊端

  • 不能跳页查询,只能一页一页的查询,比如说从第一页直接跳到第五页,因为无法获取到第四页的最大值,所以无法直接从第一页获取第五页的数据。
商户端查询

在商户端想要查询自己所有的订单这种业务情况下,如何根据实现?

由于没有商户id不是分片键的情况,查询商户自己的订单会走全库全表查询。数据量一旦过大,则查询效率会显著下降~

索引法(冗余)
  • 就是在各自的库中创建基于商户id和订单id的表,用商户id去分表
  • 查询的时候通过商户id可以快速定位到数据节点中。
  • 获取订单id,通过订单id再从订单表中去查询所有的订单。
ES异构
  • 在订单创建的时候,异构一份订单数据到elasticsearch中

  • elasticsearch对于这种数据量的查询简直效率很高。

  • 商户端的查询可以直接从es中获取

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/40946.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

推荐好玩的工具之OhMyPosh使用

解除禁止脚本 Set-ExecutionPolicy RemoteSigned 下载Oh My Posh winget install oh-my-posh 或者 Install-Module oh-my-posh -Scope AllUsers 下载Git提示 Install-Module posh-git -Scope CurrentUser 或者 Install-Module posh-git -Scope AllUser 下载命令提示 Install-Mo…

SwinUnet详解

文章目录 摘要一. 编码端模块1. PatchEmbed2. SwinTransformerBlock2.1. Window_partition2.2. WindowAttention2.3. Window_reverse2.4. MLP 3. PatchMerging 二. 解码端模块三. 完整流程图 摘要 swinunet基本结构&#xff1a; swinunet采用编码器-解码器结构&#xff1a; 编…

2.1 tmux和vim

文章目录 前言概述tmuxvim总结 前言 开始学习的时间是 2024.7.6 ,13&#xff1a;47 概述 最好多使用&#xff0c;练成条件反射式的 直接使用终端的工具&#xff0c;可以连接到服务器&#xff0c;不需要使用本地的软件 tmux 这个主要有两个功能&#xff0c;第一个功能是分…

Linux多进程和多线程(七)进程间通信-信号量

进程间通信之信号量 资源竞争 多个进程竞争同一资源时&#xff0c;会发生资源竞争。 资源竞争会导致进程的执行出现不可预测的结果。 临界资源 不允许同时有多个进程访问的资源, 包括硬件资源 (CPU、内存、存储器以及其他外 围设备) 与软件资源(共享代码段、共享数据结构) …

Redis Cluster 模式 的具体实施细节是什么样的?

概述 参考&#xff1a;What are Redis Cluster and How to setup Redis Cluster locally ? | by Rajat Pachauri | Medium Redis Cluster 的工作原理是将数据分布在多个节点上&#xff0c;同时确保高可用性和容错能力。以下是 Redis Cluster 运行方式的简要概述&#xff1a; …

读书到底有什么意义?从笨小孩到名人的逆袭之路

点击上方△腾阳 关注 作者 l 腾阳 转载请联系授权 读书到底有什么意义&#xff1f; 有一个鸟语花香的农场里&#xff0c;住着老农夫和他的小孙子。 老农夫经常在清晨会坐在窗边&#xff0c;捧着厚厚的《圣经》&#xff0c;沉浸在知识的海洋里。 小孙子问他&#xff1a;…

VSCode设置好看清晰的字体!中文用鸿蒙,英文用Jetbrains Mono

一、中文字体——HarmonyOS Sans SC 1、下载字体 官网地址&#xff1a;https://developer.huawei.com/consumer/cn/design/resource/ 直接下载&#xff1a;https://communityfile-drcn.op.dbankcloud.cn/FileServer/getFile/cmtyPub/011/111/111/0000000000011111111.20230517…

Redis分布式锁的应用场景有哪些

⼀ 、应⽤场景 在多线程并发的场景下 &#xff0c;Java Synchronized/Reentrantlock 锁能够实现同⼀个JVM进程内多线程 并发的安全性 &#xff0c;但⽆法保证多个JVM进程实例构成的集群环境在多线程下的安全性。在⼀些业务场景 下需要引⼊分布式锁。 1、缓存击穿 当某个热点缓…

加密(3)非对称加密

一、介绍 1、概念 非对称加密&#xff0c;又称现代加密算法&#xff0c;非对称加密是计算机通信安全的基石&#xff0c;保证了加密数据不会被破解。加密和解密使用的是两个不同的密钥&#xff0c;这种算法叫作非对称加密算法。 2、示例 首先生成密钥对, 公钥为(5,14)&#…

【分布式系统】ELK 企业级日志分析系统

目录 一.ELK概述 1.简介 1.1.可以添加的其他组件 1.2.filebeat 结合 logstash 带来好处 2.为什么使用ELK 3.完整日志系统基本特征 4.工作原理 二.部署ELK日志分析系统 1.初始化环境 2.完成JAVA部署 三. ELK Elasticsearch 集群部署 1.安装 2.修改配置文件 3.es 性…

latex英文转中文word,及一些latex相关工具分享

前言&#xff1a;想要转换latex生成的英文pdf文件为中文word文件 一、主要步骤 1、文字翻译&#xff1a;直接使用谷歌翻译等辅助将英文翻译成中文即可&#xff1b; **2、图片&#xff1a;**使用latex时一般保存的.png&#xff0c;.bmp格式图片可以直接插入word, 但是.eps或者…

Vue3:全局播放背景音乐

说明&#xff1a;一个全局播放的背景音乐&#xff0c;首页无音乐无音乐图标&#xff0c;在首页互动跳转页面并开始播放音乐&#xff0c;切换页面不需暂停音乐也不会重置音乐&#xff0c;可以通过音乐图标控制暂停或播放。 MusicPlay.vue&#xff08;音乐组件&#xff09; <…

Sentinel限流算法总结

文章目录 一、线程隔离二、滑动窗口算法三、令牌桶算法四、漏桶算法 一、线程隔离 线程隔离有两种方式实现&#xff1a; 线程池隔离&#xff1a;给每个服务调用业务分配一个线程池&#xff0c;利用线程池本身实现隔离效果信号量隔离&#xff1a;不创建线程池&#xff0c;而是…

Xilinx FPGA:vivado关于同步fifo的两个小实验

一、实验一&#xff1a;在同步fifo里写一个读一个&#xff08;写入是8个位宽&#xff0c;读出是16个位宽&#xff09; 程序&#xff1a; timescale 1ns / 1ps //要求写一个读一个 //读写时钟一致&#xff0c;写是8个位宽&#xff0c;读是16个位宽 module sync_fifo_test(inpu…

银行信用卡风险大数据分析与挖掘2024

银行信用卡风险大数据分析与挖掘 使用excel数据挖掘功能完成 一、信用卡客户信用等级影响因素分析与挖掘 基于客户信用记录表 1. 数据预处理 浏览数据 客户等级占比&#xff0c;其中优质客户占比较少&#xff0c;风险客户很多&#xff0c;分析影响客户信用等级的原因 年…

vue3+ts项目中.env配置环境变量与情景配置

一、环境变量配置 官网https://cn.vitejs.dev/guide/env-and-mode.html#intellisense 1. 新建.env开头的文件在根目录 为了防止意外地将一些环境变量泄漏到客户端&#xff0c;只有以 VITE_ 为前缀的变量才会暴露给经过 vite 处理的代码 .env 所有环境默认加载 .env.developm…

数字化精益生产系统--MRP 需求管理系统

MRP&#xff08;Material Requirements Planning&#xff0c;物料需求计划&#xff09;需求管理系统是一种在制造业中广泛应用的计划工具&#xff0c;旨在通过分析和计划企业生产和库存需求&#xff0c;优化资源利用&#xff0c;提高生产效率。以下是对MRP需求管理系统的功能设…

Raylib 坐标系

draftx 符号调整为正数 发现采样坐标系原点0&#xff0c;0 在左上角&#xff0c;正方向 右&#xff0c;下 绘制坐标系 原点0&#xff0c;0 在左下角&#xff0c;正方向 右&#xff0c;上 拖拽可得 #include <raylib.h> // 重整原因&#xff1a;解决新函数放大缩小之下…

当需要对多个表进行联合更新操作时,怎样确保数据的一致性?

文章目录 一、问题分析二、解决方案三、示例代码&#xff08;以 MySQL 为例&#xff09;四、加锁机制示例五、测试和验证六、总结 在数据库管理中&#xff0c;经常会遇到需要对多个表进行联合更新的情况。这种操作带来了一定的复杂性&#xff0c;因为要确保在整个更新过程中数据…

为什么需要服务器?服务器可以做些什么

目录 一、服务器和电脑的区别二、什么是SSH三、什么是免密码登录四、服务器如何实现SSH免密码登录 一、服务器和电脑的区别 服务器和电脑是两种不同类型的计算机系统&#xff0c;它们在设计、功能和用途上存在明显的区别。首先&#xff0c;从硬件配置上看&#xff0c;服务器通…