← 课程目录 🚀 从零到一
📐 学习维度 阶段7 · 第28章 开源项目源码精读 🚀 从零到一 📚 课程目录 🏠 首页 🛤️ 学习路径

28.4.1 美团 Leaf 号段模式:双 Buffer 与动态步长

审校 2026-09-26 · 素材来源:zcode会话#3《分析guanzi-mall项目设计模式与亮点》(mall4cloud源码)
📑 本篇章节导航 (共8节,点击直达)
场景:一张号段分配表取号主流程:三步走冷启动:第一次取号发生了什么动态步长:号段消耗速度自适应取号怎么接进业务:注解 + 拦截器为什么不直接用雪花算法踩坑清单面试怎么问

订单号、支付单号、用户 ID,多服务高并发下都要全局唯一还趋势递增。数据库自增 ID 跨库就废了,UUID 没规律还占索引。mall4cloud 引入了美团 Leaf 的号段模式(Segment,一次从 DB 取一段号缓存在内存里发)——这篇把它的双 Buffer、动态步长、注解无感接入拆开讲。

前置阅读:17.2 对比过雪花与 Leaf 的选型。这篇读号段模式源码,看双 Buffer 怎么消毛刺。

场景:一张号段分配表

leaf 服务里有一张 leaf_alloc 表:

biz_tagmax_idsteprandom_step
mall-order156869308410010

类比银行叫号机:不是每来一个人就去总部领一个号(DB 压力大),而是一次领 100 个号放在机器里(号段),机器里快发完了再去领下一批。

取号主流程:三步走

每个 biz_tag 在内存里有一个 SegmentBuffer(双缓冲区容器):


SegmentBuffer
├── segments[2]        ← 两个号段缓冲区,currentPos 标记当前用哪个
├── currentPos (volatile)
├── lock (ReadWriteLock)   ← 取号用读锁,切换用写锁
├── threadRunning (AtomicBoolean) ← CAS 保证只有一个线程异步加载
└── updateTimestamp    ← 动态步长计算用

每次取号三步:

1. 加读锁检查:当前号段剩余不足 10% 时,CAS 抢占异步加载下一个 Buffer——抢到就丢给线程池,取号本身完全不阻塞

2. 内存取号:AtomicLong.getAndAdd(随机步长),纯内存操作;随机 1~9 的跳跃让订单号不连续,防爬虫遍历

3. 号段耗尽切换:写锁独占,switchPos() 从 segments[0] 切到已加载好的 segments[1],零等待

三个并发原语各司其职:读写锁(高频取号并发走、低频切换独占走)、CAS(防止一百个线程同时去加载下一个号段)、volatile(保证位置标记对所有线程可见)。

预加载阈值顺便澄清一个反直觉写法:判断条件是 idle < 0.9 * step——剩余量少于九成,也就是刚用掉一成就开始准备下一段。看似激进,实则留足余量:DB 抖动一秒也不影响当前号段继续发。

冷启动:第一次取号发生了什么

服务启动时 init() 只把所有 biz_tag 的空 SegmentBuffer 挂进缓存 Map,segments 全是零值。第一个请求到来才真正碰 DB:


if (buffer.isInitOk()) {           // 反向标记:false 才需要初始化
    synchronized (buffer) {        // 防并发重复初始化
        if (buffer.isInitOk()) {
            updateSegmentFromDb(key, buffer.getCurrent());
            buffer.setInitOk(true);
        }
    }
}

双重检查锁的经典形态——和单例模式同一个骨架,只是「实例化对象」换成了「加载号段」。

updateMaxIdAndGetLeafAlloc 这个 DAO 方法是两步 SQL:先 UPDATE max_id = max_id + step 推进右边界(行锁保证并发安全),再 SELECT 查回来。拿到 max_id 后算左边界:value = max_id - step——号段是左闭右开区间 [max-step, max),下一个号段自然从新 max 开始,两段绝不重叠。

每个 Segment 内部就三个字段:value(AtomicLong,当前发到几号)、max(右边界)、step(段长)。发号就是 value 单调往上加,加到 max 为止。

动态步长:号段消耗速度自适应

这是最巧妙的设计——step 不是写死的:


上次加载到现在 < 15 分钟用完(太快)→ step × 2,最高 100 万封顶
15~30 分钟                        → 保持
> 30 分钟(太慢)                  → step ÷ 2,不低于最小步长

-- 用算出来的 nextStep 推进,不是用 DB 里写死的 step
UPDATE leaf_alloc SET max_id = max_id + 200 WHERE biz_tag = 'mall-order';

业务高峰自动加大号段少打 DB,低谷自动缩小不浪费。DB 访问频率随流量自适应,这是普通「查 DB + 缓存」方案做不到的。

各 biz_tag 之间完全隔离——订单取号高峰把 step 撑到十万,不影响用户模块安安稳稳待在一百。一行一个业务、各自演化参数,这张表本身就是「按业务维度拆流量」的缩影。运维侧盯两个指标就够:DB 更新频率(反映自适应是否工作)和取号失败数(双 Buffer 未就绪的次数,持续非零就该扩实例了)。

取号怎么接进业务:注解 + 拦截器

业务代码完全无感,实体字段打个注解:


@DistributedId("mall-user")   // 标记:这个字段由 leaf 发号
private Long userId;

GeneratedKeyInterceptor(MyBatis 拦截器,拦截 SQL 执行的扩展点)拦下所有 INSERT:反射扫描实体字段 → 发现注解 → Feign 调 leaf 取号 → 反射写回。单条、批量插入都生效。

这个拦截器和 PageHelper 是同一类扩展点——MyBatis 的 Interceptor 接口可以拦 Executor、StatementHandler 等四个环节,参数处理、结果改写、SQL 重写都有人在这层做。选拦截器而不是 AOP,是因为它拿得到MappedStatement,能精确知道「这次执行的是哪个实体的 INSERT」。

但订单要手动取号——因为 OrderItem.orderId 要在保存前就引用父表 ID,拦截器时机拿不到。知道边界在哪,比知道方案本身更能体现理解深度。

为什么不直接用雪花算法

号段模式雪花 Snowflake
依赖仅 DB时钟(时钟回拨会重号)
递增性趋势递增,对索引友好趋势递增
长度可控(64 位以内随意)固定 64 位
运维leaf 服务挂了取不了号每机器自给自足

「趋势递增」展开说一句:同一号段内的号严格递增,跨号段也整体向上——InnoDB 主键是聚簇索引,递增插入永远追加在页尾,不会像 UUID 那样随机打散、页分裂刷到手软。这是发号方案选型的第一理由。

mall4cloud 只实现了 Segment 模式、去掉了雪花对 ZK 的依赖——少一个中间件依赖,换 DB 可用即发号可用。取舍本身就是面试素材。

踩坑清单

面试怎么问

「分布式 ID 怎么做的?」——答:Leaf 号段模式,一次从 DB 取一段号进内存,双 Buffer 在剩 10% 时异步预加载下一段,读写锁+CAS 保证并发安全;动态步长按消耗速度自动倍增或减半;random_step 让号不连续防遍历;MyBatis 拦截器加注解实现业务无感接入。

追问「和雪花算法怎么选」——答依赖维度:雪花零网络依赖但怕时钟回拨、要管机器位分配;号段只要一个 DB,趋势递增对二级索引友好,代价是发号服务是关键依赖。流量没有极端峰值、已有稳定 DB 的中大型项目,号段是省心的选择。

一句话总结:批量取号降 DB 压力,双 Buffer 消切换等待,动态步长自适应流量,注解拦截器做到无感。