理解Snowflake算法的實現原理

作者：sandag 2020-08-10 15:24:05

換言之，大家目前使用的 Snowflake 算法原版或者改良版已經是十年前(當前是 2020 年)的產物，不得不說這個算法確實比較厲害。

前提

Snowflake (雪花)是 Twitter 開源的高性能 ID 生成算法(服務)。

上圖是 Snowflake 的 Github 倉庫， master 分支中的 REAEMDE 文件中提示：初始版本于 2010 年發布，基于 Apache Thrift ，早于 Finagle (這里的 Finagle 是 Twitter 上用于 RPC 服務的構建模塊)發布，而 Twitter 內部使用的 Snowflake 是一個完全重寫的程序，在很大程度上依靠 Twitter 上的現有基礎架構來運行。

而 2010 年發布的初版 Snowflake 源碼是使用 Scala 語言編寫的，歸檔于 scala_28 分支。換言之，大家目前使用的 Snowflake 算法原版或者改良版已經是十年前(當前是 2020 年)的產物，不得不說這個算法確實比較厲害。 scala_28 分支中有介紹該算法的動機和要求，這里簡單摘錄一下：

動機：

Cassandra 中沒有生成順序 ID 的工具， Twitter 由使用 MySQL 轉向使用 Cassandra 的時候需要一種新的方式來生成 ID (印證了架構不是設計出來，而是基于業務場景迭代出來)。

要求：

高性能：每秒每個進程至少產生 10K 個 ID ，加上網絡延遲響應速度要在 2ms 內。
順序性：具備按照時間的自增趨勢，可以直接排序。
緊湊性：保持生成的 ID 的長度在 64 bit 或更短。
高可用： ID 生成方案需要和存儲服務一樣高可用。
下面就 Snowflake 的源碼分析一下他的實現原理。

Snowflake方案簡述

Snowflake 在初版設計方案是：

時間： 41 bit 長度，使用毫秒級別精度，帶有一個自定義 epoch ，那么可以使用大概 69 年。
可配置的機器 ID ： 10 bit 長度，可以滿足 1024 個機器使用。
序列號： 12 bit 長度，可以在 4096 個數字中隨機取值，從而避免單個機器在 1 ms 內生成重復的序列號。

但是在實際源碼實現中， Snowflake 把 10 bit 的可配置的機器 ID 拆分為 5 bit 的 Worker ID (這個可以理解為原來的機器 ID )和 5 bit 的 Data Center ID (數據中心 ID )，詳情見 IdWorker.scala ：

也就是說，支持配置最多 32 個機器 ID 和最多 32 個數據中心 ID ：

由于算法是 Scala 語言編寫，是依賴于 JVM 的語言，返回的 ID 值為 Long 類型，也就是 64 bit 的整數，原來的算法生成序列中只使用了 63 bit 的長度，要返回的是無符號數，所以在高位補一個 0 (占用 1 bit )，那么加起來整個 ID 的長度就是 64 bit ：

其中：

41 bit 毫秒級別時間戳的取值范圍是： [0, 2^41 - 1] => 0 ~ 2199023255551 ，一共 2199023255552 個數字。
5 bit 機器 ID 的取值范圍是： [0, 2^5 - 1] => 0 ~ 31 ，一共 32 個數字。
5 bit 數據中心 ID 的取值范圍是： [0, 2^5 - 1] => 0 ~ 31 ，一共 32 個數字。
12 bit 序列號的取值范圍是： [0, 2^12 - 1] => 0 ~ 4095 ，一共 4096 個數字。

那么理論上可以生成 2199023255552 * 32 * 32 * 4096 個完全不同的 ID 值。

Snowflake 算法還有一個明顯的特征：依賴于系統時鐘。 41 bit 長度毫秒級別的時間來源于系統時間戳，所以必須保證系統時間是向前遞進，不能發生時鐘回撥 (通說來說就是不能在同一個時刻產生多個相同的時間戳或者產生了過去的時間戳)。一旦發生時鐘回撥， Snowflake 會拒絕生成下一個 ID 。

位運算知識補充

Snowflake 算法中使用了大量的位運算。由于整數的補碼才是在計算機中的存儲形式， Java 或者 Scala 中的整型都使用補碼表示，這里稍微提一下原碼和補碼的知識。

原碼用于閱讀，補碼用于計算。
正數的補碼與其原碼相同。
負數的補碼是除最高位其他所有位取反，然后加 1 (反碼加 1 )，而負數的補碼還原為原碼也是使用這個方式。
+0 的原碼是 0000 0000 ，而 -0 的原碼是 1000 0000 ，補碼只有一個 0 值，用 0000 0000 表示，這一點很重要，補碼的 0 沒有二義性。

簡單來看就是這樣：

* [+ 11] 原碼 = [0000 1011] 補碼 = [0000 1011] 
* [- 11] 原碼 = [1000 1011] 補碼 = [1111 0101] 
 
* [- 11]的補碼計算過程：  
        原碼                  1000 1011 
        除了最高位其他位取反   1111 0100 
        加1                   1111 0101  （補碼）

使用原碼、反碼在計算的時候得到的不一定是準確的值，而使用補碼的時候計算結果才是正確的，記住這個結論即可，這里不在舉例。由于 Snowflake 的 ID 生成方案中，除了最高位，其他四個部分都是無符號整數，所以四個部分的整數使用補碼進行位運算的效率會比較高，也只有這樣才能滿足Snowflake高性能設計的初衷。 Snowflake 算法中使用了幾種位運算：異或( ^ )、按位與( & )、按位或( | )和帶符號左移( << )。

異或

異或的運算規則是： 0^0=0 0^1=1 1^0=1 1^1=0 ，也就是位不同則結果為1，位相同則結果為0。主要作用是：

特定位翻轉，也就是一個數和 N 個位都為 1 的數進行異或操作，這對應的 N 個位都會翻轉，例如 0100 & 1111 ，結果就是 1011 。
與 0 項異或，則結果和原來的值一致。
兩數的值交互： a=a^b b=b^a a=a^b ，這三個操作完成之后， a 和 b 的值完成交換。

這里推演一下最后一條：

* [+ 11] 原碼 = [0000 1011] 補碼 = [0000 1011] a 
* [- 11] 原碼 = [1000 1011] 補碼 = [1111 0101] b 
 
a=a^b          0000 1011 
               1111 0101 
               ---------^ 
               1111 1110 
b=b^a          1111 0101 
               ---------^ 
               0000 1011  （十進制數：11） b 
a=a^b          1111 1110 
               ---------^ 
               1111 0101  （十進制數：-11） a

按位與

按位與的運算規則是： 0^0=0 0^1=0 1^0=0 1^1=1 ，只有對應的位都為1的時候計算結果才是1，其他情況的計算結果都是0。主要作用是：

清零，如果想把一個數清零，那么和所有位為 0 的數進行按位與即可。
取一個數中的指定位，例如要取 X 中的低 4 位，只需要和 zzzz...1111 進行按位與即可，例如取 1111 0110 的低 4 位，則 11110110 & 00001111 即可得到 00000110 。

按位或

按位與的運算規則是： 0^0=0 0^1=1 1^0=1 1^1=1 ，只要有其中一個位存在1則計算結果是1，只有兩個位同時為0的情況下計算結果才是0。主要作用是：

對一個數的部分位賦值為 1 ，只需要和對應位全為 0 的數做按位或操作就行，例如 1011 0000 如果低 4 位想全部賦值為 1 ，那么 10110000 | 00001111 即可得到 1011 1111 。

帶符號左移

帶符號左移的運算符是 << ，一般格式是： M << n 。作用如下：

M 的二進制數(補碼)向左移動 n 位。
左邊(高位)移出部分直接舍棄，右邊(低位)移入部分全部補 0 。
移位結果：相當于 M 的值乘以 2 的 n 次方，并且0、正、負數通用。
移動的位數超過了該類型的最大位數，那么編譯器會對移動的位數取模，例如 int 移位 33 位，實際上只移動了 33 % 2 = 1 位。

推演過程如下(假設 n = 2 )：

* [+ 11] 原碼 = [0000 1011] 補碼 = [0000 1011] 
* [- 11] 原碼 = [1000 1011] 補碼 = [1111 0101] 
 
* [+ 11 << 2]的計算過程 
      補碼          0000 1011 
      左移2位     0000 1011   
      舍高補低      0010 1100 
      十進制數    2^2 + 2^3 + 2^5 = 44 
 
* [- 11 << 2]的計算過程 
      補碼          1111 0101 
      左移2位     1111 0101   
      舍高補低      1101 0100  
      原碼          1010 1100 （補碼除最高位其他所有位取反再加1） 
      十進制數    - (2^2 + 2^3 + 2^5) = -44

可以寫個 main 方法驗證一下：

public static void main(String[] args) { 
      System.out.println(-11 << 2); // -44 
      System.out.println(11 << 2);  // 44 
}

組合技巧

利用上面提到的三個位運算符，相互組合可以實現一些高效的計算方案。

計算n個bit能表示的最大數值：

Snowflake 算法中有這樣的代碼：

// 機器ID的位長度 
private val workerIdBits = 5L; 
// 最大機器ID -> 31 
private val maxWorkerId = -1L ^ (-1L << workerIdBits);

這里的算子是 -1L ^ (-1L << 5L) ，整理運算符的順序，再使用 64 bit 的二進制數推演計算過程如下：

* [-1] 的補碼         11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 
  左移5位             11111111 11111111 11111111 11111111 11111111 11111111 11111111 11100000 
  [-1] 的補碼         11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 
  異或                ----------------------------------------------------------------------- ^  
  結果的補碼          00000000 00000000 00000000 00000000 00000000 00000000 00000000 00011111  （十進制數 2^0 + 2^1 + 2^2 + 2^3 + 2^4 = 31）

這樣就能計算出 5 bit 能表示的最大數值 n ， n 為整數并且 0 <= n <= 31 ，即 0、1、2、3...31 。 Worker ID 和 Data Center ID 部分的最大值就是使用這種組合運算得出的。

用固定位的最大值作為Mask避免溢出：

Snowflake 算法中有這樣的代碼：

var sequence = 0L 
...... 
private val sequenceBits = 12L 
// 這里得到的是sequence的最大值4095 
private val sequenceMask = -1L ^ (-1L << sequenceBits) 
...... 
sequence = (sequence + 1) & sequenceMask

最后這個算子其實就是 sequence = (sequence + 1) & 4095 ，假設 sequence 當前值為 4095 ，推演一下計算過程：

* [4095] 的補碼                 00000000 00000000 00000000 00000000 00000000 00000000 00000111 11111111 
  [sequence + 1] 的補碼         00000000 00000000 00000000 00000000 00000000 00000000 00001000 00000000 
  按位與                        ----------------------------------------------------------------------- & 
  計算結果                      00000000 00000000 00000000 00000000 00000000 00000000 00000000 00000000  （十進制數：0）

可以編寫一個 main 方法驗證一下：

public static void main(String[] args) { 
    int mask = 4095; 
    System.out.println(0 & mask); // 0 
    System.out.println(1 & mask); // 1 
    System.out.println(2 & mask); // 2 
    System.out.println(4095 & mask); // 4095 
    System.out.println(4096 & mask); // 0 
    System.out.println(4097 & mask); // 1 
}

也就是 x = (x + 1) & (-1L ^ (-1L << N)) 能保證最終得到的 x 值不會超過 N ，這是利用了按位與中的"取指定位"的特性。

Snowflake算法實現源碼分析

Snowflake 雖然用 Scala 語言編寫，語法其實和 Java 差不多，當成 Java 代碼這樣閱讀就行，下面閱讀代碼的時候會跳過一些日志記錄和度量統計的邏輯。先看 IdWorker.scala 的屬性值：

// 定義基準紀元值，這個值是北京時間2010-11-04 09:42:54，估計就是2010年初版提交代碼時候定義的一個時間戳 
val twepoch = 1288834974657L 
 
// 初始化序列號為0 
var sequence = 0L //TODO after 2.8 make this a constructor param with a default of 0 
 
// 機器ID的最大位長度為5 
private val workerIdBits = 5L 
 
// 數據中心ID的最大位長度為5 
private val datacenterIdBits = 5L 
 
// 最大的機器ID值，十進制數為為31 
private val maxWorkerId = -1L ^ (-1L << workerIdBits) 
 
// 最大的數據中心ID值，十進制數為為31 
private val maxDatacenterId = -1L ^ (-1L << datacenterIdBits) 
 
// 序列號的最大位長度為12 
private val sequenceBits = 12L 
 
// 機器ID需要左移的位數12 
private val workerIdShift = sequenceBits 
 
// 數據中心ID需要左移的位數 = 12 + 5 
private val datacenterIdShift = sequenceBits + workerIdBits 
 
// 時間戳需要左移的位數 = 12 + 5 + 5 
private val timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits 
 
// 序列號的掩碼，十進制數為4095 
private val sequenceMask = -1L ^ (-1L << sequenceBits) 
 
// 初始化上一個時間戳快照值為-1 
private var lastTimestamp = -1L 
 
// 下面的代碼塊為參數校驗和初始化日志打印，這里不做分析 
if (workerId > maxWorkerId || workerId < 0) { 
exceptionCounter.incr(1) 
throw new IllegalArgumentException("worker Id can't be greater than %d or less than 0".format(maxWorkerId)) 
} 
 
if (datacenterId > maxDatacenterId || datacenterId < 0) { 
exceptionCounter.incr(1) 
throw new IllegalArgumentException("datacenter Id can't be greater than %d or less than 0".format(maxDatacenterId)) 
} 
 
log.info("worker starting. timestamp left shift %d, datacenter id bits %d, worker id bits %d, sequence bits %d, workerid %d", 
timestampLeftShift, datacenterIdBits, workerIdBits, sequenceBits, workerId)

接著看算法的核心代碼邏輯：

// 同步方法，其實就是protected synchronized long nextId(){ ...... } 
protected[snowflake] def nextId(): Long = synchronized { 
    // 獲取系統時間戳（毫秒） 
    var timestamp = timeGen() 
    // 高并發場景，同一毫秒內生成多個ID 
    if (lastTimestamp == timestamp) { 
        // 確保sequence + 1之后不會溢出，最大值為4095，其實也就是保證1毫秒內最多生成4096個ID值 
        sequence = (sequence + 1) & sequenceMask 
        // 如果sequence溢出則變為0，說明1毫秒內并發生成的ID數量超過了4096個，這個時候同1毫秒的第4097個生成的ID必須等待下一毫秒 
        if (sequence == 0) { 
            // 死循環等待下一個毫秒值，直到比lastTimestamp大 
            timestamp = tilNextMillis(lastTimestamp) 
        } 
    } else { 
        // 低并發場景，不同毫秒中生成ID 
        // 不同毫秒的情況下，由于外層方法保證了timestamp大于或者小于lastTimestamp，而小于的情況是發生了時鐘回撥，下面會拋出異常，所以不用考慮 
        // 也就是只需要考慮一種情況：timestamp > lastTimestamp，也就是當前生成的ID所在的毫秒數比上一個ID大 
        // 所以如果時間戳部分增大，可以確定整數值一定變大，所以序列號其實可以不用計算，這里直接賦值為0 
        sequence = 0 
    } 
    // 獲取到的時間戳比上一個保存的時間戳小，說明時鐘回撥，這種情況下直接拋出異常，拒絕生成ID 
    // 個人認為，這個方法應該可以提前到var timestamp = timeGen()這段代碼之后 
    if (timestamp < lastTimestamp) { 
      exceptionCounter.incr(1) 
      log.error("clock is moving backwards.  Rejecting requests until %d.", lastTimestamp); 
      throw new InvalidSystemClock("Clock moved backwards.  Refusing to generate id for %d milliseconds".format(lastTimestamp - timestamp)); 
    } 
    // lastTimestamp保存當前時間戳，作為方法下次被調用的上一個時間戳的快照 
    lastTimestamp = timestamp 
    // 度量統計，生成的ID計數器加1 
    genCounter.incr() 
    // X = (系統時間戳 - 自定義的紀元值) 然后左移22位 
    // Y = (數據中心ID左移17位) 
    // Z = (機器ID左移12位) 
    // 最后ID = X | Y | Z | 計算出來的序列號sequence 
    ((timestamp - twepoch) << timestampLeftShift) | 
      (datacenterId << datacenterIdShift) | 
      (workerId << workerIdShift) |  
      sequence 
} 
 
// 輔助方法：獲取系統當前的時間戳（毫秒） 
protected def timeGen(): Long = System.currentTimeMillis() 
 
// 輔助方法：獲取系統當前的時間戳（毫秒），用死循環保證比傳入的lastTimestamp大，也就是獲取下一個比lastTimestamp大的毫秒數 
protected def tilNextMillis(lastTimestamp: Long): Long = { 
    var timestamp = timeGen() 
    while (timestamp <= lastTimestamp) { 
      timestamp = timeGen() 
    } 
    timestamp 
}

最后一段邏輯的位操作比較多，但是如果熟練使用位運算操作符，其實邏輯并不復雜，這里可以畫個圖推演一下：

四個部分的整數完成左移之后，由于空缺的低位都會補充了 0 ，基于按位或的特性，所有低位只要存在 1 ，那么對應的位就會填充為 1 ，由于四個部分的位不會越界分配，所以這里的本質就是：四個部分左移完畢后最終的數字進行加法計算。

Snowflake算法改良

Snowflake 算法有幾個比較大的問題：

低并發場景會產生連續偶數，原因是低并發場景系統時鐘總是走到下一個毫秒值，導致序列號重置為 0 。
依賴系統時鐘，時鐘回撥會拒絕生成新的 ID (直接拋出異常)。
Woker ID 和 Data Center ID 的管理比較麻煩，特別是同一個服務的不同集群節點需要保證每個節點的 Woker ID 和 Data Center ID 組合唯一。

這三個問題美團開源的 Leaf 提供了解決思路，下圖截取自 com.sankuai.inf.leaf.snowflake.SnowflakeIDGenImpl ：

對應的解決思路是(不進行深入的源碼分析，有興趣可以閱讀以下 Leaf 的源碼)：

序列號生成添加隨機源，會稍微減少同一個毫秒內能產生的最大 ID 數量。
時鐘回撥則進行一定期限的等待。
使用 Zookeeper 緩存和管理 Woker ID 和 Data Center ID 。

Woker ID 和 Data Center ID 的配置是極其重要的，對于同一個服務(例如支付服務)集群的多個節點，必須配置不同的機器 ID 和數據中心 ID 或者同樣的數據中心 ID 和不同的機器 ID ( 簡單說就是確保 Woker ID 和 Data Center ID 的組合全局唯一 )，否則在高并發的場景下，在系統時鐘一致的情況下，很容易在多個節點產生相同的 ID 值，所以一般的部署架構如下：

管理這兩個 ID 的方式有很多種，或者像 Leaf 這樣的開源框架引入分布式緩存進行管理，再如筆者所在的創業小團隊生產服務比較少，直接把 Woker ID 和 Data Center ID 硬編碼在服務啟動腳本中，然后把所有服務使用的 Woker ID 和 Data Center ID 統一登記在團隊內部知識庫中。

自實現簡化版Snowflake

如果完全不考慮性能的話，也不考慮時鐘回撥、序列號生成等等問題，其實可以把 Snowflake 的位運算和異常處理部分全部去掉，使用 Long.toBinaryString() 方法結合字符串按照 Snowflake 算法思路拼接出 64 bit 的二進制數，再通過 Long.parseLong() 方法轉化為 Long 類型。編寫一個 main 方法如下：

public class Main { 
 
    private static final String HIGH = "0"; 
 
    /** 
     * 2020-08-01 00:00:00 
     */ 
    private static final long EPOCH = 1596211200000L; 
 
    public static void main(String[] args) { 
        long workerId = 1L; 
        long dataCenterId = 1L; 
        long seq = 4095; 
        String timestampString = leftPadding(Long.toBinaryString(System.currentTimeMillis() - EPOCH), 41); 
        String workerIdString = leftPadding(Long.toBinaryString(workerId), 5); 
        String dataCenterIdString = leftPadding(Long.toBinaryString(dataCenterId), 5); 
        String seqString = leftPadding(Long.toBinaryString(seq), 12); 
        String value = HIGH + timestampString + workerIdString + dataCenterIdString + seqString; 
        long num = Long.parseLong(value, 2); 
        System.out.println(num);   // 某個時刻輸出為3125927076831231 
    } 
 
    private static String leftPadding(String value, int maxLength) { 
        int diff = maxLength - value.length(); 
        StringBuilder builder = new StringBuilder(); 
        for (int i = 0; i < diff; i++) { 
            builder.append("0"); 
        } 
        builder.append(value); 
        return builder.toString(); 
    } 
}

然后把代碼規范一下，編寫出一個簡版 Snowflake 算法實現的工程化代碼：

// 主鍵生成器接口 
public interface PrimaryKeyGenerator { 
 
    long generate(); 
} 
 
// 簡易Snowflake實現 
public class SimpleSnowflake implements PrimaryKeyGenerator { 
 
    private static final String HIGH = "0"; 
    private static final long MAX_WORKER_ID = 31; 
    private static final long MIN_WORKER_ID = 0; 
 
    private static final long MAX_DC_ID = 31; 
    private static final long MIN_DC_ID = 0; 
 
    private static final long MAX_SEQUENCE = 4095; 
 
    /** 
     * 機器ID 
     */ 
    private final long workerId; 
 
    /** 
     * 數據中心ID 
     */ 
    private final long dataCenterId; 
 
    /** 
     * 基準紀元值 
     */ 
    private final long epoch; 
 
    private long sequence = 0L; 
    private long lastTimestamp = -1L; 
 
    public SimpleSnowflake(long workerId, long dataCenterId, long epoch) { 
        this.workerId = workerId; 
        this.dataCenterId = dataCenterId; 
        this.epoch = epoch; 
        checkArgs(); 
    } 
 
    private void checkArgs() { 
        if (!(MIN_WORKER_ID <= workerId && workerId <= MAX_WORKER_ID)) { 
            throw new IllegalArgumentException("Worker id must be in [0,31]"); 
        } 
        if (!(MIN_DC_ID <= dataCenterId && dataCenterId <= MAX_DC_ID)) { 
            throw new IllegalArgumentException("Data center id must be in [0,31]"); 
        } 
    } 
 
    @Override 
    public synchronized long generate() { 
        long timestamp = System.currentTimeMillis(); 
        // 時鐘回撥 
        if (timestamp < lastTimestamp) { 
            throw new IllegalStateException("Clock moved backwards"); 
        } 
        // 同一毫秒內并發 
        if (lastTimestamp == timestamp) { 
            sequence = sequence + 1; 
            if (sequence == MAX_SEQUENCE) { 
                timestamp = untilNextMillis(lastTimestamp); 
                sequence = 0L; 
            } 
        } else { 
            // 下一毫秒重置sequence為0 
            sequence = 0L; 
        } 
        lastTimestamp = timestamp; 
        // 41位時間戳字符串，不夠位數左邊補"0" 
        String timestampString = leftPadding(Long.toBinaryString(timestamp - epoch), 41); 
        // 5位機器ID字符串，不夠位數左邊補"0" 
        String workerIdString = leftPadding(Long.toBinaryString(workerId), 5); 
        // 5位數據中心ID字符串，不夠位數左邊補"0" 
        String dataCenterIdString = leftPadding(Long.toBinaryString(dataCenterId), 5); 
        // 12位序列號字符串，不夠位數左邊補"0" 
        String seqString = leftPadding(Long.toBinaryString(sequence), 12); 
        String value = HIGH + timestampString + workerIdString + dataCenterIdString + seqString; 
        return Long.parseLong(value, 2); 
    } 
 
    private long untilNextMillis(long lastTimestamp) { 
        long timestamp; 
        do { 
            timestamp = System.currentTimeMillis(); 
        } while (timestamp <= lastTimestamp); 
        return timestamp; 
    } 
 
    private static String leftPadding(String value, int maxLength) { 
        int diff = maxLength - value.length(); 
        StringBuilder builder = new StringBuilder(); 
        for (int i = 0; i < diff; i++) { 
            builder.append("0"); 
        } 
        builder.append(value); 
        return builder.toString(); 
    } 
 
    public static void main(String[] args) { 
        long epoch = LocalDateTime.of(1970, 1, 1, 0, 0, 0, 0) 
                .toInstant(ZoneOffset.of("+8")).toEpochMilli(); 
        PrimaryKeyGenerator generator = new SimpleSnowflake(1L, 1L, epoch); 
        for (int i = 0; i < 5; i++) { 
            System.out.println(String.format("第%s個生成的ID: %d", i + 1, generator.generate())); 
        } 
    } 
} 
 
// 某個時刻輸出如下 
第1個生成的ID: 6698247966366502912 
第2個生成的ID: 6698248027448152064 
第3個生成的ID: 6698248032162549760 
第4個生成的ID: 6698248033076908032 
第5個生成的ID: 6698248033827688448

通過字符串拼接的寫法雖然運行效率低，但是可讀性會比較高，工程化處理后的代碼可以在實例化時候直接指定 Worker ID 和 Data Center ID 等值，并且這個簡易的 Snowflake 實現沒有第三方庫依賴，拷貝下來可以直接運行。上面的方法使用字符串拼接看起來比較低端，其實最后那部分的按位或，可以完全轉化為加法：

public class Main { 
     
    /** 
     * 2020-08-01 00:00:00 
     */ 
    private static final long EPOCH = 1596211200000L; 
 
    public static void main(String[] args) { 
        long workerId = 1L; 
        long dataCenterId = 1L; 
        long seq = 4095; 
        long timestampDiff = System.currentTimeMillis() - EPOCH; 
        long num = (long) (timestampDiff * Math.pow(2, 22)) + (long) (dataCenterId * Math.pow(2, 17)) + (long) (workerId * Math.pow(2, 12)) + seq; 
        System.out.println(num);   // 某個時刻輸出為3248473482862591 
    } 
}

這樣看起來整個算法都變得簡單，不過這里涉及到指數運算和加法運算，效率會比較低。

小結

Snowflake 算法是以高性能為核心目標的算法，基于這一點目的巧妙地大量使用位運算，這篇文章已經把 Snowflake 中應用到的位運算和具體源碼實現徹底分析清楚。最后，基于 Twitter 官方的 Snowflake 算法源碼，修訂出了一版 Java 實現版本，并且應用前面提到的改良方式，修復了低并發場景下只產生偶數的問題，并且已經應用于生產環境一段時間，代碼倉庫如下(代碼沒有任何第三方庫依賴，拷貝出來就直接可用)：

Github ： https://github.com/zjcscut/framework-mesh/tree/master/java-snowflake

責任編輯：未麗燕來源：今日頭條

Snowflake 算法開源