Spring Boot 性能优化长文SpringBoot

Spring Boot 已经成为 Java 届的 No.1 框架，每天都在蹂躏着数百万的程序员们。当服务的压力上升，对 Spring Boot 服务的优化就会被提上议程。

本文将详细讲解 Spring Boot 服务优化的一般思路，并附上若干篇辅助文章作为开胃菜。

本文较长，最适合收藏之。

1 有监控才有方向

在开始对 Spring Boot 服务进行性能优化之前，我们需要做一些准备，把 Spring Boot 服务的一些数据暴露出来。

比如，你的服务用到了缓存，就需要把缓存命中率这些数据进行收集；用到了数据库连接池，就需要把连接池的参数给暴露出来。

我们这里采用的监控工具是 Prometheus，它是一个是时序数据库，能够存储我们的指标。Spring Boot 可以非常方便的接入到 Prometheus 中。

创建一个 Spring Boot 项目后，首先加入 Maven 依赖。

dependency>     groupId>org.springframework.bootgroupId>     artifactId>spring-boot-starter-actuatorartifactId> dependency> dependency>     groupId>io.micrometergroupId>     artifactId>micrometer-registry-prometheusartifactId> dependency> dependency>     groupId>io.micrometergroupId>     artifactId>micrometer-coreartifactId> dependency>

然后，我们需要在 application.properties 配置文件中，开放相关的监控接口。

management.endpoint.metrics.enabled=truemanagement.endpoints.web.exposure.include=*management.endpoint.prometheus.enabled=truemanagement.metrics.export.prometheus.enabled=true

启动之后，我们就可以通过访问 http://localhost:8080/actuator/prometheus 来获取监控数据。

想要监控业务数据也是比较简单的。你只需要注入一个 MeterRegistry 实例即可。下面是一段示例代码：

@AutowiredMeterRegistry registry;@GetMapping("/test")@ResponseBodypublic String test() {    registry.counter("test", "from", "127.0.0.1", "method", "test").increment();    return "ok";}

从监控连接中，我们可以找到刚刚添加的监控信息。

test_total{from="127.0.0.1",method="test",} 5.0

这里简单介绍一下流行的 Prometheus 监控体系。Prometheus 使用拉的方式获取监控数据，这个暴露数据的过程可以交给功能更加齐全的 telegraf 组件。

如图，我们通常使用 Grafana 进行监控数据的展示，使用 AlertManager 组件进行提前预警。这一部分的搭建工作不是我们的重点，感兴趣的同学可自行研究。下图便是一张典型的监控图，可以看到 Redis 的缓存命中率等情况。

2 Java 生成火焰图

火焰图是用来分析程序运行瓶颈的工具。在纵向，表示的是调用栈的深度；横向表明的是消耗的时间。所以格子的宽度越大，越说明它可能是一个瓶颈。

火焰图也可以用来分析 Java 应用。可以从 GitHub 上下载 async-profiler 的压缩包 进行相关操作。

比如，我们把它解压到 /root 目录。然后以 javaagent 的方式来启动 Java 应用。命令行如下：

java -agentpath:/root/build/libasyncProfiler.so=start,svg,file=profile.svg -jar spring-petclinic-2.3.1.BUILD-SNAPSHOT.jar

运行一段时间后，停止进程，可以看到在当前目录下，生成了 profile.svg 文件，这个文件是可以用浏览器打开的，一层层向下浏览，即可找到需要优化的目标。

3 Skywalking

对于一个web服务来说，最缓慢的地方就在于数据库操作。所以，使用本地缓存和分布式缓存优化，能够获得最大的性能提升。

对于如何定位到复杂分布式环境中的问题，我这里想要分享另外一个工具：Skywalking。

Skywalking 是使用探针技术（Java Agent）来实现的。通过在 Java 的启动参数中，加入 javaagent 的 Jar 包，即可将性能数据和调用链数据封装、发送到 Skywalking 的服务器。

下载相应的安装包（如果使用 Elasticsearch 存储，需要下载专用的安装包），配置好存储之后，即可一键启动。

将 agent 的压缩包，解压到相应的目录。

tar xvf skywalking-agent.tar.gz  -C /opt/

在业务启动参数中加入 agent 的包，比如原来的启动命令是：

java  -jar /opt/test-service/spring-boot-demo.jar  --spring.profiles.active=dev

改造后的启动命令是：

java -javaagent:/opt/skywalking-agent/skywalking-agent.jar -Dskywalking.agent.service_name=the-demo-name  -jar /opt/test-service/spring-boot-demo.ja  --spring.profiles.active=dev

访问一些服务的链接，打开 Skywalking 的 UI，即可看到下图的界面。我们可以从图中找到响应比较慢 QPS 又比较高的的接口，进行专项优化。

4 优化思路

对一个普通的 Web 服务来说，我们来看一下，要访问到具体的数据，都要经历哪些主要的环节。

如下图，在浏览器中输入相应的域名，需要通过 DNS 解析到具体的 IP 地址上。为了保证高可用，我们的服务一般都会部署多份，然后使用 Nginx 做反向代理和负载均衡。

Nginx 根据资源的特性，会承担一部分动静分离的功能。其中，动态功能部分，会进入我们的 Spring Boot 服务。

Spring Boot 默认使用内嵌的 Tomcat 作为 Web 容器，使用典型的 MVC 模式，最终访问到我们的数据。

5 HTTP 优化

下面我们举例来看一下，哪些动作能够加快网页的获取。为了描述方便，我们仅讨论 HTTP1.1 协议的。

使用 CDN 加速文件获取

比较大的文件，尽量使用 CDN（Content Delivery Network）分发。甚至是一些常用的前端脚本、样式、图片等，都可以放到 CDN 上。CDN 通常能够加快这些文件的获取，网页加载也更加迅速。

合理设置 Cache-Control 值

浏览器会判断 HTTP 头 Cache-Control 的内容，用来决定是否使用浏览器缓存，这在管理一些静态文件的时候，非常有用。相同作用的头信息还有 Expires。Cache-Control 表示多久之后过期，Expires 则表示什么时候过期。

这个参数可以在 Nginx 的配置文件中进行设置。

location ~* ^.+.(ico|gif|jpg|jpeg|png)$ {   # 缓存1年  add_header Cache-Control: no-cache, max-age=31536000;}

减少单页面请求域名的数量

减少每个页面请求的域名数量，尽量保证在 4 个之内。这是因为，浏览器每次访问后端的资源，都需要先查询一次 DNS，然后找到 DNS 对应的 IP 地址，再进行真正的调用。

DNS 有多层缓存，比如浏览器会缓存一份、本地主机会缓存、ISP 服务商缓存等。从DNS 到 IP 地址的转变，通常会花费 20-120ms 的时间。减少域名的数量，可加快资源的获取。

开启 gzip

开启 gzip，可以先把内容压缩后，浏览器再进行解压。由于减少了传输的大小，会减少带宽的使用，提高传输效率。

在 Nginx 中可以很容易的开启。配置如下：

gzip on;gzip_min_length 1k;gzip_buffers 4 16k;gzip_comp_level 6;gzip_http_version 1.1;gzip_types text/plain application/javascript text/css;

对资源进行压缩

对 JavaScript 和 CSS，甚至是 HTML 进行压缩。道理类似，现在流行的前后端分离模式，一般都是对这些资源进行压缩的。

使用 keepalive

由于连接的创建和关闭，都需要耗费资源。用户访问我们的服务后，后续也会有更多的互动，所以保持长连接可以显著减少网络交互，提高性能。

Nginx 默认开启了对客户端的 keepalive 支持。你可以通过下面两个参数来调整它的行为。

http {    keepalive_timeout  120s 120s;    keepalive_requests 10000;}

Nginx 与后端 upstream 的长连接，需要手工开启，参考配置如下：

location ~ /{     proxy_pass http://backend;    proxy_http_version 1.1;    proxy_set_header Connection "";}

6 Tomcat 优化

Tomcat 本身的优化也是非常重要的一环。优化参数请参考文末链接。

7 自定义 Web 容器

如果你的项目并发量比较高，想要修改最大线程数、最大连接数等配置信息，可以通过自定义 Web 容器的方式，代码如下所示。

@SpringBootApplication(proxyBeanMethods = false)public class App implements WebServerFactoryCustomizer ConfigurableServletWebServerFactory > {    public static void main(String[] args) {        SpringApplication.run(PetClinicApplication.class, args);    }    @Override    public void customize(ConfigurableServletWebServerFactory factory) {        TomcatServletWebServerFactory f = (TomcatServletWebServerFactory) factory;        f.setProtocol("org.apache.coyote.http11.Http11Nio2Protocol");
        f.addConnectorCustomizers(c - > {            Http11NioProtocol protocol = (Http11NioProtocol) c.getProtocolHandler();            protocol.setMaxConnections(200);            protocol.setMaxThreads(200);            protocol.setSelectorTimeout(3000);            protocol.setSessionTimeout(3000);            protocol.setConnectionTimeout(3000);        });    }}

注意上面的代码：我们设置了它的协议为 org.apache.coyote.http11.Http11Nio2Protocol，意思就是开启了 Nio2。这个参数在T omcat8.0 之后才有，开启之后会增加一部分性能。对比如下：

默认表现：

[root@localhost wrk2-master]# ./wrk -t2 -c100 -d30s -R2000 http://172.16.1.57:8080/owners?lastName=Running 30s test @ http://172.16.1.57:8080/owners?lastName=  2 threads and 100 connections  Thread calibration: mean lat.: 4588.131ms, rate sampling interval: 16277ms  Thread calibration: mean lat.: 4647.927ms, rate sampling interval: 16285ms  Thread Stats   Avg      Stdev     Max   +/- Stdev    Latency    16.49s     4.98s   27.34s    63.90%    Req/Sec   106.50      1.50   108.00    100.00%  6471 requests in 30.03s, 39.31MB read  Socket errors: connect 0, read 0, write 0, timeout 60Requests/sec:    215.51Transfer/sec:      1.31MB

开启 Nio2 表现：

[root@localhost wrk2-master]# ./wrk -t2 -c100 -d30s -R2000 http://172.16.1.57:8080/owners?lastName=Running 30s test @ http://172.16.1.57:8080/owners?lastName=  2 threads and 100 connections  Thread calibration: mean lat.: 4358.805ms, rate sampling interval: 15835ms  Thread calibration: mean lat.: 4622.087ms, rate sampling interval: 16293ms  Thread Stats   Avg      Stdev     Max   +/- Stdev    Latency    17.47s     4.98s   26.90s    57.69%    Req/Sec   125.50      2.50   128.00    100.00%  7469 requests in 30.04s, 45.38MB read  Socket errors: connect 0, read 0, write 0, timeout 4Requests/sec:    248.64Transfer/sec:      1.51MB

你甚至可以将 Tomcat 替换成 Undertow。Undertow 也是一个 Web 容器，更加轻量级一些，占用的内容更少，启动的守护进程也更少，更改方式如下：

dependency>  groupId>org.springframework.bootgroupId>  artifactId>spring-boot-starter-webartifactId>  exclusions>    exclusion>      groupId>org.springframework.bootgroupId>      artifactId>spring-boot-starter-tomcatartifactId>    exclusion>  exclusions>dependency>dependency>  groupId>org.springframework.bootgroupId>  artifactId>spring-boot-starter-undertowartifactId>dependency>

8 各个层次的优化方向

8.1 Controller 层

Controller 层用于接收前端的查询参数，然后构造查询结果。现在很多项目都采用前后端分离的架构，所以 Controller 层的方法，一般会使用 @ResponseBody 注解，把查询的结果，解析成 JSON 数据返回（兼顾效率和可读性）。

由于 Controller 只是充当了一个类似功能组合和路由的角色，所以这部分对性能的影响就主要体现在数据集的大小上。如果结果集合非常大，JSON 解析组件就要花费较多的时间进行解析。

大结果集不仅会影响解析时间，还会造成内存浪费。假如结果集在解析成 JSON 之前，占用的内存是 10MB，那么在解析过程中，有可能会使用 20M 或者更多的内存去做这个工作。我见过很多案例，由于返回对象的嵌套层次太深、引用了不该引用的对象（比如非常大的 byte[] 对象），造成了内存使用的飙升。

所以，对于一般的服务，保持结果集的精简，是非常有必要的，这也是 DTO（data transfer object）存在的必要。如果你的项目中，返回的结果结构比较复杂，对结果集进行一次转换是非常有必要的。

另外，可以使用异步 Servlet 对 Controller 层进行优化。它的原理如下：Servlet  接收到请求之后，将请求转交给一个异步线程来执行业务处理，线程本身返回至容器，异步线程处理完业务以后，可以直接生成响应数据，或者将请求继续转发给其它 Servlet。

8.2 Service 层

Service 层用于处理具体的业务，大部分功能需求都是在这里完成的。Service 层一般是使用单例模式（Singleton），很少会保存状态，而且可以被 Service 复用。

Service 层的代码组织，对代码的可读性、性能影响都比较大。我们常说的设计模式，大多数都是针对于 Service 层来说的。

这里要着重提到的一点，就是分布式事务。

如上图，四个操作分散在三个不同的资源中。要想达到一致性，需要三个不同的资源进行统一协调。它们底层的协议，以及实现方式，都是不一样的。那就无法通过Spring提供的 Transaction 注解来解决，需要借助外部的组件来完成。

很多人都体验过，加入了一些保证一致性的代码，一压测，性能掉的惊掉下巴。分布式事务是性能杀手，因为它要使用额外的步骤去保证一致性，常用的方法有：两阶段提交方案、TCC、本地消息表、Message Queue 事务消息、分布式事务中间件等。

如上图，分布式事务要在改造成本、性能、实效等方面进行综合考虑。有一个介于分布式事务和非事务之间的名词，叫做柔性事务。柔性事务的理念是将业务逻辑和互斥操作，从资源层上移至业务层面。

关于传统事务和柔性事务，我们来简单比较一下。

ACID

关系数据库, 最大的特点就是事务处理, 即满足 ACID。

• 原子性（Atomicity）：事务中的操作要么都做，要么都不做。
• 一致性（Consistency）：系统必须始终处在强一致状态下。
• 隔离性（Isolation）：一个事务的执行不能被其他事务所干扰。
• 持续性（Durability）：一个已提交的事务对数据库中数据的改变是永久性的。

BASE

BASE 方法通过牺牲一致性和孤立性来提高可用性和系统性能。

BASE 为 Basically Available, Soft-state, Eventually consistent三者的缩写，其中BASE分别代表：

• 基本可用（Basically Available）：系统能够基本运行、一直提供服务。
• 软状态（Soft-state）：系统不要求一直保持强一致状态。
• 最终一致性（Eventual consistency）：系统需要在某一时刻后达到一致性要求。

互联网业务，推荐使用补偿事务，完成最终一致性。比如，通过一系列的定时任务，完成对数据的修复。

8.4 Dao 层

经过合理的数据缓存，我们都会尽量避免请求穿透到 Dao 层。除非你对 ORM 本身提供的缓存特性特别的熟悉，否则，都推荐你使用更加通用的方式去缓存数据。

Dao 层，主要在于对 ORM 框架的使用上。比如，在 JPA 中，如果加了一对多或者多对多的映射关系，而又没有开启懒加载，级联查询的时候就容易造成深层次的检索，造成了内存开销大、执行缓慢的后果。

在一些数据量比较大的业务中，多采用分库分表的方式。在这些分库分表组件中，很多简单的查询语句，都会被重新解析后分散到各个节点进行运算，最后进行结果合并。

举个例子，select count(*) from a 这句简单的 count 语句，就可能将请求路由到十几张表中去运算，最后在协调节点进行统计，执行效率是可想而知的。目前，分库分表中间件，比较有代表性的是驱动层的 Sharding-JDBC 和代理层的 MyCAT，它们都有这样的问题。这些组件提供给使用者的视图是一致的，但我们在编码的时候，一定要注意这些区别。

总结

下面我们来总结一下。

我们简单看了一下 Spring Boot 常见的优化思路。我们介绍了三个新的性能分析工具。一个是监控系统 Prometheus，可以看到一些具体的指标大小；一个是火焰图，可以看到具体的代码热点；一个是 Skywalking，可以分析分布式环境中的调用链。在对性能有疑惑的时候，我们都会采用类似于神农氏尝百草的方式，综合各种测评工具的结果进行分析。

Spring Boot 自身的 Web 容器是 Tomcat，那我们就可以通过对 Tomcat 的调优来获取性能提升。当然，对于服务上层的负载均衡 Nginx，我们也提供了一系列的优化思路。

最后，我们看了在经典的 MVC 架构下，Controller、Service、Dao 的一些优化方向，并着重看了 Service 层的分布式事务问题。

Spring Boot 作为一个广泛应用的服务框架，在性能优化方面已经做了很多工作，选用了很多高速组件。比如，数据库连接池默认使用 HikariCP，Redis 缓存框架默认使用Lettuce，本地缓存提供 Caffeine 等。对于一个普通的于数据库交互的 Web 服务来说，缓存是最主要的优化手段。