一、介绍
曾经有个项目，我们线上出了一次事故，这个事故的表象大体是这样的：
系统出现了两个一模一样的订单号，订单的内容却不是一样的，而且事情发生的不止一次，被老板发现之后，当月绩效被扣光！
事后经过排查，产生这个问题，总结主要有两个原因：
- 1、数据库订单表里面，对订单编号没有设置唯一键约束
- 2、生成订单编号的时候，采用了随机数，导致有部分单号发生了重复
针对这个问题也做了一些研究，有一些收获想分享给大家！
本文主要以讨论电商的订单编码规则为案例，其他类型的服务编号设计思路其实也是相似的。
不废话，直接干货！
订单命名的几种规则总结：
- 不重复：这点我相信大家都懂，必须全局唯一
- 安全性：订单号需要做到不容易被人为的猜测或者推测出来，例如订单号就是流水号的话，那么别人就很容易从订单号推测出公司的整体运营情况。
- 禁用随机码：很多人分析生成订单号的时候，第一个念头肯定是不重复唯一性，那么第二个念头可能就是安全性，想要同时满足前两者，很容易想到使用随机码，随机码从一定程度来说，更安全、不重复性更高，但是可读性差，有概率会发生重复。
- 防止并发：针对系统的并发业务场景(如秒杀)，需要做到并发场景下，订单编号生成快速、不重复等要求
- 控制位数：订单号的位数尽量在 10 位 ～ 18 位之间。太短的情况下，如果交易量过大，很难做到防止重复，太长可读性差、意义也不大。
二、方案实践
上面提到了订单编号生成的规则，那要实现这样的规则，该如何实现会比较好呢？
下面总结几种常见的处理方式，我们一一分析！
2.1、方案一：UUID
UUID 是Universally Unique Indentifier的缩写，翻译为通用唯一识别码，顾名思义 UUID 是一个用于记录唯一标识一条的数据，其按照开放软件基金会（OSF）指定的标准进行计算，用到了以太网卡地址（MAC）、纳秒级时间、芯片 ID 码和许多可能的数字。
总的来说，UUID 码由以下三部分组成：
- 当前日期和时间
- 时钟序列
- 全局唯一的 IEEE 机器识别码（如果有网卡从网卡获得，没有网卡则通过其他方式获得）
UUID 的标准形式包含 32 个 16 进制数字，以连字号分为五段，示例：00000191-adc6-4314-8799-5c3d737aa7de。
以java为例，通过以下方式即可生成：
String uuid = UUID.randomUUID().toString();
这种方案，虽然实现简单、方便；但是数据库查询效率非常差，而且内容长，在实际的项目场景开发中，一般用于于记录用户的手机设备ID等硬件信息！
因此不推荐采用 uuid 来生成订单编号！
2.2、方案二：数据库自增
所谓数据库自增，意思是在数据库中给某个列设置为自增列，并且给该列设置一个初始值，代码层面无需任何特殊处理，以 Mysql 的用户表 ID 列为例，可以通过如下方式在创建表的时候生产。
CREATE TABLE `tb_user` ( `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT, `name` varchar(20) DEFAULT NULL, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;
这种通过数据库自增方式实现唯一值，在单体服务下是没有问题，但是在大流量分布式服务环境下，并发性能很低。
以后数量大的时候，需要对 mysql 进行分库分表，此时订单号会重复，因此不推荐采用！
2.3、方案三：雪花算法
Snowflake（中文简称：雪花算法） 是 Twitter 内部的一个 ID 生算法，可以通过一些简单的规则保证在大规模分布式情况下生成唯一的 ID 号码。其内部结构如下：
可以很清晰的看出，Snowflake 由 4个部分组成：
- 第一部分：bit 值，为未使用的符号位
- 第二部分：由 41 位的时间戳（毫秒）构成，它的取值是当前时间相对于某一时间的偏移
- 第三部分：表示工作机器 id，由服务节点 id 和数据中心 id 组合而成
- 第四部分：表示每个工作机器每毫秒生成的序列号 ID，同一毫秒内最多可生成生产 4095 个 ID。
由于在 Java 中 64bit 的整数是 long 类型，因此在 Java 中 SnowFlake 算法生成的 id 就是 long 来存储的。
SnowFlake 算法可以保证：
- 1.所有生成的 id 按时间趋势递增
- 2.整个分布式系统内不会产生重复id（因为有服务节点 id 和数据中心 id 来做区分）
需要注意的是：
- 在分布式环境中，5 个 bit 位的 datacenter 和 worker 表示最多能部署 31 个数据中心，每个数据中心最多可部署 31 台节点。
- 41 位的二进制长度最多能表示
2^41 -1毫秒即 69 年，所以雪花算法最多能正常使用 69 年，为了能最大限度的使用该算法，在使用的时候，应该为其指定一个开始时间，不然会发生重复！
在高并发的环境下，Snowflake 算法可以生成全局唯一的订单编号，但是他的长度达到21位，因此不推荐采用，但是可以用它来生成主键 ID，是完全没有问题的！
2.4、方案三：分布式组件
要想在分布式环境下生成一个唯一的订单编号，我们可以通过分布式组件的方式，来帮忙我们生成全局唯一的订单号，例如我们可以采用 redis 分布式缓存组件中的incr命令，来帮我们生成一个全局自增长的序列号！
实现逻辑如下：
//基于某个key实现自增长 String res = jedis.get(key); if (StringUtils.isBlank(res)) { jedisClient.set(key, INIT_ID);//设置自增长的初始值，INIT_ID 是初始值 jedisClient.expire(key, seconds);//设置过期时间，seconds 是多少秒过期 } long orderId = jedis.incr(key);//存在就生成+1的订单号
这种方式生成的自增长序列号，非常的快，可以很好的满足大流量环境下的编号要求唯一的特性！
剩下的主要工作就是我们如何去设计一个订单号规则！
在设计规则之前，我们先来看看互联网几个大厂的订单号格式。
京东商城订单号格式：157444499
苏宁易购订单号格式：2000839647
凡客诚品订单号格式：213052230059
银泰网订单号格式：10030522161715
小米订单号格式：1111218032345170
我们先来分析一下凡客诚品和银泰网的订单号生成规则。
凡客诚品和银泰网订单号都含有 0522，这是因为这 2 张订单都是2013年5月22号下的订单。
基本猜测一下，凡客的订单规则是：业务编码+年的后2位+月+日+订单数；泰网的订单号规则：年的第三位数+业务编码+年的后1位+月+日+订单数；而京东商城和苏宁易购的订单号看不出规则。
最后我们来分析一下小米订单号1111218032345170，可以将其分解成四个部分1——111218—03234—5170。
- 第一部分，1 表示购买，2 表示退货。
- 第二部分，表示 2011 年 12 月 18 日下的单，前面两位省掉了。
- 第三部分，时间戳对应
00:53:54，换算成秒是03234秒。 - 最后一部分，表示在同一秒内下的第 5170 单，也就是说，小米认为，在一秒内不会超过一万个订单。
总结起来，小米的订单规则是：业务编码+年的后 2 位+月+日+秒+订单数，固定长度为16，这种订单号规则可以保证 100 年不会重复！
同样的，借鉴小米的订单号规则，我们也可以生成同样的订单号，实现过程如下：
//获取当前时间 Date currentTime = new Date(); //格式化当前时间为【年的后2位+月+日】 String originDateStr = new SimpleDateFormat("yyMMdd").format(currentTime ); //计算当前时间走过的秒 Date startTime = new SimpleDateFormat("yyyyMMdd").parse(new SimpleDateFormat("yyyyMMdd").format(originDate)); long differSecond = (currentTime.getTime() - startTime.getTime()) / 1000; //获取【年的后2位+月+日+秒】，秒的长度不足补充0 String yyMMddSecond = originDateStr + StringUtils.leftPad(String.valueOf(differSecond), 5, '0'); //获取【业务编码】 + 【年的后2位+月+日+秒】，作为自增key； String prefixOrder = sourceType + "" + yyMMddSecond; //通过key，采用redis自增函数，实现单秒自增；不同的key，从0开始自增，同时设置60秒过期 Long incrId = redisUtils.saveINCR(prefixComplaint, 60); //生成订单编号 String orderNo = prefixOrder + StringUtils.leftPad(String.valueOf(incrId), 4, '0');
此订单编号可以保证大流量环境下全局唯一、生成速度非常的快、支持高并发环境，同时还支持按时间排序！
三、总结
通过上面的示例演示，我们可用做一个详细的总结！
综上所述，在大流量的环境下，我们可以通过 redis 的incr函数实现序列号自增的特性，同时搭配订单的设计规则，从而保证高并发的环境下，订单唯一性！
