随机数与取模结果对比

今日发现项目中在使用TBSchedule，对于生成的TaskItem数据，item是通过随机数生成的，如使用 new Random().nextInt(4)+1; 此运算会返回1~4的随机数字。其实这种做法是不均衡的，如果在少量数据时，对于数据的处理没有什么影响，但当有大数据量时，可能使个别服务器处理数据的压力加大， 因此我们最好通过取模方式来进行处理。比如对待处理的数据order_id取模。 order_id%+1,生成1~4的任务项。

针对上面提到不均衡的问题，进行简单测试统计如下：

public static void main(String[] args) {
        int size = 1000000;
        Map<Integer,Integer> map1 = new HashMap<Integer,Integer>();
        for(int i=1;i<size;i++) {
            int k = new Random().nextInt(4) + 1;
            if(map1.containsKey(k)){
                map1.put(k, map1.get(k)+1);
            }else{
                map1.put(k, 1);
            }
        }

        for(Map.Entry<Integer,Integer> entry:map1.entrySet()){
            System.out.println(entry.getKey() + ":" + entry.getValue());
        }


        System.out.println("-----------------------------------");
        Map<Integer,Integer> map2 = new HashMap<Integer,Integer>();
        for(int i=1; i<size; i++){
            int k = i%4+1;
            if(map2.containsKey(k)){
                map2.put(k, map2.get(k)+1);
            }else{
                map2.put(k, 1);
            }
        }

        for(Map.Entry<Integer,Integer> entry:map2.entrySet()){
            System.out.println(entry.getKey() + ":" + entry.getValue());
        }
    }

 测试结果：

1:250523
2:249897
3:249494
4:250085
-----------------------------------
1:249999
2:250000
3:250000
4:250000

由上面的结果可以看到，使用取模的方式，只差1； 而使用随机数就比较大了