记录一次首页优化的经历
公司最近在进行多品牌合一，原来五个品牌的app要合并为一个。品牌立项、审批、方案确定，历史数据迁移、前期的基础工程搭建，兼容以及涉及三方的交互以及改造，需求梳理等也都基本完成，原来计划9月中旬进行上线，但是上线后服务端的压测一直通不过-首页抗不过太高的并发。
app首页里面是一个信息流，里面包含运营以及用户发布的各种视频、动态以及问答之类的帖子，广告位、运营后台配置的推荐帖以及会在信息流指定位置放置一些banner位等，还包括智能推荐、三方推荐以及一部分自研的推荐数据（服务端有开关配置走那种推荐系统），服务端这块统一由一个接口组装各种数据后返回给app端。组装的数据大部分是存在redis缓存里面，比如广告位、banner位以及一些运营自己在后台配置的一些配置，这些因为变化不大或者基本不怎么变化，从缓存读取耗时也都很快的，耗时比较慢的点主要集中在 内部的feign调用以及查询es信息流时候要进行组装信息，这些在压测时候基本占用了整个应用耗时的90%以上。使用hutool的StopWatch统计耗时大概如下这种：（单位 ms）
000000201 08% 组装es数据
000000599 25% feign调用uc获取黑名单数据
000000495 21% feign调用社区查询置顶数据
000000603 25% 查询帖子列表
000000394 16% 修改意向车型
000000002 00% 获取内容标签数据
000000000 00% 获取热门话题数据
000000002 00% 获取专题组件数据
000000090 04% 获取信息流广告位数据
000000001 00% 获取快速入口数据
000000002 00% 获取轮播广告数据
在单台机器 2核4G，压测100并发的情况下，平均耗时能达到2s左右，p90 能在3s多，整体性能很差。
在压测时候，使用arthas的监控工具，在耗时比较严重的地方进行监控，首先是feign调用的地方，发现有个奇怪的线程，使用trace命令 监控超过30ms的请求，发现很少
trace com.gwm.marketing.service.impl.HomeRecommendServiceImpl addSuperStreams '#cost > 30' -n 50 --skipJDKMethod false
但是在调用方的耗时 能达到惊人的1s以上，如果是并发量比较少的情况，比如50并发左右，这个耗时不超过200ms，但是一旦并发过高立马耗时就上来了。服务端内部是通过feign调用来进行rpc调用的，而且被调用方的耗时也很快，初步怀疑是 不是 调用方 存在gc的问题，或者是调用方 线程池阻塞 以及 feign调用在高并发下的默认的链接存在阻塞导致的。另外还有发现es以及部分日志也陆续存在耗时比较久的情况，总体上这些加起来 ，导致整个耗时比较严重。
首先看了下服务器的gc，单机2核4g 配置的gc信息如下：
-Djava.net.preferIPv4Stack=true -Djava.util.Arrays.useLegacyMergeSort=true -Dfile.encoding=UTF-8 -server -Xms512m -Xmx512m -XX:NewSize=128m -XX:MaxNewSize=128m -Xss256k -Drocketmq.client.logUseSlf4j=true -XX:+UseG1GC -XX:+PrintGCTimeStamps -Xloggc:log/gc-%t.log -XX:+UseGCLogFileRotation -XX:GCLogFileSize=10M
这个配置还使用的是G1,首页的这个场景，首页是服务器的内存过小，使用g1的话，对于我们想要的是吞吐量更大的其实有些差距，我们的目的是为了吞吐量更大，响应时间更快，那么使用cms的方式其实更好。然后让运维改了一下 gc的回收方式为cms:
-Djava.net.preferIPv4Stack=true -Djava.util.Arrays.useLegacyMergeSort=true -Dfile.encoding=UTF-8 -server -Xms512m -Xmx512m -XX:NewSize=128m -XX:MaxNewSize=128m -Xss256k -Drocketmq.client.logUseSlf4j=true -XX:+UseConcMarkSweepGC -XX:+CMSIncrementalMode -XX:CMSInitiatingOccupancyFraction=75 -Xloggc:log/gc-%t.log -XX:+UseGCLogFileRotation -XX:GCLogFileSize=10M
实测后发现有一定的提升，比如使用g1的话，压测5分钟的耗时 和使用cms的压测耗时
这个是能提升一定的性能，然后耗时比较严重的第二个部分 就是 feign调用- 为何单个接口的耗时很快，但是在feign调用时候就很慢？
首先feign调用 我们的配置是走了内网的，即不走网关-
我们的项目是基于nepxion里面的openfeign，openfeign使用的是默认的HttpURLConnection的链接方式，而且看了我们的openfeign的版本是 2.2.3的，这个版本还没有池化的概念-就是每次的rpc通过
feign调用的话，每次都需要走tpc的三次握手和四次挥手， 这个耗时在请求量比较少的情况下体现不出来，但是在并发量比较高的情况下，就体现出来了- 表现就是 明明在被调用方的耗时很小，但是在调用方显示出来的耗时就是很长，这个通过arthas和skywalking 的监控都证明了这一点。skywalking显示的 self耗时很长但是业务耗时很快，arthas在容器内看好是情况也是如此，因此需要对feign调用进行改造。
首先是对open-feign的版本进行升级，openfeign支持httpclient以及okhttpclient ，在最新的 4.2.0-SNAPSHOT 上 OkHttpFeignLoadBalancedConfiguration 里面已经是使用了连接池了，源码如下：
@Configuration(proxyBeanMethods = false) @ConditionalOnClass(OkHttpClient.class) @ConditionalOnProperty("spring.cloud.openfeign.okhttp.enabled") @ConditionalOnBean({ LoadBalancerClient.class, LoadBalancerClientFactory.class }) @EnableConfigurationProperties(LoadBalancerClientsProperties.class) class OkHttpFeignLoadBalancerConfiguration { @Bean @ConditionalOnMissingBean @Conditional(OnRetryNotEnabledCondition.class) public Client feignClient(okhttp3.OkHttpClient okHttpClient, LoadBalancerClient loadBalancerClient, LoadBalancerClientFactory loadBalancerClientFactory, List<LoadBalancerFeignRequestTransformer> transformers) { OkHttpClient delegate = new OkHttpClient(okHttpClient); return new FeignBlockingLoadBalancerClient(delegate, loadBalancerClient, loadBalancerClientFactory, transformers); } @Bean @ConditionalOnMissingBean @ConditionalOnClass(name = "org.springframework.retry.support.RetryTemplate") @ConditionalOnBean(LoadBalancedRetryFactory.class) @ConditionalOnProperty(value = "spring.cloud.loadbalancer.retry.enabled", havingValue = "true", matchIfMissing = true) public Client feignRetryClient(LoadBalancerClient loadBalancerClient, okhttp3.OkHttpClient okHttpClient, LoadBalancedRetryFactory loadBalancedRetryFactory, LoadBalancerClientFactory loadBalancerClientFactory, List<LoadBalancerFeignRequestTransformer> transformers) { OkHttpClient delegate = new OkHttpClient(okHttpClient); return new RetryableFeignBlockingLoadBalancerClient(delegate, loadBalancerClient, loadBalancedRetryFactory, loadBalancerClientFactory, transformers); } }
而我们这个2.2.3的还不支持池化，故首先把open-feign的版本升级了，以支持可以池化，另外就是需要配置 池化的参数以及开启okhttpclient
feign.httpclient.enabled = false #httpClient 关闭
feign.okhttp.enabled = true #okHttpClient 启用
feign.httpclient.maxConnections = 1000 #最大连接数
feign.httpclient.maxConnectionsPerRoute = 300 #feign单个路径的最大连接数
feign.httpclient.connectionTimeout = 3000 #超时时间 try { Request.Options options = new Request.Options(connectionTimeoutConfig.getFeignConnectionTimeout(),connectionTimeoutConfig.getFeignReadTimeout()); data = gwmInterFeignClient.queryLikeAndCollectStatusByThreadsOptionLimit(appUserThreadStatusQuery,options).getData(); } catch (Exception e) { log.error("===feign调用超时====请求废弃"); data = new AppUserThreadFDto(); }
再就是在arthas下面发现有日志也存在耗时严重的情况，对于非必要的日志，进行不去进行打印 或者修改日志级别为debug，当然还有一种方式 就是把写日志的方式 改成异步来写。
另外还发现代码里面如果判断一个对象是否在集合里，也会存在性能耗时的问题，这个需要改为并发执行 ，类似代码如下：
优化前：
streams.forEach(stream -> { stream.setIsLike(CollectionUtils.isNotEmpty(data.getLikeThreads()) ? (data.getLikeThreads().contains(stream.getThreadId()) ? ONE : ZERO) : ZERO); stream.setIsCollect(CollectionUtils.isNotEmpty(data.getCollectThreads()) ? (data.getCollectThreads().contains(stream.getThreadId()) ? ONE : ZERO) : ZERO);
优化后:
streams.forEach(stream -> { stream.setIsLike(CollectionUtils.isNotEmpty(finalData.getLikeThreads())? (finalData.getLikeThreads().parallelStream().anyMatch(d->d.equals(stream.getThreadId()))? ONE : ZERO) : ZERO); stream.setIsCollect(CollectionUtils.isNotEmpty(finalData.getCollectThreads()) ? (finalData.getCollectThreads().parallelStream().anyMatch(d->d.equals(stream.getThreadId())) ? ONE : ZERO) : ZERO); });
除了这个还有es的耗时严重的的问题，我们的es 采用的是5.7的版本，比较老了，es主要是组装数据 以及查询相对比较方便，库表大概有几千万的帖子数据，但是每次耗时 有时候也能达到400-500ms的延迟。
这个暂时没找到原因，后面有时间了在继续。
还有就是在首页里面加上sentinel 限流，首页里面有一部分耗时比较长的部分，比如 调用三方的接口，比如推荐部分，这部分三方接口本身就有一些性能压力，我们这边在调用时候 是使用的http来进行调用的，超时时间是3s，实测发现，当并发达到10 到20的时候，这部分基本就3s超时了。一部分是他们的推荐规则确实挺复杂的，推荐的数据要进行达标，要根据用户的个个业务维度去进行筛选，虽然数据已经提前写入缓存了，调用里面业务有些复杂 导致耗时比较严重，特别是并发稍微高的情况下。于是在调用他们这些推荐数据的地方 加了sentinel 的限流。
加sentinel限流的时候，一般有两种方式，一种是针对指定的资源，比如接口、指定的bean等进行限流和降级，还有一种是sentinel + openfeign 来进行限流和降级。两种方式的效果是类似的，只是配置略微有一些区别，另外第一种方式是有限制的，即限制的资源需要是spring 容器里面的bean对象，否则限流和降级不会生效。我使用的是第一种方式，代码如下
@Override @SentinelResource(value = "queryRecommend", fallback = "getStaticData",blockHandler = "blockExceptionHandler") public List<String> queryRecommend(HomeRecommendStreamQuery query, HomeRecommendStreamDto streamDto, String sourceApp) { //用户身份 StopWatch st = StopWatch.create("内容中台推荐数据"); String userType = this.getUserType(query.getIdentity(), query.getSource(), query.getUserId()); //获取当前有用户是否推荐用户信息 boolean isRecommend = true; if (StringUtils.isNotEmpty(query.getUserId())) { Set<String> userClosed = gwmRedisTemplate.opsForValue().get(USER_CLOSED_RECOMMEND); if (CollectionUtils.isNotEmpty(userClosed)) { boolean anyMatch = userClosed.stream().anyMatch(str -> str.equals(query.getUserId())); if (anyMatch) { isRecommend = false; } } } //构建推荐系统对象信息 RecommendQuery build = RecommendQuery.builder() .userType(userType) //推荐系统需要唯一标识，如果未登录用户传设备id，登录用户传userID .userId(StringUtils.isNotEmpty(query.getUserId()) ? query.getUserId() : query.getDeviceId()) .intendedBrandList(query.getIntendedBrandList()) .intendedVehicleList(query.getIntendedVehicleList()) .recommendationSwitch(isRecommend) .strategyType(query.getStrategyType()) .deviceId(query.getDeviceId()) .page(query.getPage()) .pageSize(query.getSize()) .build(); st.start("推荐调用uc黑名单接口"); if (StringUtils.isNotEmpty(query.getUserId())) { CmsAppUserIdQuery qry = new CmsAppUserIdQuery(); qry.setUserId(query.getUserId()); List<String> list = feignUserCenterClient.getBlackUserIds(qry, sourceApp).getData(); if(query.isCheckBlack()){ build.setBlacklistUsers(list); } query.setBlacklistUsers(list); } st.stop(); // 调用内容中台推荐接口 st.start("调用内容中台推荐接口"); String recommend = okhttp3Util.postBody(config.getUrl(), build); st.stop(); logger.info("首页推荐查询推荐系统入参：{}，推荐系统返回：{} , ssoId:{}", JSONObject.toJSONString(build), recommend, query.getUserId()); RecommendResponse<RecommendStrategyDto> response = parseBody(recommend, RecommendStrategyDto.class); List<String> idList = null; if (Objects.nonNull(response)) { if (response.isSuccessful()) { RecommendStrategyDto recommendStrategyDto = response.getData(); streamDto.setStrategyType(recommendStrategyDto.getStrategyType()); idList = recommendStrategyDto.getContentIds(); } else if (!response.recommendChannelNormal()) { streamDto.setRecommendChannelAvailable(false); return new ArrayList<>(); } } //查询推荐系统数据为空 if (CollectionUtils.isEmpty(idList) && query.getPage() == 1) { //nacos兜底，取默认配置数据 idList = Optional.ofNullable(config.getPostIds()).orElse(Collections.emptyList()); } return idList; }
public List<String> getStaticData(HomeRecommendStreamQuery query, HomeRecommendStreamDto streamDto, String sourceApp) { logger.info("==========start sentinel 降级策略=========="); try { Random random = new Random(); int r = random.nextInt(100) + 1; logger.debug("========随机从缓存获取一组帖子id:" + r); Set<String> stringSet = gwmRedisTemplate.opsForValue().get(RedisConstants.THREAD_HOT_SCORE_KEY + r); logger.debug("=========随机从缓存获取帖子result=======" + JSONObject.toJSON(stringSet)); if (CollectionUtils.isNotEmpty(stringSet)) { List<String> stringList = new ArrayList<>(stringSet); return stringList; } else { logger.debug("============读取默认配置数据========" + config.getPostIds()); return Optional.ofNullable(config.getPostIds()).orElse(Collections.emptyList()); } } catch (Exception e) { throw new RuntimeException(e); } } /** * blockHandler需要设置为static * * @param ex * @return */ public List<String> blockExceptionHandler(HomeRecommendStreamQuery query, HomeRecommendStreamDto streamDto, String sourceApp,BlockException ex) { try { Random random = new Random(); int r = random.nextInt(100) + 1; logger.debug("========随机从缓存获取一组帖子id:" + r); Set<String> stringSet = gwmRedisTemplate.opsForValue().get(RedisConstants.THREAD_HOT_SCORE_KEY + r); logger.debug("=========随机从缓存获取帖子result=======" + JSONObject.toJSON(stringSet)); if (CollectionUtils.isNotEmpty(stringSet)) { List<String> stringList = new ArrayList<>(stringSet); return stringList; } else { logger.debug("============读取默认配置数据========" + config.getPostIds()); return Optional.ofNullable(config.getPostIds()).orElse(Collections.emptyList()); } } catch (Exception e) { throw new RuntimeException(e); } }
总结起来就是：针对首页的性能问题，优化了gc的方式，feign调用的改造，部分代码改为并行、日志优化 、es的查询优化以及使用sentinel做限流降级。 当然还有就是，我们这个首页这么多的内容都写到了一个接口里面，对于服务端的性能确实压力很大，后面看能不能进行拆分，让端上进行单个接口的请求，由一个接口变为多个接口，这样也能减少不少服务端的压力。最后优化后的压测结果：
目前可优化的部分主要是集中在es这部分上面了。
