勘误
上一讲，我写了一篇关于批量导入请求的性能优化过程，其中，关于Elasticsearch源码中写死了最大连接数的问题，是我错了，有同学留言说是HttpClientConfigCallback中可以修改，后来经过证实，确实可以修改，大家注意一下，同时，也非常感谢这位同学的留言。
好了，下面进入本篇的内容，我们来谈谈批量处理接口的性能优化之道。
背景
同批量导入一样，在我们的系统中，存在着大量的批量处理的接口，比如批量获取运单，批量出库，批量打印，等等，像这样的接口大概有10几个。
这些请求往往具有以下几个特点：
- 单条数据处理耗时较长，一般来说都在200ms及以上
- 数据批量较大，像我们系统最大一页是1000条数据，用户可选择的最大批量也就是1000
- 总体耗时较长，比如按200ms和1000条数据算，总共就需要耗时200s，这个时间太长了
- 这些单条的数据无法合并在一起进行处理
所以，我们有必要对批量处理的接口进行统一的性能优化。
但是，要如何进行优化呢？（本篇文章首发于公号彤哥读源码，欢迎关注）
如何优化
我们知道单台机器的性能是有上限的，像这种批量请求，一方面会占用大量的内存，同时也会占用很高的CPU，全部放在同一个进程里面处理势必导致整体处理时间更进一步上升，所以，针对这种批量的请求，最好的办法就是分而治之。
什么是分而治之呢？
分而治之，在很多场景中都有用到，比如上一篇我们说的批量导入，它一般分成四个部分：
- 接收请求
- 分发请求
- 处理请求
- 汇总请求
![]()
那么，在我们这个批量处理的过程中如何应用分而治之的思想呢？
首先，我们要把大批量请求改成一个一个的小请求，这里的“改”是指我们后端来改，而不是前端调用来修改，前端还是调用大批量的请求。
然后，通过某种机制把这些小请求分发到多台机器上进行处理，比如，使用Kafka来做分发器。
最后，再统计每个小请求的完成情况，当所有的小请求都完成了之后，就通知前端整个请求已完成。
这里的通知可以走消息模块，同时，上面的完成小请求的改造后就可以返回前端了，等到这里全部完成再异步通知。
好了，我们直接来看我的架构设计图：
![]()
整体来说，还是蛮复杂的，让我们每个步骤来过一遍：
- 接收请求，前端请求后端的大批量接口
- 记录本次批量处理请求的信息，比如分配请求号、哪个用户、哪个操作、总共多少条、成功0条、失败0条，等等
- 批量更新数据库中这些数据的状态为xxx处理中，并记录原来的状态，这里使用mysql的批量更新，速度很快
- 把大批量的数据一条一条的发到Kafka中，Kafka承担了分发器的作用
- 给前端返回响应，说明本次请求收到了，并且在处理中了，这样界面上查询的结果就是这些单据正在xxx处理中
- 多个服务实例从Kafka拉取消息来消费
- 针对每一条数据进行处理，比如检查权限、参数，处理复杂的业务逻辑，等等，并写入mysql处理的结果
- 记录每一条数据的处理结果到redis中，比如成功条数+1，失败条数+1，等等
- 当检测到所有数据都处理完了，即总共条数=成功条数+失败条数，就发个消息到消息服务
- 消息服务发送一个新的通知给前端：您刚才进行的XXX操作已完成，成功X条，失败X条
- 前端收到这个通知后，检查如果还在这个界面，就自动刷新下页面，等等，可以做一些很友好的交互
这就是整体批量请求的处理过程，怎么样，还可以接受不？（本篇文章首发于公号彤哥读源码，欢迎关注）
另外，因为我们系统中的批量处理接口实在是太多了，如果每个接口都这样实现一遍，有很多重复的代码。
所以，我们可以做一个通用的批量接口，通过配置元数据的形式实现，元数据的格式为：{action: xx操作，targetStatus: xx处理中}，这样除了中间的处理消息的过程无法复用外，其他的部分都是可以复用的。
好了，接着我们再来回顾下这种骚操作可以运用到哪些场景呢？
运用场景
- 单条数据处理耗时较长，如果单条数据处理耗时非常短则没必要
- 数据批量较大，如果一次批量不大则没必要
- 总体耗时较长，上面两个因素的叠加，如果总体耗时不长则没必要
- 无法进行批量更新数据库的场景，如果可以批量更新数据库则没必要
最后，我们再看看还有哪些改进措施呢？
改进措施
我认为主要有以下两种改进措施：
- 不一定每次请求都是大批量，比如说，如果一次请求的数据量小于10条，是不是本机直接处理更快呢？
- 不是每个批量场景都需要优化，见上面运用场景分析的没必要场景
好了，今天的文章就到这里了，我想问，你们系统中有这样的批量处理场景吗？你们是如何进行优化的呢？欢迎留言分享，一起学习一起进步。
