Java 版雪花算法生成 ID 实用工具类

分布式 ID 生成方案对比涵盖序列自增、雪花算法及 UUID 三种方式，重点分析雪花算法的时间有序性与性能优势，并提供 Java 实现代码及 ID 解析逻辑，适用于高并发分布式系统场景。文章详细阐述了各方案的优缺点，包括存储占用、生成性能、唯一性保障及适用场景，并针对雪花算法的时钟回拨问题提供了处理策略。

莫名其妙发布于 2026/2/80 浏览

ID 的生成一般可以是序列递增、雪花算法、UUID 等等

1. 序列自增

优点：

占用空间小：自增 ID 通常使用较小的数据类型（如 INT），占用存储空间较小。
性能好：自增 ID 是顺序生成的，可以连续存储在磁盘上，有利于提高插入操作的性能，减少碎片化。
易于排序和索引：自增 ID 可以快速排序和索引，有利于提高查询效率。

缺点：

局部唯一性：在单数据库实例中是唯一的，但在分布式系统中或在多个数据库之间使用时需要额外的机制来确保全局唯一性（例如使用 UUID 或其他分布式 ID 生成策略）。
需要数据库级别的唯一性检查：每次插入前需要检查是否已存在相同的 ID，这会增加数据库的负担。
重用问题：如果在删除记录后不重新使用 ID，会导致 ID 的浪费。虽然可以通过一些策略（如预留 ID 池）解决，但这增加了实现的复杂性。

2. 雪花算法

雪花算法（Snowflake Algorithm）是由 Twitter 设计并开源的一种分布式唯一 ID 生成算法，用于在高并发、分布式环境下高效生成全局唯一、时间有序的 64 位整数 ID（Long 类型）。其核心思想是将一个 64 位二进制数划分为多个功能段，通过'时间戳 + 机器标识 + 序列号'组合生成 ID。

64 位雪花 ID 位分配图解（标准版）

 0 41 51 63 ┌────────────┬─────────┬───────────┐ │ timestamp │ dataCtr │ worker │ sequence │ (41 bits) │ (5 bits)│ (5 bits) │ (12 bits) └────────────┴─────────┴───────────┘ ↑ 64-bit signed long (最高位为符号位，始终为 0 → 实际可用 63 位)

字段	长度	取值范围	说明
`timestamp`	41 位	0 ~ 2⁴¹−1 ms ≈ 69.7 年	自 `EPOCH` 起的毫秒差；决定 ID 时间序和生命周期
`datacenterId`	5 位	0 ~ 31	标识数据中心（如：北京=1、上海=2）
`workerId`	5 位	0 ~ 31	标识该中心内的具体机器（进程）
`sequence`	12 位	0 ~ 4095	同一毫秒内自增序号；支持单机峰值 4096 ID/ms

🔍 ： → 转二进制后截取对应字段，即可还原生成时间、机房、机器与序号。

相关免费在线工具

Keycode 信息

查找任何按下的键的javascript键代码、代码、位置和修饰符。在线工具，Keycode 信息在线工具，online

Escape 与 Native 编解码

JavaScript 字符串转义/反转义；Java 风格 \uXXXX（Native2Ascii）编码与解码。在线工具，Escape 与 Native 编解码在线工具，online

JavaScript / HTML 格式化

使用 Prettier 在浏览器内格式化 JavaScript 或 HTML 片段。在线工具，JavaScript / HTML 格式化在线工具，online

JavaScript 压缩与混淆

Terser 压缩、变量名混淆，或 javascript-obfuscator 高强度混淆（体积会增大）。在线工具，JavaScript 压缩与混淆在线工具，online

加密/解密文本

使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。在线工具，加密/解密文本在线工具，online

Base64 字符串编码/解码

将字符串编码和解码为其 Base64 格式表示形式即可。在线工具，Base64 字符串编码/解码在线工具，online

维度	说明
全局唯一性	基于时间戳（毫秒级）+ 数据中心 ID + 机器 ID + 序列号，理论上在集群规模合理、时钟不回拨前提下，ID 绝对唯一。
高性能 & 低延迟	完全本地内存运算，无网络/数据库依赖，单机 QPS 可达数万甚至数十万。
时间有序性（近似单调递增）	高位为时间戳，生成的 ID 随时间大致递增，有利于数据库（如 MySQL）索引优化（减少页分裂）、范围查询等。
结构化 & 可解析	ID 可直接解码出生成时间、所属节点等信息，便于问题追踪与运维分析。
轻量易集成	无外部依赖，主流语言均有成熟实现（Java/Go/Python 等），易于嵌入微服务架构。

维度	说明
强依赖系统时钟（时钟回拨问题）	若服务器时间发生回拨（如 NTP 校正、手动修改），可能导致 ID 重复或阻塞（取决于实现策略）。需配合时钟监控、容忍策略（如等待、抛异常、降级为随机 ID）等机制缓解。
ID 位数固定，存在理论上限	64 位中：41 位时间戳（约 69 年）、10 位机器标识（最多 1024 节点）、12 位序列号（每毫秒最多 4096 个 ID）。时间戳耗尽后需升级位分配（如扩展为 65+ 位，但破坏兼容性）。
机器 ID 需人工/中心化分配	`datacenterId` 和 `workerId` 需全局唯一且预先配置，大规模动态扩缩容时管理成本上升（需结合 ZooKeeper、Etcd 或数据库注册中心解决）。
非密码学安全	ID 可被预测（尤其已知部分参数和时间范围时），不适用于需要防猜测、防枚举的场景（如订单号、优惠券码等）。
单机吞吐受限于序列号位宽	每毫秒最多生成 `2^12 = 4096` 个 ID；若瞬时并发超限，会阻塞等待下一毫秒（导致少量延迟毛刺）。

维度	Snowflake	UUID v4	DB 自增主键	Redis INCR	Leaf-Segment（美团）
唯一性	全局唯一（依赖配置 + 时钟）	全局唯一（概率极低重复）	单库唯一，分布式需分库分表/号段	单 Redis 实例唯一，集群需协调	全局唯一（号段预分配 + 双 Buffer）
有序性	✅ 近似时间有序（利于索引）	❌ 完全无序（字符串，B+ 树效率低）	✅ 严格递增	✅ 严格递增	✅ 逻辑有序（号段内有序）
性能	✅ 极高（纯内存，μs 级）	✅ 高（本地生成）	❌ 依赖 DB 写入（ms 级，有锁）	✅ 高（但依赖 Redis RTT）	✅ 高（号段缓存，批量获取）
可用性	✅ 无外部依赖	✅ 无依赖	❌ DB 故障即不可用	❌ Redis 故障即不可用	⚠️ 依赖 MySQL（号段管理）或 ZooKeeper
ID 长度/类型	64 位整数（紧凑、易排序）	128 位字符串（32 字符，存储/索引开销大）	64 位整数	64 位整数	64 位整数
可读性/可解析性	✅ 可解析出时间、节点信息	❌ 完全随机，无业务含义	❌ 仅序号，无时间/节点信息	❌ 仅序号	⚠️ 可解析时间，但节点信息弱化
扩展性	⚠️ 机器 ID 需预分配，动态扩容较重	✅ 天然无状态，无限扩展	❌ 分库分表复杂，全局有序难保证	⚠️ Redis 集群需路由一致性	✅ 支持动态扩容（号段自动分配）
适用场景	推荐：订单 ID、消息 ID、日志 traceId 等高并发有序需求	适合：临时 token、文件名、非索引场景	适合：单体应用、低并发后台系统	适合：简单计数、限流等非核心 ID	推荐：大型电商/金融系统（兼顾性能、容灾、扩展）

import java.util.ArrayList; import java.util.Date; import java.util.List; /** * 雪花 ID 生成器 */ public class SnowflakeIdGenerator { // ==================== 常量定义 ==================== private static final long EPOCH = 1609459200000L; // 自定义起始时间：2021-01-01 00:00:00 UTC（毫秒） private static final int DATA_CENTER_ID_BITS = 5; private static final int WORKER_ID_BITS = 5; private static final int SEQUENCE_BITS = 12; private static final long MAX_DATA_CENTER_ID = ~(-1L << DATA_CENTER_ID_BITS); // 31 private static final long MAX_WORKER_ID = ~(-1L << WORKER_ID_BITS); // 31 private static final long MAX_SEQUENCE = ~(-1L << SEQUENCE_BITS); // 4095 private static final long WORKER_ID_SHIFT = SEQUENCE_BITS; // 12 private static final long DATA_CENTER_ID_SHIFT = SEQUENCE_BITS + WORKER_ID_BITS; // 17 private static final long TIMESTAMP_LEFT_SHIFT = SEQUENCE_BITS + WORKER_ID_BITS + DATA_CENTER_ID_BITS; // 22 // ==================== 运行时变量 ==================== private final long dataCenterId; private final long workerId; private long sequence = 0L; private long lastTimestamp = -1L; // ==================== 构造函数 ==================== public SnowflakeIdGenerator(long dataCenterId, long workerId) { if (dataCenterId < 0 || dataCenterId > MAX_DATA_CENTER_ID) { throw new IllegalArgumentException("dataCenterId must be in [0," + MAX_DATA_CENTER_ID + "]"); } if (workerId < 0 || workerId > MAX_WORKER_ID) { throw new IllegalArgumentException("workerId must be in [0," + MAX_WORKER_ID + "]"); } this.dataCenterId = dataCenterId; this.workerId = workerId; } // ==================== 核心方法 ==================== public synchronized long nextId() { long timestamp = currentTimeMillis(); // ⚠️ 时钟回拨处理：严格模式（抛异常）or 容忍模式（等待/告警） if (timestamp < lastTimestamp) { throw new RuntimeException( String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp)); } if (lastTimestamp == timestamp) { // 同一毫秒内，序列号自增 sequence = (sequence + 1) & MAX_SEQUENCE; if (sequence == 0) { // 当前毫秒序列已满，阻塞至下一毫秒 timestamp = tilNextMillis(lastTimestamp); } } else { // 新毫秒，序列号重置为 0 sequence = 0L; } lastTimestamp = timestamp; // 拼接 ID：(timestamp - epoch) << 22 | dataCenterId << 17 | workerId << 12 | sequence return ((timestamp - EPOCH) << TIMESTAMP_LEFT_SHIFT) | (dataCenterId << DATA_CENTER_ID_SHIFT) | (workerId << WORKER_ID_SHIFT) | sequence; } private long tilNextMillis(long lastTimestamp) { long timestamp = currentTimeMillis(); while (timestamp <= lastTimestamp) { timestamp = currentTimeMillis(); } return timestamp; } private long currentTimeMillis() { return System.currentTimeMillis(); } // ==================== 辅助方法：解析 ID（可选） ==================== public static class IdInfo { public final long timestamp; // 时间戳（毫秒） public final long dataCenterId; // 数据中心 ID public final long workerId; // 工作节点 ID public final long sequence; // 序列号 public IdInfo(long timestamp, long dataCenterId, long workerId, long sequence) { this.timestamp = timestamp; this.dataCenterId = dataCenterId; this.workerId = workerId; this.sequence = sequence; } public IdInfo(long id) { this.timestamp = (id >> TIMESTAMP_LEFT_SHIFT) + EPOCH; this.dataCenterId = (id >> DATA_CENTER_ID_SHIFT) & MAX_DATA_CENTER_ID; this.workerId = (id >> WORKER_ID_SHIFT) & MAX_WORKER_ID; this.sequence = id & MAX_SEQUENCE; } } public static void main(String[] args) { SnowflakeIdGenerator idGenerator = new SnowflakeIdGenerator(1, 2); List<Long> ids = new ArrayList<>(); for (int i = 0; i < 10; i++) { long id = idGenerator.nextId(); ids.add(id); System.out.println(id); } long id = ids.get(8); IdInfo info = new IdInfo(id); System.out.println(info); //SnowflakeIdGenerator.IdInfo info = SnowflakeIdGenerator.parse(id); System.out.println("时间戳：" + new Date(info.timestamp)); System.out.println("数据中心 ID: " + info.dataCenterId); System.out.println("工作节点 ID: " + info.workerId); System.out.println("序列号：" + info.sequence); } /** * 解析 Snowflake ID * * @param id Snowflake ID * @return 包含时间戳、数据中心 ID、工作节点 ID 和序列号的结构体 */ public static IdInfo parse(long id) { long timestamp = (id >> TIMESTAMP_LEFT_SHIFT) + EPOCH; long dataCenterId = (id >> DATA_CENTER_ID_SHIFT) & MAX_DATA_CENTER_ID; long workerId = (id >> WORKER_ID_SHIFT) & MAX_WORKER_ID; long sequence = id & MAX_SEQUENCE; return new IdInfo(timestamp, dataCenterId, workerId, sequence); } }

Java 版雪花算法生成 ID 实用工具类

1. 序列自增

2. 雪花算法

更多推荐文章

相关免费在线工具

3. UUID 递增方式

Java 版雪花算法生成 ID 实用工具类

1. 序列自增

2. 雪花算法

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具

3. UUID 递增方式