这是我第一次对系统进行调优，涉及代码和JVM层面的调优。如果你能看到最后的话，或许会对你日常的开发有帮助，可以避免像我一样，犯一些低级别的错误。本次调优的代码是埋点系统中的报表分析功能，小公司，开发结束后，没有Code Review环节，所以下面某些问题，也许在Code Review环节就可以避免。

这次调优所使用到的工具有：JProfiler、Arthas、Visual VM。

Arthas用于查看多个方法耗时，JProfiler和Visual VM用于观察JVM运行过程中的堆内存变化，GC活动图，实时对象数和大小等。

调优前后，JDK8，堆内存大小为500M，使用 SerialGC ，相同数据量的情况下，系统的响应速度提升了70%。

功能介绍

在开始之前，为了大家更好的阅读这篇文章，我会先简要介绍一下这个系统。

此系统是一个埋点系统，客户端上报埋点数据之后，可以在后台对上报的埋点数据进行报表分析。比如统计留存、活跃人数、游戏玩家性别比例等等。

该系统的报表分析功能的逻辑为：

1. 数据获取：从数据库中根据分析时间拉取埋点数据。

2. 全局过滤：对从数据库拉取到的埋点数据执行全局过滤。全局过滤可以对埋点数据中的各个参数执行多个 且 或 或 操作。全局过滤后的埋点数据才会进行后续的维度和指标计算。

1. 维度计算：维度(类似于XY轴中的X轴值)是通过将查询到的埋点数据按照分组字段进行分组，该分组字段的值便作为维度值。维度值类型可以是数值、日期、字符串。根据维度值的类型可以进行降序和升序操作，维度可以分为一维和二维。

2. 指标计算：通过将埋点数据按照分组字段进行分组后，得到一组一组的埋点数据，每一组埋点数据由多条埋点数据组成。指标便是通过对每一组中的所有埋点数据执行数值运算，并且可以添加过滤条件(例如只计算性别为”女”的用户)。一个报表可以包含多个指标。

1. 数据组装，前端展示。

上述便是埋点报表功能的主要流程，导致该功能响应超时的原因便是由于维度排序，埋点数据过滤，指标计算导致的。

同事在后台进行报表分析时，发现在分析数据量在3万多的情况下，接口出现了超时(30s)，我一开始以为是由于从数据库拉取数据造成的，但是我通过服务的运行日志发现，在这个接口执行过程中，执行SQL耗时不高并且该SQL走了索引，可以直接将数据库方面的原因排除。

维度优化

定位问题代码

对日志进一步分析发现，发现在处理维度数据时，耗时非常大，因为维度的计算方式很简单，但是耗时却是非常大，这很问题。

从上面的日志中我们可以看到，在对197554条数据进行一维分析时才花了331 ms，但是使用同样的代码，对4012条数据进行维度分析，却花了161 ms，一维和二维都是执行相同的代码，但是耗时却相差这么大。

执行维度分析的代码为：

public List query(DimensionSetting dimensionSetting, TrackReportSetting trackReportSetting, List trackDataList) {
    List dimensionDataList = null;
    try {
		    // doQuery方法是根据分组字段对埋点数据进行分组 
        dimensionDataList = doQuery(dimensionSetting, trackReportSetting, trackDataList);
        dimensionDataList = applyDimensionIntervalRange(dimensionDataList, dimensionSetting);
        // 对分组后的维度值进行排序
        sortDimension(dimensionDataList, dimensionSetting);
    } finally {
        completeQuery(dimensionDataList);
    }
    return dimensionDataList;
}

因为这部分的代码比较简单，我一开始并不清楚是由什么导致的，但是后面通过Arthas发现，耗时高是由于执行 sortDimension(dimensionDataList, dimensionSetting) 方法导致的。

private void sortDimension(List dimensionDataList, DimensionSetting dimensionSetting) {
    dimensionDataList.sort(new DimensionData());
    AtomicLong atomicSortValue = new AtomicLong(0L);
    dimensionDataList.forEach(t -> {
        t.setSortValue(atomicSortValue.getAndAdd(1L));
    });
}

public class DimensionData implements Comparator {
    private DimensionSetting dimensionSetting;
    private String dimensionLabel;
    // 省略其它字段

    @Override
    public int compare(DimensionData data1, DimensionData data2) {
        DimensionSetting dimensionSetting = data1.getDimensionSetting();
        AssertUtils.stateThrow(dimensionSetting != null, () -> new XcyeDataException("埋点维度设置不能为空!"));
        DimensionSetting.DimensionSortTypeEnum sortType = dimensionSetting.getSortType();
        if (DimensionSetting.DimensionSortTypeEnum.NATURAL == sortType) {
            Comparator naturalOrder = Comparator.naturalOrder();
            return naturalOrder.compare(data1.getDimensionLabel(), data2.getDimensionLabel());
        }
        String comparableLabel1;
        String comparableLabel2;
        if (DimensionSetting.DimensionSortTypeEnum.DESC == sortType) {
            // 降序
            comparableLabel1 = data2.getDimensionLabel();
            comparableLabel2 = data1.getDimensionLabel();
        } else {
            // 升序
            comparableLabel1 = data1.getDimensionLabel();
            comparableLabel2 = data2.getDimensionLabel();
        }

        Object comparableObj;
        Comparable comparable;
        if (NumberUtil.isNumber(comparableLabel1) && NumberUtil.isNumber(comparableLabel2)) {
            comparable = Double.parseDouble(comparableLabel1);
            comparableObj = Double.parseDouble(comparableLabel2);
        } else if (((DateUtils.isDate(comparableLabel1, "yyyy-MM-dd") || DateUtils.isDate(comparableLabel1, "yyyy-MM-dd HH:mm:ss"))
                && (DateUtils.isDate(comparableLabel2, "yyyy-MM-dd") || DateUtils.isDate(comparableLabel2, "yyyy-MM-dd HH:mm:ss")))) {
            comparable = new Date(DateUtils.parse(comparableLabel1).getTime());
            comparableObj = new Date(DateUtils.parse(comparableLabel2).getTime());
        } else {
            // 其他 一律当做字符串处理
            comparable = comparableLabel1;
            comparableObj = comparableLabel2;
        }
        return comparable.compareTo(comparableObj);
    }
}

罪魁祸首便是 compare(DimensionData data1, DimensionData data2) 方法，因为一开始设计的时候，并没有提供设置维度类型的选项，但是通常来说，维度一般只会有三种类型，分别是数值字符串，字符以及日期字符串。

上面compare方法便是先尝试对字符串进行数值解析，如果解析失败，再当作时间字符串进行解析，如果还是解析失败，最后才当作普通字符串。

但是在尝试进行数值，日期解析时，在方法执行的内部，会创建额外的对象，至于会创建多少个对象，和维度值的个数有关，并且上面代码本来就存在大量问题。

通过添加JVM参数也可以看到，在执行上面排序的过程中，确实会触发多次GC，从下图也可以看到，在执行compare方法的过程中，GC很频繁，每次GC应用线程的停顿时间平均5ms。

优化排序

既然已经导致compare方法运行时间长的原因了，只需要对症下药就行了。我是采用缓存+提供维度参数类型方式进行优化。优化后的代码为：

public class DimensionData implements Comparator {
    private DimensionSetting dimensionSetting;
    private String dimensionLabel;
    private ConcurrentHashMap localComparatorCache;

    @Override
    public int compare(DimensionData data1, DimensionData data2) {
        DimensionSetting dimensionSetting = data1.getDimensionSetting();
        AssertUtils.stateThrow(dimensionSetting != null, () -> new XcyeDataException("埋点维度设置不能为空!"));
        DimensionSetting.DimensionSortTypeEnum sortType = dimensionSetting.getSortType();
        if (DimensionSetting.DimensionSortTypeEnum.NATURAL == sortType) {
            Comparator naturalOrder = Comparator.naturalOrder();
            return naturalOrder.compare(data1.getDimensionLabel(), data2.getDimensionLabel());
        }

        String comparatorLabel;
        String comparedLabel;
        if (DimensionSetting.DimensionSortTypeEnum.DESC == sortType) {
            // 降序
            comparatorLabel = data2.getDimensionLabel();
            comparedLabel = data1.getDimensionLabel();
        } else {
            // 升序
            comparatorLabel = data1.getDimensionLabel();
            comparedLabel = data2.getDimensionLabel();
        }

        Object comparedValue = parseComparedValue(comparedLabel, dimensionSetting, data1);
        Comparable