这篇文章主要介绍“Java日志性能实例分析”,在日常操作中,相信很多人在Java日志性能实例分析问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”Java日志性能实例分析”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
说到Java日志,大家肯定都会说要选择合理的日志级别、合理控制日志内容,但是这仅是万里长征第一步……哪怕一些DEBUG
级别的日志在生产环境中不会输出到文件中,也可能带来不小的开销。我们撇开判断和方法调用的开销,在Log4J 2.x的性能文档中有这样一组对比:
logger.debug("Entry number: " + i + " is " + String.valueOf(entry[i])); logger.debug("Entry number: {} is {}", i, entry[i]);
上面两条语句在日志输出上的效果是一样的,但是在关闭DEBUG
日志时,它们的开销就不一样了,主要的影响在于字符串转换和字符串拼接上,无论是否生效,前者都会将变量转换为字符串并进行拼接,而后者则只会在需要时执行这些操作。Log4J官方的测试结论是两者在性能上能相差两个数量级。试想一下,如果某个对象的toString()
方法里用了ToStringBuilder
来反射输出几十个属性时,这时能省下多少资源。
因此,某些仍在使用Log4J 1.x或Apache Commons Logging(它们不支持{}
模板的写法)的公司都会有相应的编码规范,要求在一定级别的日志(比如DEBUG
和INFO
)输出前增加判断:
if (logger.isDebugEnabled()) { logger.debug("Entry number: " + i + " is " + String.valueOf(entry[i])); }
除了日志级别和日志消息,通常在日志中还会包含一些其他信息,比如日期、线程名、类信息、MDC变量等等,根据Takipi的测试,如果在日志中加入class
,性能会急剧下降,比起LogBack的默认配置,吞吐量的降幅在6成左右。如果一定要打印类信息,可以考虑用类名来命名Logger
。
在分布式系统中,一个请求可能会经过多个不同的子系统,这时最好生成一个UUID附在请求中,每个子系统在打印日志时都将该UUID放在MDC里,便于后续查询相关的日志。《The Ultimate Guide: 5 Methods For Debugging Production Servers At Scale》一文中就如何在生产环境中进行调试给出了不少建议,当中好几条是关于日志的,这就是其中之一。另一条建议是记录下所有未被捕获的日志,其实抛出异常有开销,记录异常同样会带来一定的开销,主要原因是Throwable
类的fillInStackTrace
方法默认是同步的:
public synchronized native Throwable fillInStackTrace();
一般使用logger.error
都会打出异常的堆栈,如果对吞吐量有一定要求,在情况运行时可以考虑覆盖该方法,去掉synchronized native
,直接返回实例本身。
聊完日志内容,再来看看Appender
。在Java中,说起IO操作大家都会想起NIO,到了JDK 7还有了AIO,至少都知道读写加个Buffer
,日志也是如此,同步写的Appender
在高并发大流量的系统里多少有些力不从心,这时就该使用AsyncAppender
了,同样是使用LogBack:
在10线程并发下,输出200字符的
INFO
日志,AsyncAppender
的吞吐量最高能是FileAppender
的3.7倍。在不丢失日志的情况下,同样使用AsyncAppender
,队列长度对性能也会有一定影响。
如果使用Log4J 2.x,那么除了有AsyncAppender
,还可以考虑性能更高的异步Logger
,由于底层用了Disruptor,没有锁的开销,性能更为惊人。根据Log4J 2.x的官方测试,同样使用Log4J 2.x:
64线程下,异步
Logger
比异步Appender
快12倍,比同步Logger
快68倍。
同样是异步,不同的库之间也会有差异:
同等硬件环境下,Log4J 2.x全部使用异步
Logger
会比LogBack的AsyncAppender
快12倍,比Log4J 1.x的异步Appender
快19倍。
Log4J 2.x的异步Logger
性能强悍,但也有不同的声音,觉得这只是个看上去很优雅,只能当成一个玩具。关于这个问题,还是留给读者自己来思考吧。
如果一定要用同步的Appender
,那么可以考虑使用ConsoleAppender
,然后将STDOUT
重定向到文件里,这样大约也能有10%左右的性能提升。
大部分生产系统都是集群部署,对于分布在不同服务器上的日志,用Logstash之类的工具收集就好了。很多时候还会在单机上部署多实例以便充分利用服务器资源,这时千万不要贪图日志监控或者日志查询方便,将多个实例的日志写到同一个日志文件中,虽然LogBack提供了prudent
模式,能够让多个JVM往同一个文件里写日志,但此种方式对性能同样也有影响,大约会使性能降低10%。
如果对同一个日志文件有大量的写需求,可以考虑拆分日志到不同的文件,做法之一是添加多个Appender
,同时修改代码,不同的情况使用不同Logger
;LogBack提供了SiftingAppender
,可以直接根据MDC的内容拆分日志,Jetty的教程中就有根据host
来拆分日志的范例,而根据Takipi的测试,SiftingAppender
的性能会随着拆分文件数的增长一同提升,当拆分为4个文件时,10并发下SiftingAppender
的吞吐量约是FileAppender
的3倍多。
到此,关于“Java日志性能实例分析”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注编程网网站,小编会继续努力为大家带来更多实用的文章!