UUID(Universally Unique Identifier 通用唯一识别码)用于标识资源唯一性。理论上说,门牌号、电话号码、邮编、身份证号都是用来标识资源唯一性的,但为使用方便,不适合用一个无规律的字符串表示,UUID 主要还是在程序中使用。
UUID 源自1980年代的 Apollo 电脑公司,是一个 128 位的标识符,理论上的总数有 2128个,也就是说,哪怕每纳秒产生 1 万亿个 UUID,也要 100 亿年才能用完。因此,只要保证生成方法的散布足够好,统计概率上,UUID 重复的可能性约等于 0 。
UUID 的具体规范可以参考 RFC 4122。这个标准定义了 5 个版本的 UUID:
我们常看到的 UUID 往往被表示为 16 进制数字和横杠组成的字符串,比如:a3535b78-69dd-4a9e-9a79-57e2ea28981b,其中第二个横杠之后的第一个数字表示 UUID 版本,例子中这个 UUID 就是版本 4 的。
大多数人在数据库中存储 UUID 的直接原因,是需要一个不暴露内部信息的唯一标识。例如博客文章,Title 无法保证不重复,数字 ID 则会暴露内部信息,于是,可以生成一个 UUID 作为唯一标识。类似地,我们在网上请求的许多公开资源,如图片、音频、以及其他文件等,都是以 UUID 作为标识的。
第二个原因,是为了方便数据管理:
一般不推荐把 UUID 作为主键,它会带来不少问题:
我们知道,使用自增 ID 作为主键时,插入新的数据行往往是连续的,插入多条数据只需要读写少数数据页。但由于 UUID 的随机性,新插入的数据往往会落在不同的数据页上,导致数据碎片化,同样的数据量,可能需要更大的空间才能存储。
同时,当数据量上升,内存中无法暂存足够多的数据页时,每次插入数据都可能涉及硬盘读写,极大地拖慢了数据插入效率。
大多数人会把 UUID 保存为 16 进制数字和横杠组成的字符串,也就是 char(36),如果采用 UTF-8 字符集,它所占的字节数是 2 + 3 * 36 = 110 字节(前面 2 个字节为长度,后面每个字符 3 个字节)。相较而言,一个整数只有 4 个字节,相差 27 倍。
数据库采用 B 树索引,其中主键索引的叶子节点指向数据行,而二级索引的叶子节点存储着主键,之后再通过主键索引回表查数据。也就是说,有多少个二级索引,主键就需要被存储几次,因此,索引的空间需求就极速扩张了。
在数据库运行过程中,为加快查询速度,这些索引往往需要被加载到内存中。那么,过大的索引导致内存不足,就会严重影响数据库查询效率。
CPU 每次最多可以比较 8 个字节的整数值,但对于字符串,必须一个字符一个字符比较过去。有测试说明,在查询比较时,使用整数的速度比使用字符串的速度快数倍到数十倍之间。
不过,一般来说,数据库不是一个 CPU 密集的应用,因此这方面的影响不是主要考虑因素。
将 UUID 存储为 16 进制值和横杠组成的字符串是非常低效的,UUID 本身只有 128 位,也就是 16 字节,存储成字符串后却有 110 个字节,膨胀了 7 倍,凭空多占了不少空间。优化的思路就是采用更好的格式,比如直接存储二进制,或者将二进制值存储为 base64 字符串。相对复杂一点的是将 UUID 映射到一个整数。
优化存储格式的具体实现都不困难,也能相当程度地节约存储空间,但并没有解决 UUID 的随机性带来的数据碎片化的问题。
针对碎片化的问题,有一个思路是控制随机性,也就是增加一个自己生成的字符串作为前缀,比如说日期(或它的哈希值)。因为字符串排序从前往后走,同样的前缀也就意味着接近的排序,那么,原本散布在整个数据库的值,就会集中分布在一定范围内的数据页,从而大大缓解了内存压力。
更常见的思路,是使用自增 ID 作为主键,同时使用 UUID 作为唯一标识和与其它表关联的外键。好处是有了一个可以比较安全地对外暴露的唯一标识,节约了索引空间,也不用担心数据分片和数据重建带来的危险。
但也存在一些问题,因为所有的外键关联都用的 UUID,所以占用的空间自然会大一些,同时,字符串比较速度较慢和所有查询都要回表也是值得考虑的因素。
很多小型应用不需要考虑数据管理的问题,只是需要一个可以对外暴露的唯一标识,于是,干脆放弃 UUID,采用其他思路实现标识的唯一性。
比如说前面说的博客文章,鉴于 Title 没法保证唯一性,可以在 Title 前后加上一个前缀或者后缀,从而实现唯一性。一个思路是使用随机字符串,或者作者、日期等信息。
又比如说,将每个数据行映射到一个大整数作为唯一标识。某种意义上等于根据自己的实际需要写了一套新的唯一标识算法。
END