做java開發一定要知道的日誌效能那些事
在任何系統中，日誌都是非常重要的組成部分，它是反映系統執行情況的重要依據，也是排查問題時的必要線索。絕大多數人都認可日誌的重要性，但是又有多少人仔細想過該怎麼打日誌，日誌對效能的影響究竟有多大呢？今天就讓我們來聊聊Java日誌效能那些事。
說到Java日誌，大家肯定都會說要選擇合理的日誌級別、合理控制日誌內容，但是這僅是萬里長征第一步……哪怕一些DEBUG級別的日誌在生產環境中不會輸出到檔案中，也可能帶來不小的開銷。我們撇開判斷和方法呼叫的開銷，在Log4J 2。x的效能文件中有這樣一組對比：
logger。debug（“Entry number： ” + i + “ is ” + String。valueOf（entry［i］））；
logger。debug（“Entry number： {} is {}”， i， entry［i］）；
上面兩條語句在日誌輸出上的效果是一樣的，但是在關閉DEBUG日誌時，它們的開銷就不一樣了，主要的影響在於字串轉換和字串拼接上，無論是否生效，前者都會將變數轉換為字串並進行拼接，而後者則只會在需要時執行這些操作。Log4J官方的測試結論是兩者在效能上能相差兩個數量級。試想一下，如果某個物件的toString（）方法裡用了ToStringBuilder來反射輸出幾十個屬性時，這時能省下多少資源。
因此，某些仍在使用Log4J 1。x或Apache Commons Logging（它們不支援{}模板的寫法）的公司都會有相應的編碼規範，要求在一定級別的日誌（比如DEBUG和INFO）輸出前增加判斷：
if （logger。isDebugEnabled（）） {
logger。debug（“Entry number： ” + i + “ is ” + String。valueOf（entry［i］））；
}
除了日誌級別和日誌訊息，通常在日誌中還會包含一些其他資訊，比如日期、執行緒名、類資訊、MDC變數等等，根據Takipi的測試，如果在日誌中加入class，效能會急劇下降，比起LogBack的預設配置，吞吐量的降幅在6成左右。如果一定要列印類資訊，可以考慮用類名來命名Logger。
在分散式系統中，一個請求可能會經過多個不同的子系統，這時最好生成一個UUID附在請求中，每個子系統在列印日誌時都將該UUID放在MDC裡，便於後續查詢相關的日誌。《The Ultimate Guide： 5 Methods For Debugging Production Servers At Scale》一文中就如何在生產環境中進行除錯給出了不少建議，當中好幾條是關於日誌的，這就是其中之一。另一條建議是記錄下所有未被捕獲的日誌，其實丟擲異常有開銷，記錄異常同樣會帶來一定的開銷，主要原因是Throwable類的fillInStackTrace方法預設是同步的：
public synchronized native Throwable fillInStackTrace（）；
一般使用logger。error都會打出異常的堆疊，如果對吞吐量有一定要求，在情況執行時可以考慮覆蓋該方法，去掉synchronized native，直接返回例項本身。
聊完日誌內容，再來看看Appender。在Java中，說起IO操作大家都會想起NIO，到了JDK 7還有了AIO，至少都知道讀寫加個Buffer，日誌也是如此，同步寫的Appender在高併發大流量的系統裡多少有些力不從心，這時就該使用AsyncAppender了，同樣是使用LogBack：
在10執行緒併發下，輸出200字元的INFO日誌，AsyncAppender的吞吐量最高能是FileAppender的3。7倍。在不丟失日誌的情況下，同樣使用AsyncAppender，佇列長度對效能也會有一定影響。
如果使用Log4J 2。x，那麼除了有AsyncAppender，還可以考慮效能更高的非同步Logger，由於底層用了Disruptor，沒有鎖的開銷，效能更為驚人。根據Log4J 2。x的官方測試，同樣使用Log4J 2。x：
64執行緒下，非同步Logger比非同步Appender快12倍，比同步Logger快
68
倍。
同樣是非同步，不同的庫之間也會有差異：
同等硬體環境下，Log4J 2。x全部使用非同步Logger會比LogBack的AsyncAppender快12倍，比Log4J 1。x的非同步Appender快19倍。
Log4J 2。x的非同步Logger效能強悍，但也有不同的聲音，覺得這只是個看上去很優雅，只能當成一個玩具。關於這個問題，還是留給讀者自己來思考吧。
如果一定要用同步的Appender，那麼可以考慮使用ConsoleAppender，然後將STDOUT重定向到檔案裡，這樣大約也能有10%左右的效能提升。
大部分生產系統都是叢集部署，對於分佈在不同伺服器上的日誌，用Logstash之類的工具收集就好了。很多時候還會在單機上部署多例項以便充分利用伺服器資源，這時千萬不要貪圖日誌監控或者日誌查詢方便，將多個例項的日誌寫到同一個日誌檔案中，雖然LogBack提供了prudent模式，能夠讓多個JVM往同一個檔案裡寫日誌，但此種方式對效能同樣也有影響，大約會使效能降低10%。
如果對同一個日誌檔案有大量的寫需求，可以考慮拆分日誌到不同的檔案，做法之一是新增多個Appender，同時修改程式碼，不同的情況使用不同Logger；LogBack提供了SiftingAppender，可以直接根據MDC的內容拆分日誌，Jetty的教程中就有根據host來拆分日誌的範例，而根據Takipi的測試，SiftingAppender的效能會隨著拆分檔案數的增長一同提升，當拆分為4個檔案時，10併發下SiftingAppender的吞吐量約是FileAppender的3倍多。
看了上面這麼多的資料，不知您是否覺得自己的日誌有不少改進的餘地，您還沒有把系統最佳化到極致，亦或者您還有其他日誌最佳化的方法，不妨分享給大家。
