故事发生的背景是，在文件上传的时候，有时间会有人上传了文件，但是最后没有使用上传的文件，这样就会产生一些垃圾文件。
原来软件作者就想写一个后台定时任务程序，来清除这些垃圾文件？
由于作者坚定的不让我发她的SQL语句（这个我也理解，这么丑陋的SQL），所以这里就不发源代码了，发伪代码。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
void deleteMissLinkFile{
List fileList=getFileList();
List deleteFileList=new ArrayList();
for(file:fileList){
int count1=execute(select count(*) from ...);
int count2=execute(select count(*) from ...);
int count3=execute(select count(*) from ...);
int count4=execute(select count(*) from ...);
int count5=execute(select count(*) from ...);
if(count1==0&&count2==0&&count3==0&&count4==0&&count5==0){
deleteFileList.add(file);
}
}
delete(deleteFileList);
} |
这个时候的性能情况是怎么样的呢？说是表里的数据只有500多条，但是执行时间要100多秒，但是实际上实际的应用场景都远不止这个数量级，而且随着数据的增加，性能会呈指数级下降。
我说你去加10万条记录测试一下，保证你一晚上算不出来。
好吧，废话少说，接下来看看怎么优化这段程序。
在开始之前，我们可以假设有N个文件，有M个文件引用表，而且假设所有的文件引用表中的记录条数都一样。
很显然，原来的实现方法中执行了：1次文件数查询+N*M次统计操作
最笨的优化方法
先用成本最低的方式来优化一把：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
void deleteMissLinkFile{
List fileList=getFileList();
List deleteFileList=new ArrayList();
for(file:fileList){
int count1=execute(select count(*) from ...);
if(count1>0)continue;
int count2=execute(select count(*) from ...);
if(count2>0)continue;
int count3=execute(select count(*) from ...);
if(count3>0)continue;
int count4=execute(select count(*) from ...);
if(count4>0)continue;
int count5=execute(select count(*) from ...);
if(count1>0)continue;
deleteFileList.add(file);
}
delete(deleteFileList);
} |
原因，原来是要把所有的统计值都算出来，再进行判断，通过上面的重构，平均只要查一半就可以退出了，所以性能会有1倍的提升。
1次文件数查询+N*M/2次统计操作
一般的优化方法
偶当时提醒她说，你可以把内外换换，性能就会提升许多，结果死活听不懂，
实际上逻辑是这样的，由于统计操作的执行效率是非常低的，而带主键的查询速度是非常快的，也就是把逻辑从：遍历所有的文件看看引用次数是多少，改变成从所有文件列表中删除所有已经引用的文件，其余就是要删除的垃圾文件。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
void deleteMissLinkFile{
List fileList=getFileList();
List refList1=execute(select file from tb1…)
for(ref:refList1){
fileList.remove(ref)
}
List refList2=execute(select file from tb2…)
for(ref:refList2){
fileList.remove(ref)
}
……
delete(deleteFileList);
} |
1+m 条SQL语句，其它都是大量的内存数据比对，相对来说，性能会高太多，通过一定的技巧进行一些优化，会有更大的提升。
这种方式，我毛估估比原始的方式，可以提高两个数量级以上。
为什么提高了两个左右数量级还是说比较笨的方法呢？
因为这种方法虽然比原始的方法有了显著的提升，但是还是存在严重的设计问题的。
首先，当数据量比较小的时候（这里的小是指与互联网应用中的数据相比），做完全遍历是没有问题的，但是当数据量比较大的时候，用一条SQL来遍历所有的数据，就是有非常大的问题的。这个时候就要引入一系列的复杂问题来解决，比如：把单机计算变成集群计算，把整个计算变成分段时间，不管怎么样，都是非常复杂的处理过程。
无为而治的方法
下面就要推出最快的、最省事的、效率最高的方法。
其实一般来说，只要是算法都是有优化空间和余地的，因此一般来说本人很少把话说满的。这次本人使用了“最”字，那就是用来表明未来已经没有优化的空间了，那什么样的算法才能没有优化的空间呢？答案就是：啥也不做。
当然了，实际上也不可能啥也不做，问题就在哪里，你不做怎么可能好呢？
实际上就是把任务进行一定的分解。通过把架构进行合理的分析与设计，把所有的文件上传、删除都做成公共的方法（或服务），在需要与文件打交道的地方，凡是与文件打交道的时候，做如下处理：
- 文件上传：在文件上传数据中加一条数据，比如：文件相关信息，唯一标识，引用次数为0
- 文件关联：当数据与文件关联的时候，修改引用次数为+1
- 文件取消关联：当数据与文件取消关联的时候（一般来说是删除或编辑的时候置为空或者换成另外一个的时候），修改引用次数为-1
自次，当要清理垃圾的时候，就非常简单的了，只要：
select ... from ... where ref_times=0
然后进行相应的清理工作就好。
这个时候就优化了处理模式，并且把文件引用数据的维护分解到业务工作的过程当中，可以极大幅度的提升清理垃圾的处理效率。当然有的人说了：如果这么做，会使得我的业务处理过程变慢，那怎么办？其实也没有关系了，你可以把这个变成异步消息的方式，通知文件引用处理去做这件事情就行了，这样就不会影响到你的业务处理效率了。
总结
通过上面的分析，我们对文件上传过程中的垃圾清理过程进行优化，并分析了原来的问题之所在，及后面3种优化方式及其优缺点对比。
当然，实际上许多朋友也会有更好的办法来解决，欢迎大家参与讨论，并批评指正。
如果，你喜欢我的博文，请关注我，以便收到我的最新动态。
如果对我的开源框架感兴趣，可以从这里获取到最新的代码，也可以访问Tiny官网获取更多的消息，或到Tiny社区进行即时交流。