前言
不知道你在SpringBoot项目中，有没有遇到过下面这样的代码：
@GetMapping("/orders")
public List<Order> listOrders() {
return orderDao.findAll();
}
一次性查询了所有的订单，全表扫描50万数据，导致接口查询性能很差，严重的时候可能会导致OOM问题。
问题定位：
未分页查询
无缓存机制
未启用批量处理
这次事故让我明白：性能优化必须贯穿开发全流程。
今天这篇文章，跟大家一起聊聊SpringBoot优化的12招，希望对你会有所帮助。
第1招：连接池参数调优
问题场景：
默认配置导致连接池资源浪费，高并发时出现连接等待
错误配置：
spring:
datasource:
hikari:
maximum-pool-size: 1000
connection-timeout: 30000
数据库连接池的最大连接数，盲目设置过大，连接超时时间设置过长。
优化方案：
spring:
datasource:
hikari:
maximum-pool-size: ${CPU核心数*2} # 动态调整
minimum-idle: 5
connection-timeout: 3000 # 3秒超时
max-lifetime: 1800000 # 30分钟
idle-timeout: 600000 # 10分钟空闲释放
数据库连接池的最大连接数，改成根据CPU核心数动态调整。
将连接超时时间由30000，改成3000。
第2招：JVM内存优化
问题场景：
频繁Full GC导致服务卡顿
我们需要优化JVM参数。
启动参数优化：
java -jar -Xms4g -Xmx4g
-XX:NewRatio=1
-XX:+UseG1GC
-XX:MaxGCPauseMillis=200
-XX:InitiatingHeapOccupancyPercent=35
-XX:+AlwaysPreTouch
最大堆内存和初始堆内存都设置成了4G。
-XX:NewRatio=1，设置新生代和老年代各占一半。
垃圾收集器配置的是G1。
垃圾回收的最大停顿时间为200毫秒。
第3招：关闭无用组件
问题场景：
自动装配加载不需要的Bean
优化方案：
@SpringBootApplication(exclude = {
DataSourceAutoConfiguration.class,
SecurityAutoConfiguration.class
})
public class Application {
public static void main(String[] args) {
SpringApplication.run(Application.class, args);
}
}
如果有些功能暂时用不到，可以先排除一下。
在SpringBoot项目启动的时候，排除了DataSourceAutoConfiguration和SecurityAutoConfiguration配置类的自动装载。
第4招：响应压缩配置
问题场景：
接口返回JSON数据体积过大
优化方案：
server:
compression:
enabled: true
mime-types: text/html,text/xml,text/plain,text/css,text/javascript,application/json
min-response-size: 1024
配置开启响应的压缩。
第5招：请求参数校验
问题场景：
恶意请求导致资源耗尽
防御代码：
@GetMapping("/products")
public PageResult<Product> list(
@RequestParam @Max(value=100, message="页大小不能超过100") int pageSize,
@RequestParam @Min(1) int pageNum) {
//...
}
在接口中做好参数校验，可以拦截很多恶意请求。
第6招：异步处理机制
问题场景：
同步处理导致线程阻塞
优化方案：
@Async("taskExecutor")
public CompletableFuture<List<Order>> asyncProcess() {
return CompletableFuture.completedFuture(heavyProcess());
}
@Bean("taskExecutor")
public Executor taskExecutor() {
ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();
executor.setCorePoolSize(5);
executor.setMaxPoolSize(10);
executor.setQueueCapacity(500);
return executor;
}
在有些业务逻辑中，使用异步处理性能可能会更好。
第7招：使用缓存
使用缓存可以提升效率。
缓存架构：
代码实现：
@Cacheable(cacheNames = "products", key = "#id",
cacheManager = "caffeineCacheManager")
public Product getDetail(Long id) {
return productDao.getById(id);
}
这里使用了内存缓存。
第8招：批量操作优化
问题场景：
逐条插入导致性能低下
优化方案：
@Transactional
public void batchInsert(List<Product> products) {
jdbcTemplate.batchUpdate(
"INSERT INTO product(name,price) VALUES(?,?)",
products,
500, // 每批数量
(ps, product) -> {
ps.setString(1, product.getName());
ps.setBigDecimal(2, product.getPrice());
});
}
每500条数据插入一次数据库。
第9招：索引深度优化
问题场景：
慢查询日志频繁出现全表扫描，SQL执行时间波动大
错误案例：
-- 商品表结构
CREATETABLE products (
idBIGINT PRIMARY KEY,
nameVARCHAR(200),
categoryVARCHAR(50),
price DECIMAL(10,2),
create_time DATETIME
);
-- 低效查询
SELECT * FROM products
WHEREcategory = '手机'
AND price > 5000
ORDERBY create_time DESC;
问题分析：
优化方案一：联合索引设计
索引创建：
下面创建了一个分类ID，单价和时间的联合索引：
ALTER TABLE products
ADD INDEX idx_category_price_create
(category, price, create_time);
优化方案二：覆盖索引优化
查询改造：
只查询索引包含字段：
SELECT id, category, price, create_time
FROM products
WHERE category = '手机'
AND price > 5000
ORDER BY create_time DESC;
这里使用了覆盖索引。
优化方案三：索引失效预防
常见失效场景：
案例修复：
错误写法：
SELECT * FROM products
WHERE DATE(create_time) = '2023-01-01';
正确写法：
SELECT * FROM products
WHERE create_time BETWEEN '2023-01-01 00:00:00'
AND '2023-01-01 23:59:59';
查询时间范围，这里使用了BETWEEN AND关键字，代替了等于号。
优化方案四：索引监控分析
诊断命令：
查看索引使用情况：
SELECT
index_name,
rows_read,
rows_selected
FROM
sys.schema_index_statistics
WHERE
table_name = 'products';
分析索引效率：
EXPLAIN FORMAT=JSON
SELECT ...;
索引优化黄金三原则
最左前缀原则：联合索引的第一个字段必须出现在查询条件中
短索引原则：整型字段优先，字符串字段使用前缀索引
适度索引原则：单个表索引数量不超过5个，总索引长度不超过表数据量30%
DBA工具箱
索引分析脚本
执行计划可视化工具
索引碎片检测工具
第10招：自定义线程池
问题场景：
默认线程池导致资源竞争
优化方案：
@Bean("customPool")
public Executor customThreadPool() {
return new ThreadPoolExecutor(
10, // 核心线程
50, // 最大线程
60, TimeUnit.SECONDS,
new LinkedBlockingQueue<>(1000),
new CustomThreadFactory(),
new ThreadPoolExecutor.CallerRunsPolicy());
}
在高并发业务场景中，使用Executors类创建默认的线程池，可能会导致OOM问题。
因此，我们需要自定义线程池。
第11招：熔断限流策略
问题场景：
突发流量导致服务雪崩
解决方案：
// 使用Sentinel实现接口限流
@SentinelResource(value = "orderQuery",
blockHandler = "handleBlock",
fallback = "handleFallback")
@GetMapping("/orders/{id}")
public Order getOrder(@PathVariable Long id) {
return orderService.getById(id);
}
// 限流处理
public Order handleBlock(Long id, BlockException ex) {
thrownew RuntimeException("服务繁忙，请稍后重试");
}
// 降级处理
public Order handleFallback(Long id, Throwable t) {
return Order.getDefaultOrder();
}
为了解决重复流量导致服务雪崩的问题，我们需要增加接口熔断、限流和降级处理。
第12招：全链路监控体系
问题场景：
线上问题定位困难，缺乏数据支撑
我们需要增加项目全链路的监控。
监控方案：
# SpringBoot配置
management:
endpoints:
web:
exposure:
include: "*"
metrics:
export:
prometheus:
enabled: true
这里使用了prometheus监控。
监控架构：
核心监控指标：
总结
SpringBoot性能优化检查清单
连接池参数按业务调整
JVM参数经过压测验证
所有查询走缓存机制
批量操作替代逐条处理
线程池按场景定制
全链路监控覆盖
三条黄金法则：
预防性优化：编码时考虑性能影响
数据驱动：用监控指标指导优化方向
持续迭代：性能优化是持续过程
性能工具包
Arthas在线诊断
JProfiler性能分析
Prometheus监控体系
（看着监控大屏上平稳的QPS曲线，我知道今晚可以睡个好觉了...）
作者：苏三说技术
链接：https://juejin.cn