前面已經介紹了很多zuul的功能，本篇繼續介紹它的另一大功能。在高並發的應用中，限流往往是一個繞不開的話題。本文詳細探討在Spring Cloud中如何實現限流。
在 Zuul 上實現限流是個不錯的選擇，只需要編寫一個過濾器就可以了，關鍵在於如何實現限流的算法。常見的限流算法有漏桶算法以及令牌桶算法。這個可參考 https://www.cnblogs.com/LBSer/p/4083131.html ，寫得通俗易懂，你值得擁有，我就不拽文了。
GoogleGuava 為我們提供了限流工具類 RateLimiter ，於是乎，我們可以擼代碼了。
簡單示例
@Component public class RateLimitZuulFilter extends ZuulFilter { private final RateLimiter rateLimiter = RateLimiter.create(1000.0); @Override public String filterType() { return FilterConstants.PRE_TYPE; } @Override public int filterOrder() { return Ordered.HIGHEST_PRECEDENCE; } @Override public boolean shouldFilter() { // 這里可以考慮弄個限流開啟的開關，開啟限流返回true，關閉限流返回false，你懂的。 return true; } @Override public Object run() { try { RequestContext currentContext = RequestContext.getCurrentContext(); HttpServletResponse response = currentContext.getResponse(); if (!rateLimiter.tryAcquire()) { HttpStatus httpStatus = HttpStatus.TOO_MANY_REQUESTS; response.setContentType(MediaType.TEXT_PLAIN_VALUE); response.setStatus(httpStatus.value()); response.getWriter().append(httpStatus.getReasonPhrase()); currentContext.setSendZuulResponse(false); throw new ZuulException( httpStatus.getReasonPhrase(), httpStatus.value(), httpStatus.getReasonPhrase() ); } } catch (Exception e) { ReflectionUtils.rethrowRuntimeException(e); } return null; } }
如上，我們編寫了一個 pre 類型的過濾器。對Zuul過濾器有疑問的可參考我的博客：
Spring Cloud內置的Zuul過濾器詳解：http://www.itmuch.com/spring-cloud/zuul/zuul-filter-in-spring-cloud
Spring Cloud Zuul過濾器詳解：http://www.itmuch.com/spring-cloud/zuul/spring-cloud-zuul-filter
在過濾器中，我們使用 GuavaRateLimiter 實現限流，如果已經達到最大流量，就拋異常
分布式場景下的限流
以上單節點Zuul下的限流，但在生產中，我們往往會有多個Zuul實例。對於這種場景如何限流呢？我們可以借助Redis實現限流。
使用redis實現，存儲兩個key，一個用於計時，一個用於計數。請求每調用一次，計數器增加1，若在計時器時間內計數器未超過閾值，則可以處理任務
if(!cacheDao.hasKey(TIME_KEY)) { cacheDao.putToValue(TIME_KEY, 0, 1, TimeUnit.SECONDS); } if(cacheDao.hasKey(TIME_KEY) && cacheDao.incrBy(COUNTER_KEY, 1) > 400) { // 拋個異常什么的 }
實現微服務級別的限流
一些場景下，我們可能還需要實現微服務粒度的限流。此時可以有兩種方案：
方式一：在微服務本身實現限流。
和在Zuul上實現限流類似，只需編寫一個過濾器或者攔截器即可，比較簡單，不作贅述。個人不太喜歡這種方式，因為每個微服務都得編碼，感覺成本很高啊。
加班那么多，作為程序猿的我們，應該學會偷懶，這樣才可能有時間孝順父母、抱老婆、逗兒子、遛狗養鳥、聊天打屁、追求人生信仰。好了不扯淡了，看方法二吧。
方法二：在Zuul上實現微服務粒度的限流。
在講解之前，我們不妨模擬兩個路由規則，兩種路由規則分別代表Zuul的兩種路由方式。
zuul:
routes:
microservice-provider-user: /user/**
user2:
url: http://localhost:8000/
path: /user2/**
如配置所示，在這里，我們定義了兩個路由規則， microservice-provider-user 以及 user2 ，其中 microservice-provider-user 這個路由規則使用到Ribbon + Hystrix，走的是 RibbonRoutingFilter ；而 user2 這個路由用不上Ribbon也用不上Hystrix，走的是 SipleRoutingFilter 。如果你搞不清楚這點，請參閱我的博客：
Spring Cloud內置的Zuul過濾器詳解：http://www.itmuch.com/spring-cloud/zuul/zuul-filter-in-spring-cloud
Spring Cloud Zuul過濾器詳解：http://www.itmuch.com/spring-cloud/zuul/spring-cloud-zuul-filter
搞清楚這點之后，我們就可以擼代碼了：
@Component public class RateLimitZuulFilter extends ZuulFilter { private Map<String, RateLimiter> map = Maps.newConcurrentMap(); @Override public String filterType() { return FilterConstants.PRE_TYPE; } @Override public int filterOrder() { // 這邊的order一定要大於org.springframework.cloud.netflix.zuul.filters.pre.PreDecorationFilter的order // 也就是要大於5 // 否則，RequestContext.getCurrentContext()里拿不到serviceId等數據。 return Ordered.LOWEST_PRECEDENCE; } @Override public boolean shouldFilter() { // 這里可以考慮弄個限流開啟的開關，開啟限流返回true，關閉限流返回false，你懂的。 return true; } @Override public Object run() { try { RequestContext context = RequestContext.getCurrentContext(); HttpServletResponse response = context.getResponse(); String key = null; // 對於service格式的路由，走RibbonRoutingFilter String serviceId = (String) context.get(SERVICE_ID_KEY); if (serviceId != null) { key = serviceId; map.putIfAbsent(serviceId, RateLimiter.create(1000.0)); } // 如果壓根不走RibbonRoutingFilter，則認為是URL格式的路由 else { // 對於URL格式的路由，走SimpleHostRoutingFilter URL routeHost = context.getRouteHost(); if (routeHost != null) { String url = routeHost.toString(); key = url; map.putIfAbsent(url, RateLimiter.create(2000.0)); } } RateLimiter rateLimiter = map.get(key); if (!rateLimiter.tryAcquire()) { HttpStatus httpStatus = HttpStatus.TOO_MANY_REQUESTS; response.setContentType(MediaType.TEXT_PLAIN_VALUE); response.setStatus(httpStatus.value()); response.getWriter().append(httpStatus.getReasonPhrase()); context.setSendZuulResponse(false); throw new ZuulException( httpStatus.getReasonPhrase(), httpStatus.value(), httpStatus.getReasonPhrase() ); } } catch (Exception e) { ReflectionUtils.rethrowRuntimeException(e); } return null; } }
簡單講解一下這段代碼：
對於 microservice-provider-user 這個路由，我們可以用 context.get(SERVICE_ID_KEY); 獲取到serviceId，獲取出來就是 microservice-provider-user；
而對於 user2 這個路由，我們使用 context.get(SERVICE_ID_KEY); 獲得是null，但是呢，可以用 context.getRouteHost() 獲得路由到的地址，獲取出來就是 http://localhost:8000/ 。接下來的事情，你們懂的。
改進與提升
實際項目中，除以上實現的限流方式，還可能會：
一、在上文的基礎上，增加配置項，控制每個路由的限流指標，並實現動態刷新，從而實現更加靈活的管理
二、基於CPU、內存、數據庫等壓力限流（感謝平安常浩智）提出。。
下面，筆者借助Spring Boot Actuator提供的 Metrics 能力進行實現基於內存壓力的限流——當可用內存低於某個閾值就開啟限流，否則不開啟限流。
@Component public class RateLimitZuulFilter extends ZuulFilter { @Autowired private SystemPublicMetrics systemPublicMetrics; @Override public boolean shouldFilter() { // 這里可以考慮弄個限流開啟的開關，開啟限流返回true，關閉限流返回false，你懂的。 Collection<Metric<?>> metrics = systemPublicMetrics.metrics(); Optional<Metric<?>> freeMemoryMetric = metrics.stream() .filter(t -> "mem.free".equals(t.getName())) .findFirst(); // 如果不存在這個指標，穩妥起見，返回true，開啟限流 if (!freeMemoryMetric.isPresent()) { return true; } long freeMemory = freeMemoryMetric.get() .getValue() .longValue(); // 如果可用內存小於1000000KB，開啟流控 return freeMemory < 1000000L; } // 省略其他方法 }
三、實現不同維度的限流
例如：
-
對請求的目標URL進行限流（例如：某個URL每分鍾只允許調用多少次）
-
對客戶端的訪問IP進行限流（例如：某個IP每分鍾只允許請求多少次）
-
對某些特定用戶或者用戶組進行限流（例如：非VIP用戶限制每分鍾只允許調用100次某個API等）
-
多維度混合的限流。此時，就需要實現一些限流規則的編排機制。與、或、非等關系。
參考文檔
-
分布式環境下限流方案的實現：http://blog.csdn.net/Justnow_/article/details/53055299