SSM框架实战：hami音乐项目架构与优化解析

1. SSM框架实战：hami音乐项目深度解析

作为一款基于SSM（Spring+SpringMVC+MyBatis）框架开发的音乐平台，hami音乐项目完整呈现了企业级Java Web应用的典型架构。我在实际开发中发现，这类项目最考验开发者对框架整合能力和业务逻辑解耦的把握。下面就以第三期开发为例，分享几个关键模块的实现细节。

提示：本文假设读者已掌握SSM基础配置，重点讲解业务层实现中的典型问题和优化方案

2. 核心模块设计与实现

2.1 音乐推荐模块实现

推荐算法采用混合策略：

1. 基于用户历史行为的协同过滤（占60%权重）
2. 基于音乐标签的内容推荐（占30%权重）
3. 热门歌曲补全（占10%权重）

具体实现代码示例：

java复制// RecommendationServiceImpl.java
public List<Music> recommend(Long userId) {
    // 获取用户最近播放记录
    List<PlayRecord> records = playRecordMapper.selectByUser(userId);
    
    // 三种推荐策略并行执行
    CompletableFuture<List<Music>> cf1 = CompletableFuture.supplyAsync(
        () -> cfRecommender.recommend(records));
    CompletableFuture<List<Music>> cf2 = CompletableFuture.supplyAsync(
        () -> contentRecommender.recommend(userId));
    CompletableFuture<List<Music>> cf3 = CompletableFuture.supplyAsync(
        () -> hotMusicService.getTop100());
    
    // 合并结果并加权
    return CompletableFuture.allOf(cf1, cf2, cf3)
        .thenApply(v -> {
            List<Music> result = new ArrayList<>();
            result.addAll(weight(cf1.join(), 0.6));
            result.addAll(weight(cf2.join(), 0.3));
            result.addAll(weight(cf3.join(), 0.1));
            return result;
        }).join();
}

2.2 高并发播放统计方案

音乐播放量统计面临的主要挑战：

• 高频写操作（每次播放都要更新）
• 数据一致性要求高
• 需要实时展示最新数据

我们最终采用的解决方案：

mermaid复制graph TD
    A[客户端播放事件] --> B[Redis计数器incr]
    B --> C{计数器达到100}
    C -->|是| D[批量写入MySQL]
    C -->|否| E[继续累积]

关键配置参数：

properties复制# redis计数器过期时间（秒）
music.playcount.expire=86400  
# 批量写入阈值
music.playcount.batch-size=100
# 定时任务补偿间隔（分钟）
music.playcount.compensate=5

3. 性能优化实践

3.1 MyBatis二级缓存优化

在音乐列表查询场景中，我们遇到缓存命中率低的问题。通过以下改进显著提升性能：

1. 细粒度缓存策略：

xml复制<!-- MusicMapper.xml -->
<cache eviction="LRU" flushInterval="3600000" 
       size="512" readOnly="true"/>

2. 按业务维度拆分缓存：

• 热门音乐缓存：设置较短过期时间（10分钟）
• 分类音乐缓存：设置较长过期时间（2小时）
• 个性化推荐缓存：按用户ID隔离

3.2 Spring事务优化

在用户收藏音乐的业务中，原始实现存在事务范围过大的问题：

优化前：

java复制@Transactional
public void addFavorite(Long userId, Long musicId) {
    // 1. 验证音乐存在
    Music music = musicMapper.selectById(musicId);
    if(music == null) throw new BizException("音乐不存在");
    
    // 2. 检查是否已收藏
    if(favoriteMapper.exists(userId, musicId)) {
        return;
    }
    
    // 3. 添加收藏记录
    favoriteMapper.insert(new Favorite(userId, musicId));
    
    // 4. 更新音乐收藏数
    musicMapper.incrementFavoriteCount(musicId);
    
    // 5. 记录用户行为
    userBehaviorService.log(userId, "FAVORITE", musicId);
}

优化后：

java复制public void addFavorite(Long userId, Long musicId) {
    // 非事务操作前置检查
    Music music = musicMapper.selectById(musicId);
    if(music == null) throw new BizException("音乐不存在");
    
    if(favoriteMapper.exists(userId, musicId)) {
        return;
    }
    
    // 仅对核心操作添加事务
    doAddFavorite(userId, musicId);
}

@Transactional(propagation = Propagation.REQUIRES_NEW)
protected void doAddFavorite(Long userId, Long musicId) {
    favoriteMapper.insert(new Favorite(userId, musicId));
    musicMapper.incrementFavoriteCount(musicId);
}

// 异步记录行为日志
@Async
public void logUserBehavior(Long userId, String action, Long musicId) {
    userBehaviorService.log(userId, action, musicId);
}

4. 典型问题排查实录

4.1 音乐搜索性能问题

现象：当搜索关键词包含特殊符号时，响应时间从平均200ms飙升到2s+

排查过程：

1. 检查MySQL慢查询日志，发现like查询未走索引
2. 分析发现MyBatis生成的SQL未对特殊字符转义
3. 确认是MySQL的like语法特性导致

解决方案：

java复制// 在Service层添加过滤处理
public List<Music> search(String keyword) {
    // 过滤特殊字符
    String safeKeyword = keyword.replaceAll("[%_]", "\\\\$0");
    return musicMapper.searchByName(safeKeyword);
}

// MyBatis映射文件调整
<select id="searchByName" resultType="Music">
    SELECT * FROM music 
    WHERE name LIKE CONCAT('%', #{keyword}, '%') ESCAPE '\\'
</select>

4.2 文件上传内存溢出

现象：上传大尺寸音乐文件时频繁出现OOM

根本原因：
Spring默认使用内存缓存上传文件，当并发上传大文件时会耗尽堆内存

优化方案：

java复制@Bean
public MultipartConfigElement multipartConfigElement() {
    MultipartConfigFactory factory = new MultipartConfigFactory();
    // 临时目录存储阈值（超过1MB就写入磁盘）
    factory.setMaxFileSize(DataSize.ofMegabytes(1));
    factory.setLocation(System.getProperty("java.io.tmpdir"));
    return factory.createMultipartConfig();
}

// 控制器添加流式处理
@PostMapping("/upload")
public String upload(@RequestParam MultipartFile file) {
    try (InputStream is = file.getInputStream()) {
        storageService.streamUpload(is, file.getOriginalFilename());
        return "success";
    }
}

5. 部署架构优化

5.1 生产环境配置建议

推荐采用以下部署架构：

code复制前端Nginx（负载均衡+静态资源）
  ↓
Spring应用集群（无状态部署）
  ↓
Redis集群（缓存+会话）
  ↓
MySQL主从（读写分离）
  ↓
Elasticsearch（搜索专用）

关键配置项：

yaml复制# application-prod.yml
spring:
  datasource:
    url: jdbc:mysql://master:3306,slave:3306/hami?useSSL=false
    hikari:
      readOnly: true # 从库连接标记
  redis:
    cluster:
      nodes: redis1:6379,redis2:6379,redis3:6379

5.2 监控方案实施

我们集成的监控组件：

1. Prometheus + Grafana（系统指标）
2. SkyWalking（分布式追踪）
3. ELK（日志分析）

关键监控指标示例：

java复制// 自定义业务指标
@RestController
public class MetricsController {
    
    private final Counter playCounter;
    
    public MetricsController(MeterRegistry registry) {
        playCounter = registry.counter("music.play.count");
    }
    
    @PostMapping("/play")
    public void recordPlay(@RequestParam Long musicId) {
        playCounter.increment();
        // ...业务逻辑
    }
}

6. 项目演进建议

根据实际运营数据，后续可重点优化：

1. 推荐算法升级：引入深度学习模型
2. 缓存策略细化：按地域分级缓存
3. 灰度发布方案：基于用户标签的AB测试
4. 容灾方案完善：多活数据中心部署

在迭代过程中，特别要注意保持配置的灵活性。比如我们将所有算法参数都设计为可动态调整：

java复制// 配置中心管理算法参数
@RefreshScope
@Service
public class RecommendService {
    
    @Value("${recommend.cf.weight:0.6}")
    private double cfWeight;
    
    @Value("${recommend.content.weight:0.3}") 
    private double contentWeight;
    
    // 可随时通过配置中心调整权重
}