連接（connection）影響MySQL性能

請(qǐng)問各位這個(gè)怎么解決，前幾天的面試題目

現(xiàn)象：連接（connection）也是影響MySQL性能的重要一方面。MySQL客戶機(jī)與MySQL服務(wù)器之間的連接是MySQL客戶機(jī)與MySQL服務(wù)器反復(fù)握手的結(jié)果。每次'握手'都經(jīng)歷身份驗(yàn)證、權(quán)限驗(yàn)證等環(huán)節(jié)，握手需要占用一定的網(wǎng)絡(luò)資源和MySQL服務(wù)器內(nèi)存資源。
針對(duì)以上現(xiàn)象，請(qǐng)?zhí)岢鼋鉀Q方案？？

回答

編輯回答

傲嬌范

eg : 執(zhí)行100次 update sql

未使用連接池執(zhí)行sql


-- 步驟    建立連接（認(rèn)證、權(quán)限等）     執(zhí)行sql              銷毀連接
-- 耗時(shí)： |<--------- t1 -------->|<------ t2 ----->|<------- t3 ------>

-- 總耗時(shí)： tt1 = 100 *（t1 + t2 + t3）

使用連接池執(zhí)行sql


-- 預(yù)先建立 5 連接并保存起來復(fù)用
-- 耗時(shí)   5 * t1  
-- 總耗時(shí)： tt2 = (5 * t1) + 100 * t2
-- 注：連接池的連接可以復(fù)用，下次不需要在重新建立連接，創(chuàng)建一次即可

很顯然： tt2 < tt1

so，使用連接池可以解決因?yàn)閳?zhí)行sql所帶來的額外開銷的問題！

Java中常用的數(shù)據(jù)庫連接池

C3P0是一個(gè)開放源代碼的JDBC連接池，它在lib目錄中與Hibernate一起發(fā)布,包括了實(shí)現(xiàn)jdbc3和jdbc2擴(kuò)展規(guī)范說明的Connection和Statement 池的DataSources對(duì)象。（主頁：http://sourceforge.net/projec...）
BoneCP 是一個(gè)開源的快速的 JDBC 連接池。BoneCP很小，只有四十幾K（運(yùn)行時(shí)需要log4j和Google Collections的支持，這二者加起來就不小了），而相比之下 C3P0 要六百多K。另外個(gè)人覺得 BoneCP有個(gè)缺點(diǎn)是，JDBC驅(qū)動(dòng)的加載是在連接池之外的，這樣在一些應(yīng)用服務(wù)器的配置上就不夠靈活。當(dāng)然，體積小并不是 BoneCP優(yōu)秀的原因，BoneCP 到底有什么突出的地方呢，請(qǐng)看看性能測試報(bào)告。（主頁：http://jolbox.com/）
DBCP （Database Connection Pool）是一個(gè)依賴Jakarta commons-pool對(duì)象池機(jī)制的數(shù)據(jù)庫連接池，Tomcat的數(shù)據(jù)源使用的就是DBCP。目前 DBCP 有兩個(gè)版本分別是 1.3 和1.4。1.3 版本對(duì)應(yīng)的是 JDK 1.4-1.5 和 JDBC 3，而1.4 版本對(duì)應(yīng) JDK 1.6 和 JDBC 4。因此在選擇版本的時(shí)候要看看你用的是什么 JDK版本了，功能上倒是沒有什么區(qū)別。（主頁：http://commons.apache.org/dbcp/）
Druid is a distributed, column-oriented, real-time analytics data store that is commonly used to power exploratory dashboards in multi-tenant environments. Druid excels as a data warehousing solution for fast aggregate queries on petabyte sized data sets. Druid supports a variety of flexible filters, exact calculations, approximate algorithms, and other useful calculations. Druid can load both streaming and batch data and integrates with Samza, Kafka, Storm, Spark, and Hadoop.(http://druid.io/)