前面我们讲了 Nacos 客户端 如何获取实例列表，如何进行缓存处理，以及如何订阅实例列表的变更。在获取到一个实例列表之后，你是否想过一个问题：如果实例列表有100个实例，Nacos客户端是如何从中选择一个呢?
这篇文章，就带大家从源码层面分析一下，Nacos客户端采用了如何的算法来从实例列表中获取一个实例进行请求的。也可以称作是Nacos客户端的 负载均衡 算法。
单个实例获取
NamingService不仅提供了获取实例列表的方法，也提供了获取单个实例的方法，比如：
Instance selectOneHealthyInstance(String serviceName, String groupName, List<String> clusters, boolean subscribe) throws NacosException;该方法会根据预定义的负载算法，从实例列表中获得一个健康的实例。其他重载的方法功能类似，最终都会调用该方法，我们就以此方法为例来分析一下具体的算法。
具体实现代码：
@Override public Instance selectOneHealthyInstance(String serviceName, String groupName, List<String> clusters, boolean subscribe) throws NacosException { String clusterString = StringUtils. join (clusters, "," ); if (subscribe) { // 获取ServiceInfo ServiceInfo serviceInfo = serviceInfoHolder.getServiceInfo(serviceName, groupName, clusterString); if ( null == serviceInfo) { serviceInfo = clientProxy.subscribe(serviceName, groupName, clusterString); } // 通过负载均衡算法获得其中一个实例 return Balancer.RandomByWeight.selectHost(serviceInfo); } else { // 获取ServiceInfo ServiceInfo serviceInfo = clientProxy .queryInstancesOfService(serviceName, groupName, clusterString, 0, false ); // 通过负载均衡算法获得其中一个实例 return Balancer.RandomByWeight.selectHost(serviceInfo); } }selectOneHealthyInstance方法逻辑很简单，调用我们之前讲到的方法获取ServiceInfo对象，然后作为参数传递给负载均衡算法，由负载均衡算法计算出最终使用哪个实例(Instance)。
算法参数封装
先跟踪一下代码实现，非核心业务逻辑，只简单提一下。
上面的代码可以看出调用的是Balancer内部类RandomByWeight的selectHost方法：
public static Instance selectHost(ServiceInfo dom) { // ServiceInfo中获去实例列表 List<Instance> hosts = selectAll(dom); // ... return getHostByRandomWeight(hosts); }selectHost方法核心逻辑是从ServiceInfo中获取实例列表，然后调用getHostByRandomWeight方法：
protected static Instance getHostByRandomWeight(List<Instance> hosts) { // ... 判断逻辑 // 重新组织数据格式 List<Pair<Instance>> hostsWithWeight = new ArrayList<Pair<Instance>>(); for (Instance host : hosts) { if (host.isHealthy()) { hostsWithWeight. add (new Pair<Instance>(host, host.getWeight())); } } // 通过Chooser来实现随机权重负载均衡算法 Chooser<String, Instance> vipChooser = new Chooser<String, Instance>( "www.taobao.com" ); vipChooser.refresh(hostsWithWeight); return vipChooser.randomWithWeight(); }getHostByRandomWeight前半部分是将Instance列表及其中的权重数据进行转换，封装成一个Pair，也就是建立成对的关系。在此过程中只使用了健康的节点。
真正的算法实现则是通过Chooser类来实现的，看名字基本上知道实现的策略是基于权重的随机算法。
负载均衡算法实现
所有的负载均衡算法实现均位于Chooser类中，Chooser类的提供了两个方法refresh和randomWithWeight。
refresh方法用于筛选数据、检查数据合法性和建立算法所需数据模型。
randomWithWeight方法基于前面的数据来进行随机算法处理。
先看refresh方法：
public void refresh(List<Pair<T>> itemsWithWeight) { Ref<T> newRef = new Ref<T>(itemsWithWeight); // 准备数据，检查数据 newRef.refresh(); // 上面数据刷新之后，这里重新初始化一个GenericPoller newRef.poller = this.ref.poller.refresh(newRef.items); this.ref = newRef; }基本步骤：
创建Ref类，该类为Chooser的内部类; 调用Ref的refresh方法，用于准备数据、检查数据等; 数据筛选完成，调用poller#refresh方法，本质上就是创建一个GenericPoller对象; 成员变量重新赋值;这里重点看Ref#refresh方法：
/** * 获取参与计算的实例列表、计算递增数组数总和并进行检查 */ public void refresh() { // 实例权重总和 Double originWeightSum = ( double ) 0; // 所有健康权重求和 for (Pair<T> item : itemsWithWeight) { double weight = item.weight(); // ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest // 权重小于等于0则不参与计算 if (weight <= 0) { continue ; } // 有效实例放入列表 items. add (item.item()); // 如果值无限大 if ( Double .isInfinite(weight)) { weight = 10000.0D; } // 如果值为非数字 if ( Double .isNaN(weight)) { weight = 1.0D; } // 权重值累加 originWeightSum += weight; } double [] exactWeights = new double [items. size ()]; int index = 0; // 计算每个节点权重占比，放入数组 for (Pair<T> item : itemsWithWeight) { double singleWeight = item.weight(); // ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest if (singleWeight <= 0) { continue ; } // 计算每个节点权重占比 exactWeights[ index ++] = singleWeight / originWeightSum; } // 初始化递增数组 weights = new double [items. size ()]; double randomRange = 0D; for ( int i = 0; i < index ; i++) { // 递增数组第i项值为items前i个值总和 weights[i] = randomRange + exactWeights[i]; randomRange += exactWeights[i]; } double doublePrecisionDelta = 0.0001; // index 遍历完则返回； // 或weights最后一位值与1相比，误差小于0.0001，则返回 if ( index == 0 || (Math. abs (weights[ index - 1] - 1) < doublePrecisionDelta)) { return ; } throw new IllegalStateException( "Cumulative Weight calculate wrong , the sum of probabilities does not equals 1." ); }可结合上面代码中的注释来理解，核心步骤包括以下：
遍历itemsWithWeight，计算权重总和数据;非健康节点会被剔除掉; 计算每个节点的权重值在总权重值中的占比，并存储在exactWeights数组当中; 将exactWeights数组当中值进行数据重构，形成一个递增数组weights(每个值都是exactWeights坐标值的总和)，后面用于随机算法; 判断是否循环完成或误差在指定范围内(0.0001)，符合则返回。所有数据准备完成，调用随机算法方法randomWithWeight：
public T randomWithWeight() { Ref<T> ref = this.ref; // 生成0-1之间的随机数 double random = ThreadLocalRandom. current ().nextDouble(0, 1); // 采用二分法查找数组中指定值，如果不存在则返回（-(插入点) - 1），插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。 int index = Arrays.binarySearch(ref.weights, random); // 如果没有查询到（返回-1或 "-插入点" ） if ( index < 0) { index = - index - 1; } else { // 命中直接返回结果 return ref.items.get( index ); } // 判断坐标未越界 if ( index < ref.weights.length) { // 随机数小于指定坐标的数值，则返回坐标值 if (random < ref.weights[ index ]) { return ref.items.get( index ); } } // 此种情况不应该发生，但如果发生则返回最后一个位置的值 /* This should never happen, but it ensures we will return a correct * object in case there is some floating point inequality problem * wrt the cumulative probabilities. */ return ref.items.get(ref.items. size () - 1); }该方法的基本操作如下：
生成一个0-1的随机数; 使用Arrays#binarySearch在数组中进行查找，也就是二分查找法。该方法会返回包含key的值，如果没有则会返回]-1[或]-插入点[，插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。 如果命中则直接返回;如果未命中则对返回值取反减1，获得index值; 判断index值，符合条件，则返回结果;至此，关于Nacos客户端实例获取的负载均衡算法代码层面追踪完毕。
算法实例演示
下面用一个实例来演示一下，该算法中涉及的数据变化。为了数据美观，这里采用4组数据，每组数据进来确保能被整除;
节点及权重数据(前面节点，后面权重)如下：
1 100 2 25 3 75 4 200第一步，计算权重综合：
originWeightSum = 100 + 25 + 75 + 200 = 400第二步，计算每个节点权重比：
exactWeights = {0.25, 0.0625, 0.1875, 0.5}第三步，计算递增数组weights：
weights = {0.25, 0.3125, 0.5, 1}第四步，生成0-1的随机数：
random = 0.3049980013493817第五步，调用Arrays#binarySearch从weights中搜索random：
index = -2关于Arrays#binarySearch(double[] a, double key)方法这里再解释一下，如果传入的key恰好在数组中，比如1，则返回的index为3;如果key为上面的random值，则先找到插入点，取反，减一。
插入点即第一个大于此key的元素索引，那么上面第一个大于0.3049980013493817的值为0.3125，那么插入点值为1;
于是按照公式计算Arrays#binarySearch返回的index为：
index = - ( 1 ) - 1 = -2第六步，也就是没有恰好命中的情况：
index = -( -2 ) - 1 = 1然后判断index是否越界，很明显 1 < 4，未越界，则返回坐标为1的值。
算法的核心
上面演示了算法，但这个算法真的能够做到按权重负载吗?我们来分析一下这个问题。
这个问题的重点不在random值，这个值基本上是随机的，那么怎么保证权重大的节点获得的机会更多呢?
这里先把递增数组weights用另外一个形式来表示：
上面的算法可以看出，weights与exactWeights为size相同的数组，对于同一坐标(index)，weights的值是exactWeights包含当前坐标及前面所有坐标值的和。
如果把weights理解成一条线，对应节点的值是线上的一个个点，体现在图中便是(图2到图5)有色(灰色+橘黄色)部分。
而Arrays#binarySearch算法的插入点获取的是第一个大于key(也就是random)的坐标，也就是说每个节点享有的随机范围不同，它们的范围由当前点和前一个点的区间决定，而这个区间正好是权重比值。
权重比值大的节点，占有的区间就比较多，比如节点1占了1/4，节点4占了1/2。这样，如果随机数是均匀分布的，那么占有范围比较大的节点更容易获得青睐。也就达到了按照权重获得被调用的机会了。
小结
本篇文章追踪Nacos客户端源码，分析了从实例列表中获得其中一个实例的算法，也就是随机权重负载均衡算法。整体业务逻辑比较简单，从ServiceInfo中获得实例列表，一路筛选，选中目标实例，然后根据它们的权重进行二次处理，数据结构封装，最后基于Arrays#binarySearch提供的二分查找法来获得对应的实例。
而我们需要注意和学习的重点便是权重获取算法的思想及具体实现，最终达到能够在实践中进行运用。
原文链接：https://mp.weixin.qq.com/s/9I-BlPFudUIDqacrlTdhxg
查看更多关于Nacos客户端是如何实现实例获取的负载均衡呢？的详细内容...