-M1量程和量程精度增加一倍数据量增加75%，测量精度实现业界一流水平；-在快速增长的工业自动化市场中扩展Quanergy的工业产品组合；-M1的性价比是目前市场上传统工业激光雷达（LiDAR）传感器性能的两倍新型M1传感器的性价比是市场上传统工业激光雷达传感器的两倍据麦姆斯咨询报道，总部位于加利福尼亚州桑尼维尔嘚激光雷达传感器和智能传感解决方案领先供应商QuanergySystems,Inc.（以下简称：Quanergy）近日推出了一款适用于中远程、高精度测量应用的新一代2D工业激光雷達传感器M1。M1将加入Quanergy的M系列提供的性价比是传统工业激光雷达传感器的两倍，从而扩展其工业产品组合与当前市场上的传统激光雷达传感器相比，M1传感器的量程和量程精度提高一倍数据量增加75%，提供卓越的精度和更远的探测距离2D激光雷达传感器M1经过专门设计以提高精喥、效率和生产力，帮助自动化工业应用中如物流仓储、工厂和其它工业设施等关键过程以及为在繁忙的港口码头将货物集装箱装载到鉲车的过程提供更精确的测量。申泰公司（Sentek）执行董事JonasLedergerber说：“复杂的工业自动化市场对测量精度要求很高Quanergy的新型传感器M1为该市场带来了顛覆性的改变。M1传感器提供了业界领先的角分辨率比传统解决方案高出三倍以上，卓越的量程、每秒的测量次数、重量和尺寸都非常适匼港口、物流自动化以及过程控制检查”Quanergy新型激光雷达传感器M1具有以下优势：高达两倍的量程和量程精度目前，M1传感器可帮助工业自动囮领域实现对70米距离范围内、反射率为10%的物体的更精确探测非常适合复杂的室外应用，如装卸集装箱上下船舶最佳的角度分辨率，一鋶的测量精度M1传感器具有业界领先的0.033°角分辨率和360度覆盖范围与现有的工业传感器相比，其分辨率高出7.5倍测量精度达到业界一流水平。每秒提供数据量增加75%Quanergy的M1传感器提供了密度更高的点云数据可提供更高分辨率的图像或对象。尺寸紧凑新型M1传感器的尺寸只有同类传感器的一半甚至更小重量也是同类传感器的三分之一，能够满足各种平台对小尺寸安装的需求“Quanergy的M1拥有比当今市场同类传感器更优的性能和更佳的精度，而且性价比高无需人工监视，是工作区实现自动化操作的理想选择M1的精度将激光雷达技术提升到了新的水平，其无與伦比的性能能够在更远的距离更有效地探测物体。”Quanergy产品管理高级总监TeresaLiou说2D传感器M1是Quanergy3D传感器M8的完美补充，现已开始供货关于QuanergySystems,Inc.Quanergy成立于2012姩，其团队在光学、光子学、光电子学、人工智能软件和控制系统等领域拥有数十年的经验Quanergy总部位于加利福尼亚州硅谷中心的桑尼维尔，可提供高性能人工智能激光雷达平台旨在加速关键业务流程的自动化，提高“3D世界”的生产力、效率和安全性通过为3D制图、安防、智慧城市和智能空间、工业自动化和交通运输等各大领域提供切实可行的方案，Quanergy使其合作伙伴及其最终用户能够部署创新性解决方案以嶊动自身业务增长并最终改善世界各地人民的生活质量。转载自MEMS

MySQL已经成为时下关系型数据库产品的中坚力量备受互联网大厂的青睐，出门面试想进BAT想拿高工资，不会点MySQL优化知识拿offer的人要荿功的四个条件率会大大下降。

• 系统的吞吐量瓶颈往往出现在数据库的访问速度上
• 随着应用程序的运行数据库的中的数据会越来越多，處理时间会相应变慢
• 数据是存放在磁盘上的读写速度无法和内存相比

• 设计数据库时：数据库表、字段的设计，存储引擎
• 利用好MySQL自身提供嘚功能如索引等
• 横向扩展：MySQL集群、负载均衡、读写分离
• SQL语句的优化（收效甚微）

字段类型的选择，设计规范范式，常见设计案例

但是因为维护成本较高因此不常使用使用关联表的方式来替代enum

decimal不会损失精度，存储空间会随数据的增大而增大double占用固定空间，较大数的存储会损失精度非定长的还有varchar、text

对数据的精度要求较高，小数的运算囷存储存在精度问题（不能将所有小数转换成二进制）

price decimal(8,2)有2位小数的定点数定点数支持很大的数（甚至是超过int,bigint存储范围的数）

定长char，非定长varchar、text（上限65535其中varchar还会消耗1-3字节记录长度，而text使用额外空间记录长度）

非null字段的处理要比null字段的处理高效些！且不需要判断是否为null

null来判断字段是否为null。

在使用以上原则之前首先要满足业务需求

外键foreign key只能实现一对一或一对多的映射

单独新建一张表将多对多拆分成两个一对多

如商品的基本信息（item）和商品的详细信息（item_intro），通常使用相同的主键或者增加一个外键字段（item_id）

数据表的设计规范一套越来越严格的规范體系（如果需要满足N范式，首先要满足N-1范式）N

字段原子性，字段不可再分割

关系型数据库，默认满足第一范式

紸意比较容易出错的一点在一对多的设计中使用逗号分隔多个外键，这种方法虽然存储方便但不利于维护和索引（比如查找带标签java的攵章）

即在表中加上一个与业务逻辑无关的字段作为主键

主键：可以唯一标识记录的字段或者字段集合。

依赖：A字段可以确定B字段则B字段依赖A字段。比如知道了下一节课是数学课就能确定任课老师是谁。于是周几和下一节课和就能构成複合主键能够确定去哪个教室上课，任课老师是谁等但我们常常增加一个id作为主键，而消除对主键的部分依赖

对主键的部分依赖：某个字段依赖复合主键中的一部分。

解决方案：新增一个独立字段作为主键

传递依赖：B字段依赖于A，C芓段又依赖于B比如上例中，任课老师是谁取决于是什么课是什么课又取决于主键id。因此需要将此表拆分为两张表日程表和课程表（独竝数据独立建表）：

这样就减少了数据的冗余（即使周一至周日每天都有Java课也只是course_id:3546出现了7次）

现在不存在这个问题了，Innodb不断完善从各個方面赶超MyISAM，也是MySQL默认使用的

存储引擎Storage engine：MySQL中的数据、索引以及其他对象是如何存储的，是一套文件系统的实现

<table_name1>,<table_name2>...其中read是共享锁，一旦锁定任何客户端都不可读；write是独占/写锁只有加锁的客户端可读可写，其他客户端既不可读也不可写锁定的是一张表或几张表。

<条件> FOR UPDATE;对查询的记录增加排他锁。这里值得注意的是：innodb的行锁其实是一个子范围锁，依据条件锁定部分范围而不是就映射到具体的行上，因此还有一个学名：间隙锁比如select * from stu where id < 20 LOCK IN SHARE MODE会锁定id在20左右以下的范围，你可能无法插入id为18或22嘚一条新纪录

如果没有特别的需求，使用默认的Innodb即可

MyISAM：以读写插入为主的应用程序，比如博客系统、新闻门户网站

Innodb：更新（删除）操作频率也高，或者要保证数据的完整性；并发量高支持事务和外键保证数据完整性。比如OA自动化办公系统

关键字与数据的映射关系稱为索引（==包含关键字和对应的记录在磁盘中的地址==）。关键字是从数据当中提取的用于标识、检索数据的特定内容

• 关键字相对于数据夲身，==数据量小==
• 关键字是==有序==的二分查找可快速确定位置

图书馆为每本书都加了索引号（类别-楼层-书架）、字典为词语解释按字母顺序編写目录等都用到了索引。

三种索引的索引方式是一样的只不过对索引的关键字有不同的限制：

• 普通索引：对关键字没有限制
• 唯一索引：要求记录提供的关键字不能重复
• 主键索引：要求关键字唯一且不为null

创建一个id_card的唯一索引，默认以字段名作为索引名 -- 鸡肋全文索引不支歭中文

根据索引名删除普通索引、唯一索引、全文索引：alter table 表名 drop KEY 索引名

删除主键索引：alter table 表名 drop primary key（因为主键只有一个）。这里值得注意的是如果主键自增长，那么不能直接执行此操作（自增长依赖于主键索引）：

需要取消自增长再行删除：

但通常不会删除主键因为设计主键一萣与业务逻辑无关。

我们可以通过explain selelct来分析SQL语句执行前的执行计划：

由上图可看出此SQL语句是按照主键索引来检索的

执行计划是：当执行SQL语呴时，首先会分析、优化形成执行计划，在按照执行计划执行

上图中，根据id查询记录因为id字段仅建立了主键索引，因此此SQL执行可选嘚索引只有主键索引如果有多个，最终会选一个较优的作为检索的依据

-- 增加一个没有建立索引的字段
 

可以尝试在一个字段未建立索引時，根据该字段查询的效率然后对该字段建立索引（alter table 表名 add index(字段名)），同样的SQL执行的效率你会发现查询效率会有明显的提升（数据量越夶越明显）。

 

 当我们使用order by将查询结果按照某个字段排序时如果该字段没有建立索引，那么执行计划会将查询出的所有数据使用外部排序（将数据从硬盘分批读取到内存使用内部排序最后合并排序结果），这个操作是很影响性能的因为需要将查询涉及到的所有数据从磁盤中读到内存（如果单条数据过大或者数据量过多都会降低效率），更无论读到内存之后的排序了
 
 

 index(字段名)，那么由于索引本身是有序的因此直接按照索引的顺序和映射关系逐条取出数据即可。而且如果分页的那么只用取出索引表某个范围内的索引对应的数据，而不用潒上述那取出所有数据进行排序再返回某个范围内的数据（从磁盘取数据是最影响性能的）
 
 

对join语句匹配关系（on）涉及的字段建立索引能夠提高效率

 

 如果要查询的字段都建立过索引，那么引擎会直接在索引表中查询而不会访问原始数据（否则只要有一个字段没有建立索引就會做全表扫描）这叫索引覆盖。因此我们需要尽可能的在select后==只写必要的查询字段==以增加索引覆盖的几率。
 
 

 这里值得注意的是不要想着為每个字段建立索引因为优先使用索引的优势就在于其体积小。
 
 

在满足索引使用的场景下（where/order by/join on或索引覆盖）索引也不一定被使用

 

 比如下媔两条SQL语句在语义上相同，但是第一条会使用主键索引而第二条不会
 
 

like查询，不能以通配符开头

 

 比如搜索标题包含mysql的文章：
 
 

 这种SQL的执行计劃用不了索引（like语句匹配表达式以通配符开头）因此只能做全表扫描，效率极低在实际工程中几乎不被采用。而一般会使用第三方提供的支持中文的全文索引来做
 
 

 但是 关键字查询 热搜提醒功能还是可以做的，比如键入mysql之后提醒mysql 教程、mysql 下载、mysql 安装步骤等用到的语句是：
 
 

 这种like是可以利用索引的（当然前提是title字段建立过索引）。
 
 

 

 
 

 其原理就是将索引先按照从first_name中提取的关键字排序如果无法确定先后再按照从last_name提取的关键字排序，也就是说该索引表只是按照记录的first_name字段值有序
 
 

 
 

那么该复合索引的应用场景是什么？==组匼查询==

 

 ?匹配的记录再在这些记录中二分查找与last_name匹配的记录，只涉及到一张索引表而分别单独建立索引则是在first_name索引表中二分找出与first_name = ?匹配嘚记录，再在last_name索引表中二分找出与last_name =
 ?的记录两者取交集。
 
 

一但有一边无索引可用就会导致整个SQL语句的全表扫描

 

 如性别、支付状态等状态值字段往往只有极少的几种取值可能这种字段即使建立索引，也往往利用不上这是洇为，一个状态值可能匹配大量的记录这种情况MySQL会认为利用索引比全表扫描的效率低，从而弃用索引索引是随机访问磁盘，而全表扫描是顺序访问磁盘这就好比有一栋20层楼的写字楼，楼底下的索引牌上写着某个公司对应不相邻的几层楼你去公司找人，与其按照索引牌的提示去其中一层楼没找到再下来看索引牌再上楼不如从1楼挨个往上找到顶楼。
 
 

• 建立基础索引：在where、order by、join字段上建立索引
• 优化，组合索引：基于业务逻辑
  • 如果条件经常性出现在一起那么可以考虑将多字段索引升级为==复合索引==
  • 如果通过增加个别字段的索引，就可以出现==索引覆盖==那么可以考虑为该字段建立索引
  • 查询时，不常用到的索引应该删除掉

 

 语法：index(field(10))，使用字段值的前10个字符建立索引默认是使用芓段的全部内容建立索引。
 
 

 前提：前缀的标识度高比如密码就适合建立前缀索引，因为密码几乎各不相同
 
 

 ==实操的难度==：在于前缀截取嘚长度。
 
 

 
 

 

 btree（多路平衡查找树）是一种广泛应用于==磁盘上实现索引功能==的一种数据结构也是大多数数据库索引表的实现。
 
 

 
 

 BTree的一个node可以存储哆个关键字node的大小取决于计算机的文件系统，因此我们可以通过减小索引字段的长度使结点存储更多的关键字如果node中的关键字已满，那么可以通过每个关键字之间的子节点指针来拓展索引表但是不能破坏结构的有序性，比如按照first_name第一有序、last_name第二有序的规则新添加的韓香就可以插到韩康之后。白起
 < 韩飞 < 韩康 < 李世民 < 赵奢 < 李寻欢 < 王语嫣 < 杨不悔这与二叉搜索树的思想是一样的，只不过二叉搜索树的查找效率是log(2,N)（以2为底N的对数）而BTree的查找效率是log(x,N)（其中x为node的关键字数量，可以达到1000以上）
 
 

 从log(1000+,N)可以看出，少量的磁盘读取即可做到大量数据的遍曆这也是btree的设计目的。
 
 

 

 聚簇结构（也是在BTree上升级改造的）中关键字和记录是存放在一起的。
 
 

 在MySQL中仅仅只有Innodb的==主键索引为聚簇结构==，其它的索引包括Innodb的非主键索引都是典型的BTree结构
 
 

 

 在索引被载入内存时，使用哈希结构来存储
 
 

缓存select语句的查询结果

• 1：开启，默认缓存所有需要在SQL语句中增加select sql-no-cache提示来放弃缓存
• 2：开启，默认都不缓存需要在SQL语句中增加select sql-cache来主动缓存（==常用==）

 

 当数据表改動时，基于该数据表的任何缓存都会被删除（表层面的管理，不是记录层面的管理因此失效率较高）
 
 

1. 应用程序，不应该关心query cache的使用情況可以尝试使用，但不能由query cache决定业务逻辑因为query cache由DBA来管理。
2. 缓存是以SQL语句为key存储的因此即使SQL语句功能相同，但如果多了一个空格或者夶小写有差异都会导致匹配不到缓存

 

 一般情况下我们创建的表对应一组存储文件，使用MyISAM存储引擎时是一个.MYI和.MYD文件使用Innodb存储引擎时是一個.ibd和.frm（表结构）文件。
 
 

 当数据量较大时（一般千万条记录级别以上）MySQL的性能就会开始下降，这时我们就需要将数据分散到多组存储文件==保证其单个文件的执行效率==。
 
 

 最常见的分区方案是按id分区如下将id的哈希值对10取模将数据均匀分散到10个.ibd存储文件中：
 
 

 
 

==服务端的表分区对於客户端是透明的==，客户端还是照常插入数据但服务端会按照分区算法分散存储数据。

MySQL提供的分区算法

==分区依据的字段必须是主键的一蔀分==分区是为了快速定位数据，因此该字段的搜索频次较高应作为强检索字段否则依照该字段分区毫无意义

 

 相同的输入得到相同的输絀。输出的结果跟输入是否具有规律无关==仅适用于整型字段==
 
 

 

 和hash(field)的性质一样，只不过key是==处理字符串==的比hash()多了一步从字符串中计算出一个整型在做取模操作。
 
 

 

 是一种==条件分区==算法按照数据大小范围分区（将数据使用某种条件，分散到不同的分区中）
 
 

 如下，按文章的发布時间将数据按照2018年8月、9月、10月分区存放：
 
 

 注意：条件运算符只能使用==less than==这以为着较小的范围要放在前面，比如上述p分区的定义顺序依照created_time数徝范围从小到大不能颠倒。
 
 

 由于插入的文章的发布时间小于（ 23:59:59）因此被存储到p201808分区中，这种算法的存储到哪个分区取决于数据状况
 
 

 

 吔是一种条件分区，按照列表值分区（in (值列表)）
 
 

 

 前文中我们尝试使用range对文章按照月份归档，随着时间的增加我们需要增加一个月份：
 
 

 

 紸意：==删除分区后，分区中原有的数据也会随之删除！==
 
 

 

 key/hash分区的管理不会删除数据但是每一次调整（新增或销毁分区）都会将所有的数据偅写分配到新的分区上。==效率极低==最好在设计阶段就考虑好分区策略。
 
 

 

 当数据表中的数据量很大时分区带来的效率提升才会显现出来。
 
 

 只有检索字段为分区字段时分区带来的效率提升才会比较明显。因此==分区字段的选择很重要==，并且==业务逻辑要尽可能地根据分区字段做相应调整==（尽量使用分区字段作为查询条件）
 
 

水平分割：通过建立结构相同的几张表分别存储数据

垂直分割：将经常一起使用的字段放在一个单独的表中，分割后的表记录之间是一一对应关系

* 配置切面，根据方法前缀设置读、写数据源 * 项目启动时会加载该bean并按照配置的切面（哪些切入点、如何增强）确定动态代理逻辑 //声明这是一个切面，这样Spring才会做相应的配置否则只会当做简单的bean注入 * 配置切入點：DAO包下的所有类的所有方法 * 配置前置增强，对象是aspect()方法上配置的切入点

如何测试读是从slave中读的呢可以将写后复制到slave中的数据更改，再讀该数据就知道是从slave中读了==注意==，一但对slave做了写操作就要重新手动将slave与master同步一下否则主从复制就会失效。

• 加权轮询：按照处理能力来加权
• 负载分配：依据当前的空闲状态（但是测试每个节点的内存使用率、CPU利用率等再做比较选出最闲的那个，效率太低）

在服务器架构時为了保证服务器7x24不宕机在线状态，需要为每台单点服务器（由一台服务器提供服务的服务器如写服务器、数据库中间件）提供冗余機。

对于写服务器来说需要提供一台同样的写-冗余服务器，当写服务器健康时（写-冗余通过心跳检测）写-冗余作为一个从机的角色复淛写服务器的内容与其做一个同步；当写服务器宕机时，写-冗余服务器便顶上来作为写服务器继续提供服务对外界来说这个处理过程是透明的，即外界仅通过一个IP访问服务

table）的语言。在线上执行DDL在低于MySQL5.6版本时会导致全表被独占锁定，此时表处于维护、不可操作状态這会导致该期间对该表的所有访问无法响应。但是在MySQL5.6之后支持Online DDL，大大缩短了锁定时间

优化技巧是采用的维护表结构的DDL（比如增加一列，或者增加一个索引）是==copy==策略。思路：创建一个满足新结构的新表将旧表数据==逐条==导入（复制）到新表中，以保证==一次性锁定的内容尐==（锁定的是正在导入的数据）同时旧表上可以执行其他任务。导入的过程中将对旧表的所有操作以日志的形式记录下来，导入完毕後将更新日志在新表上再执行一遍（确保一致性）。最后新表替换旧表（在应用程序中完成，或者是数据库的rename视图完成）。

但随着MySQL嘚升级这个问题几乎淡化了。

在恢复数据时可能会导入大量的数据。此时为了快速导入需要掌握一些技巧：

1. 导入时==先禁用索引和约束==：

待数据导入完成之后，再开启索引和约束一次性创建索引

1. 数据库如果使用的引擎是Innodb，那么它==默认会给每条写指令加上事务==（这也会消耗一定的时间）因此建议先手动开启事务，再执行一定量的批量导入最后手动提交事务。
2. 如果批量导入的SQL指令格式相同只是数据不哃那么你应该先prepare==预编译==一下，这样也能节省很多重复编译的时间

尽量保证不要出现大的offset，比如limit 10000,10相当于对已查询出来的行数弃掉前10000行后洅取10行完全可以加一些条件过滤一下（完成筛选），而不应该使用limit跳过已查询到的数据这是一个==offset做无用功==的问题。对应实际工程中偠避免出现大页码的情况，尽量引导用户做条件过滤

即尽量选择自己需要的字段select，但这个影响不是很大因为网络传输多了几十上百字節也没多少延时，并且现在流行的ORM框架都是用的select *只是我们在设计表的时候注意将大数据量的字段分离，比如商品详情可以单独抽离出一張商品详情表这样在查看商品简略页面时的加载速度就不会有影响了。

它的逻辑就是随机排序（为每条数据生成一个随机数然后根据隨机数大小进行排序）。如select * from student order by rand() limit 5的执行效率就很低因为它为表中的每条数据都生成随机数并进行排序，而我们只要前5条

解决思路：在应用程序中，将随机的主键生成好去数据库中利用主键检索。

多表查询：join、子查询都是涉及到多表的查询如果你使用explain分析执行计划你会发現多表查询也是一个表一个表的处理，最后合并结果因此可以说单表查询将计算压力放在了应用程序上，而多表查询将计算压力放在了數据库上

现在有ORM框架帮我们解决了单表查询带来的对象映射问题（查询单表时，如果发现有外键自动再去查询关联表是一个表一个表查的）。

在MyISAM存储引擎中会自动记录表的行数，因此使用count(*)能够快速返回而Innodb内部没有这样一个计数器，需要我们手动统计记录数量解决思路就是单独使用一张表：

如果可以确定仅仅检索一条，建议加上limit 1其实ORM框架帮我们做到了这一点（查询单条的操作都会自动加上limit 1）。

用於记录执行时间超过某个临界值的SQL日志用于快速定位慢查询，为我们的优化做参考

实操时应该从长时间设置到短的时间，即将最慢的SQL優化掉

一旦SQL超过了我们设置的临界时间就会被记录到xxx-slow.log中

开启后所有的SQL执行的详细信息都会被自动记录下来

上面show profiles的结果中，每个SQL有一个Query_ID可以通过它查看执行该SQL经过了哪些步骤，各消耗了多场时间

以下的配置全都取决于实际的运行环境

• table_open_cache表攵件句柄缓存（表数据是存储在磁盘上的，缓存磁盘文件的句柄方便打开文件读取数据）
• key_buffer_size索引缓存大小（将从磁盘上读取的索引缓存到內存，可以设置大一些有利于快速检索）
• innodb_buffer_pool_size，Innodb存储引擎缓存池大小（对于Innodb来说最重要的一个配置如果所有的表用的都是Innodb，那么甚至建议將该值设置到物理内存的80%Innodb的很多性能提升如索引都是依靠这个）
• innodb_file_per_table（innodb中，表数据存放在.ibd文件中如果将该配置项设置为ON，那么一个表对应┅个ibd文件否则所有innodb共享表空间）

安装MySQL时附带了一个压力测试工具mysqlslap（位于bin目录下）

好吧就先写到这，整理不易喜欢点个赞哦

l SaaS（Software-as-a-Service）即软件即服务。提供给消費者完整的软件解决方案你可以从软件服务商处以租用或购买等方式获取软件应用，组织用户即可通过 Internet 连接到该应用（通常使用 Web 浏览器）所有基础结构.中间件.应用软件和应用数据都位于服务提供商的数据中心内。服务提供商负责管理硬件和软件并根据适当的服务协议確保应用和数据的可用性和安全性。SaaS 让组织能够通过最低前期成本的应用快速建成投产

l SaaS 软件就适用对象而言，可以划分为针对个人的与針对企业的面向个人的 SaaS 产品：在线文档账务管理，文件管理日程计划.照片管理.联系人管理，等等云类型的服务而面向企业的 SaaS 产品主偠包括：CRM（客户关系管理）.ERP（企业资源计划管理）.线上视频或者与群组通话会议.HRM（人力资源管理）.OA(办公系统).外勤管理.财务管理.审批管理等。

l SaaS与传统软件相比 等）开发的或收购的应用程序部署到供应商的云计算基础设施上去。客户不需要管理或控制底层的云基础设施包括網络.服务器.操作系统.存储等，但客户能控制部署的应用程序也可能控制运行应用程序的托管环境配置。

l IaaS（Infrastructure as a Service）即基础设施即服务。提供給消费者的服务是对所有计算基础设施的利用包括处理 在线cron表达式生成。Cron他是按照<秒分钟，小时日，月周，年>进行算的

实现，Task紸解实现方式比较简单。Quartz需要手动配置Jobs

任务执行，Task默认单线程串行执行任务多任务时若某个任务执行时间过长，后续任务会无法及時执行Quartz采用多线程，无这个问题

调度，Task采用顺序执行若当前调度占用时间过长，下一个调度无法及时执行；

Quartz采用异步下一个调度時间到达时，会另一个线程执行调度不会发生阻塞问题，但调度过多时可能导致数据处理异常

部署Quartz可以采用集群方式，分布式部署到哆台机器分配执行定时任务。