在對客戶做技術(shù)支持時，我們常常會看到很多客戶根本沒意識到的異常。在消除了這些異常之后，代碼運行速度與以前相比大幅提升。這讓我們產(chǎn)生一種猜測，就是在代碼里面使用異常會帶來顯著的性能開銷。因為異常是錯誤情況處理的重要組成部分，摒棄是不太可能的,所以我們需要衡量異常處理對于性能影響，我們可以通過一個實驗看看異常處理的對于性能的影響。

實驗

我的實驗基于一段隨機拋出異常的簡單代碼。從科學的角度，這并非完全準確的測量，同時我也并不了解HotSpot 編譯器會對運行中的代碼做何動作。但無論如何，這段代碼應該能夠讓我們了解一些基本情況。

結(jié)果很有意思：拋出與捕獲異常的代價似乎極低。在我的例子里，大約是每個異常 0.02 毫秒。除非你真的拋出太多異常（我們指的是 10 萬次或者更多），否則這一點基本都可忽略。 盡管這些結(jié)果顯示出異常處理本身并不影響代碼性能，但卻并未解決下面這個問題：異常對性能的巨大影響該由誰負責？

我明顯遺漏了什么重要的問題。

重新想了一下，我意識到自己遺漏了異常處理的一個重要部分。我沒考慮到異常發(fā)生時你做了什么。在多數(shù)情況下你很有可能不僅僅是捕獲異常！而問題就在這里：一般情況下，你會試圖對問題進行補充，并讓應用在最終用戶那里仍能發(fā)揮功能。所以我遺漏的就是：“”為了處理異常而執(zhí)行的補充代碼“”。按照補充代碼的不同，性能損失可能會變得相當顯著。在某些情況下這可能意味著重試連接到服務器，在另一些情況下則可能意味著使用默認的回滾方案，而這種方案提供的解決辦法肯定會帶來非常差勁的性能。對于我們在很多情況下看到的行為，這似乎給出了很好的解釋。

不過我卻不覺得分析到這里已經(jīng)萬事大吉，而是感到這里還遺漏了別的什么東西。

Stack trace

對此問題，我仍頗為好奇，為此監(jiān)視了收集 strack trace 時情況性能有何變化。

經(jīng)常發(fā)生的情況應該是這樣的：記下異常及其棧軌跡，嘗試找出問題到底在哪。

為此我修改了代碼，額外收集了異常的 strack trace 。這讓情況顯著改變。對異常的 strack trace 的收集，其性能影響要比單純捕獲并拋出異常高出10倍。因此盡管 strack trace 有助于理解哪里發(fā)生了問題（有可能還有助于理解為何發(fā)生問題），但卻存在性能損失。 由于我們談論的并非一條 strack trace，所以此處的影響往往非常之大。 多數(shù)情況下，我們都要在多個層次上拋出并捕獲異常。 我們看一個簡單的例子： Web 服務客戶端連接到服務器。首先，Java 庫級別上存在一個連接失敗異常。此后會有框架級別上的客戶端失敗異常，再以后可能還會有應用層次上的業(yè)務邏輯調(diào)用失敗異常。到現(xiàn)在為止，總共要搜集三條strack trace。 多數(shù)情況下，你都能從日志文件或者應用輸出中看到這些 strack trace，而寫入這些較長的strack trace 往往也會也帶來性能影響。

結(jié)論

首先因為存在性能影響而把異常棄之不用并非良策。異常有助于提供一種一致的方式來解決運行時問題，并且有助于寫出干凈的代碼。但我們應該對代碼中拋出的異常數(shù)量進行跟蹤，它們可能導致顯著的性能影響。所以 OneAPM 默認要對所拋出的異常進行跟蹤——在很多情況下人們都會對代碼中發(fā)生的異常以及在解決這些異常時的性能損耗感到吃驚不已。 其次盡管使用異常很有裨益，您也應避免捕獲過多的 strack trace。異常應該是為異常的情況而設計的，使用時應該牢記這一原則。當然，萬一您不想遵從好的編程習慣，Java 語言就會讓您知道，那樣做可以讓您的程序運行得更快，從而鼓勵您去那樣做。

以上所述就是本文的全部內(nèi)容了，希望大家能夠喜歡。