背景一个慢出来的需求上个月接手了一个订单查询服务Go 写的QPS 大概 2000P99 延迟 500ms。业务方天天催能不能再快点我做了个大胆的决定用 Rust 重写。结果P99 延迟降到 50msQPS 提到 15000内存占用从 2GB 砍到 200MB。今天这篇文章我想还原整个优化过程。不吹牛只讲干货和踩过的坑。性能基线先测再说优化之前我花了半天时间做性能分析。工具用的是pprofflamegraph# Go 版本性能分析 go tool pprof http://localhost:8080/debug/pprof/profile?seconds30火焰图出来后发现三个瓶颈JSON 序列化占了 35% CPU用的 encoding/json数据库连接连接池配置不合理频繁创建销毁内存分配每次请求平均分配 150KBGC 压力大有了基线优化才有方向。第一步选型与技术栈Rust 生态这几年成熟了很多。我的技术栈[dependencies] # Web 框架 axum 0.8 tokio { version 1, features [full] } # 序列化 serde { version 1, features [derive] } serde_json 1 # 数据库 sqlx { version 0.8, features [runtime-tokio-rustls, postgres] } # 日志 tracing 0.1 tracing-subscriber 0.3 # 指标 metrics 0.24 metrics-exporter-prometheus 0.16为什么选 Axum官方介紹HTTP routing and request-handling library for Rust that focuses on ergonomics and modularity试过 Actix-web 和 Warp最后选 Axum 是因为和 Tokio 生态深度集成类型安全的路由系统中间件写法符合 Rust 直觉第二步核心优化点1. 零拷贝 JSON 解析Go 的encoding/json要反序列化到 struct再序列化返回中间拷贝好几次。Rust 可以用serde_json::Value做流式处理use serde_json::Value; use axum::Json; asyncfn query_order( Query(params): QueryOrderQuery, db: StateDbPool, ) - ResultJsonValue { // 直接从数据库取 JSON不经过中间结构 let result sqlx::query_scalar::_, Value( SELECT row_to_json(t) FROM ( SELECT * FROM orders WHERE user_id $1 LIMIT 100 ) t ) .bind(params.user_id) .fetch_all(*db) .await?; Ok(Json(Value::Array(result))) }效果JSON 处理 CPU 占用从 35% 降到 8%。2. 连接池调优sqlx 的连接池默认配置比较保守我根据压测结果调整use sqlx::postgres::PgPoolOptions; async fn init_db(database_url: str) - DbPool { PgPoolOptions::new() .max_connections(20) // 根据 CPU 核数调整 .min_connections(5) // 保持最小连接数 .acquire_timeout(Duration::from_secs(5)) .idle_timeout(Duration::from_secs(600)) .max_lifetime(Duration::from_secs(1800)) .connect(database_url) .await .expect(Failed to create pool) }关键参数max_connections我按CPU 核数 * 2 1配置min_connections保持 5 个常连避免冷启动idle_timeout10 分钟回收空闲连接3. 内存池复用这是 Rust 的杀手锏。我用object_pool复用缓冲区use object_pool::Pool; use std::sync::Arc; // 创建缓冲区池 let buffer_pool Arc::new(Pool::new(100, || Vec::with_capacity(4096))); asyncfn process_request( buffer_pool: ArcPoolVecu8, ) - ResultVecu8 { // 从池子里借一个缓冲区 letmut buffer buffer_pool.acquire(); // 处理数据... buffer.extend_from_slice(bresponse data); // 用完自动归还不用手动 drop Ok(buffer.to_vec()) }效果每次请求的内存分配从 150KB 降到 5KBGC 压力几乎为零。4. 异步并发模型Tokio 的调度器比 Go 的 GMP 更轻量。我用tokio::spawn处理独立任务use tokio::task::JoinSet; asyncfn batch_process(orders: VecOrder) - VecResultProcessedOrder { letmut tasks JoinSet::new(); for order in orders { tasks.spawn(asyncmove { // 每个订单独立处理 process_single_order(order).await }); } // 收集结果 letmut results Vec::new(); whileletSome(res) tasks.join_next().await { results.push(res.unwrap()); } results }注意JoinSet会自动管理任务生命周期比手动spawnjoin安全得多。第三步可观测性建设性能好了还得能监控。我上了三件套1. 结构化日志use tracing::{info, instrument}; #[instrument(skip(db), fields(user_id %query.user_id))] async fn query_order(query: OrderQuery, db: DbPool) - ResultOrder { info!(Querying order); // ... }日志自动带上 trace_id、user_id排查问题很方便。2. Prometheus 指标use metrics::{counter, histogram}; // 记录请求延迟 let start std::time::Instant::now(); process_request().await?; histogram!(request_duration_seconds, start.elapsed()); // 记录错误数 counter!(request_errors_total, 1);Grafana 面板长这样QPS 曲线P50/P95/P99 延迟错误率连接池使用率3. 分布式追踪集成 Jaeger跨服务调用能串起来use tracing_opentelemetry::OpenTelemetryLayer; let subscriber tracing_subscriber::registry() .with(OpenTelemetryLayer::new(tracer)); tracing::subscriber::set_global_default(subscriber)?;性能对比数据指标Go 版本Rust 版本提升P50 延迟120ms15ms8xP99 延迟520ms50ms10xQPS2,10015,2007x内存占用2.1GB180MB11xCPU 使用率45%12%3.7x测试条件4 核 8G 容器1000 并发持续 30 分钟。踩坑记录坑 1生命周期搞不定// 错误写法 fn get_data(input: str) - str { let result format!(processed: {}, input); result // ❌ result 在这里就 drop 了 } // 正确写法 fn get_data(input: str) - String { format!(processed: {}, input) // ✅ 返回 owned 数据 }教训别跟编译器较劲它是对的。坑 2异步阻塞// 错误写法 async fn bad_example() { std::thread::sleep(Duration::from_secs(1)); // ❌ 阻塞整个 runtime } // 正确写法 async fn good_example() { tokio::time::sleep(Duration::from_secs(1)).await; // ✅ 异步等待 }教训async 函数里别用同步阻塞调用。坑 3依赖版本冲突Rust 的依赖管理比 Go 严格有时候两个库用的同一个依赖版本不一致编译直接报错。解决方案用cargo tree查依赖图手动统一版本。要不要上 Rust写到这里可能有人要问我的项目要不要用 Rust 重写我的建议适合 Rust 的场景对性能要求极高延迟敏感、高并发资源受限环境嵌入式、边缘计算对安全性要求高金融、基础设施没必要 Rust 的场景CRUD 业务QPS 1000团队没有 Rust 经验学习成本高快速迭代的 MVP 阶段折中方案核心模块用 Rust外围业务用 Go/Python通过 gRPC 通信。我们有个项目就是这么干的效果不错。最后说两句Rust 不是银弹但它确实是解决性能问题的利器。这次重写花了 3 周包括学习 Rust 的时间但带来的性能提升是质的飞跃。业务方满意运维也开心服务器从 10 台砍到 2 台。如果你也在考虑用 Rust我的建议是从小模块开始跑通流程再扩大。觉得有用 点赞支持一下持续输出硬核技术内容 关注我下期更新《Rust 异步编程从入门到精通》 评论区聊聊你在性能优化上踩过哪些坑