一、背景：
如果系统就是一个单体系统，不需要考虑这些问题，最多使用synchronized相关的锁解决并发问题。
但是一个分布式系统（或微服务系统），肯定会遇到并发竞争公共资源的问题，这时通常就需要使用分布式锁解决。
二、举个栗子：
举个老生常谈的例子，商品库存的锁定。
用户购买iPhone，肯定需要锁定/扣减对应商品的库存。
1、不使用分布式锁：
2、使用分布式锁：
3、总结：
通过分布式锁，让多进程的多线程操作变成串行操作，能够保证并发操作公共资源正常。
当然这里只是举个栗子，单纯这个问题，也可以直接通过MySQL乐观锁解决，就不需要使用分布式锁了。
update table set stock = stock - ? where id = ? and stock > 0;
三、实现方式：
分布式锁实现方式通常基于Redis或者Zookeeper实现，当然也可以通过DB的唯一索引实现。
如果是个人或者是很小的研发团队。
Redis：推荐使用Redisson三方包来实现Redis分布式锁，本身有比较成熟的支持，解决了Redis分布式锁存在的一些缺陷。
ZK：推荐使用Curator三方包实现ZK分布式锁。
当然，一般公司内部，可以业务团队或者中间件团队对分布式锁做统一封装，方便使用。
四、Redis和ZK实现对比：
1、消耗：
Redis分布式锁：需要不断尝试获取锁，比较消耗性能。
ZK分布式锁：如果获取不到锁，可以注册一个监听器，会自动回调通知，不需要不断主动尝试获取锁。
2、实现复杂度：
Redis分布式锁：代码实现相对繁琐，需要遍历上锁，计算时间等。
ZK分布式锁：实现简单。
3、安全性：
Redis分布式锁：如果获取锁的客户端挂了，只能等待超时时间到了才能释放锁。
ZK分布式锁：因为创建的是临时ZNode，如果客户端挂了，ZNode就没了，此时就自动释放锁。
4、性能：
Redis分布式锁：Redis性能很高，所以Redis实现分布式锁的性能也很高，通常企业开发也更倾向使用Redis实现分布式锁。
ZK分布式锁：如果业务场景有一定并发，频繁创建和删除节点，对ZK压力会很大，因为ZK本身在项目中也会做其他应用的（如注册中心），所以作为分布式锁相对并发能力较弱。
5、总结：
使用ZK实现分布式锁前提，项目本身已经引入了ZK集群，不可能因为要使用分布式锁，引入ZK，那样成本也太大了。
如果本身项目性质就不会有多少并发，推荐使用ZK实现，实现简单，不会有什么漏洞，ZK本身就是做分布式协调的。
如果对性能有一定要求，且能够容忍Redis实现分布式锁在极端场景下可能存在的隐患，可以使用Redis实现。
个人认为Redis实现不太需要考虑极端场景下可能存在的问题，首先出现概率很小，然后即使出现了，直接人工补偿或者代码补偿就行了。
PS：本次对分布式锁做了最最简单的入门，具体Redis和ZK如何实现分布式锁后续会展开了解。
五、业务场景：
了解技术，但是不知道应用到哪些业务场景，都是白搭。
中心思想就是，如果这个流程不串行化执行，就会导致数据问题，那就可以考虑是不是可以通过分布式锁解决这种隐患。
1、无法通过唯一索引保证幂等性的插入：
向外提供一个dubbo接口，作用就是插入一行业务数据，幂等性是必须保证的，而主要的业务字段又没办法设置为唯一索引（如后续某个操作，导致修改这行数据的同时，又多新增一行数据），也就是无法通过数据库唯一索引进行去重来保证幂等性。
通常逻辑就是先判断是否存在，如果存在就直接返回成功。
这时候可以考虑使用分布式锁就可以保证幂等性，下面是伪代码实现。
@Override
public Integer create(TestDTO dto) {
String lockKey = this.getClass().getSimpleName() + {核心业务字段};
return redis.lock(lockKey,
() -> {
List<TestDTO > list = testMapperEx.queryByOrderId(dto.getOrderId());
if (CollectionUtils.isEmpty(list)) {
return testMapperEx.insertSelective(dataModelConverter.convert(dto));
}
return 1;
});
}
2、不需要并发调用的接口访问：
什么时候我们需要调用三方接口，三方接口可能接入什么系统会调用它们，有一定并发压力，所以他们不让同一个业务ID请求并发调用（例如：这个接口被刷了，会疯狂调用）。
亦或者也是先判断是否已经有数据，如果没有再调用。
这时候，也是通过分布式锁保证串行。
3、总结：
分布式锁主要使用的场景，都是先做各种业务数据判断，如果满足这些条件，再操作业务数据。
否则，并发的情况下，很多请求过来，可能前面的业务判断都会通过，然后操作数据，导致数据变得错乱。