一.數(shù)據(jù)切分
關(guān)系型數(shù)據(jù)庫(kù)本身比較容易成為系統(tǒng)瓶頸，單機(jī)存儲(chǔ)容量、連接數(shù)、處理能力都有限。當(dāng)單表的數(shù)據(jù)量達(dá)到1000W或100G以后，由于查詢維度較多，即使添加從庫(kù)、優(yōu)化索引，做很多操作時(shí)性能仍下降嚴(yán)重。此時(shí)就要考慮對(duì)其進(jìn)行切分了，切分的目的就在于減少數(shù)據(jù)庫(kù)的負(fù)擔(dān)，縮短查詢時(shí)間。
數(shù)據(jù)庫(kù)分布式核心內(nèi)容無(wú)非就是數(shù)據(jù)切分（Sharding），以及切分后對(duì)數(shù)據(jù)的定位、整合。數(shù)據(jù)切分就是將數(shù)據(jù)分散存儲(chǔ)到多個(gè)數(shù)據(jù)庫(kù)中，使得單一數(shù)據(jù)庫(kù)中的數(shù)據(jù)量變小，通過擴(kuò)充主機(jī)的數(shù)量緩解單一數(shù)據(jù)庫(kù)的性能問題，從而達(dá)到提升數(shù)據(jù)庫(kù)操作性能的目的。
數(shù)據(jù)切分根據(jù)其切分類型，可以分為兩種方式：垂直（縱向）切分和水平（橫向）切分
1、垂直（縱向）切分
垂直切分常見有垂直分庫(kù)和垂直分表兩種。
垂直分庫(kù)就是根據(jù)業(yè)務(wù)耦合性，將關(guān)聯(lián)度低的不同表存儲(chǔ)在不同的數(shù)據(jù)庫(kù)。做法與大系統(tǒng)拆分為多個(gè)小系統(tǒng)類似，按業(yè)務(wù)分類進(jìn)行獨(dú)立劃分。與"微服務(wù)治理"的做法相似，每個(gè)微服務(wù)使用單獨(dú)的一個(gè)數(shù)據(jù)庫(kù)。如圖：
垂直分表是基于數(shù)據(jù)庫(kù)中的"列"進(jìn)行，某個(gè)表字段較多，可以新建一張擴(kuò)展表，將不經(jīng)常用或字段長(zhǎng)度較大的字段拆分出去到擴(kuò)展表中。在字段很多的情況下（例如一個(gè)大表有100多個(gè)字段），通過"大表拆小表"，更便于開發(fā)與維護(hù)，也能避免跨頁(yè)問題，MySQL底層是通過數(shù)據(jù)頁(yè)存儲(chǔ)的，一條記錄占用空間過大會(huì)導(dǎo)致跨頁(yè)，造成額外的性能開銷。另外數(shù)據(jù)庫(kù)以行為單位將數(shù)據(jù)加載到內(nèi)存中，這樣表中字段長(zhǎng)度較短且訪問頻率較高，內(nèi)存能加載更多的數(shù)據(jù)，命中率更高，減少了磁盤IO，從而提升了數(shù)據(jù)庫(kù)性能。
垂直切分的優(yōu)點(diǎn)：
- 解決業(yè)務(wù)系統(tǒng)層面的耦合，業(yè)務(wù)清晰
- 與微服務(wù)的治理類似，也能對(duì)不同業(yè)務(wù)的數(shù)據(jù)進(jìn)行分級(jí)管理、維護(hù)、監(jiān)控、擴(kuò)展等
- 高并發(fā)場(chǎng)景下，垂直切分一定程度的提升IO、數(shù)據(jù)庫(kù)連接數(shù)、單機(jī)硬件資源的瓶頸
缺點(diǎn)： - 部分表無(wú)法join，只能通過接口聚合方式解決，提升了開發(fā)的復(fù)雜度
- 分布式事務(wù)處理復(fù)雜
- 依然存在單表數(shù)據(jù)量過大的問題（需要水平切分）
2、水平（橫向）切分
當(dāng)一個(gè)應(yīng)用難以再細(xì)粒度的垂直切分，或切分后數(shù)據(jù)量行數(shù)巨大，存在單庫(kù)讀寫、存儲(chǔ)性能瓶頸，這時(shí)候就需要進(jìn)行水平切分了。
水平切分分為庫(kù)內(nèi)分表和分庫(kù)分表，是根據(jù)表內(nèi)數(shù)據(jù)內(nèi)在的邏輯關(guān)系，將同一個(gè)表按不同的條件分散到多個(gè)數(shù)據(jù)庫(kù)或多個(gè)表中，每個(gè)表中只包含一部分?jǐn)?shù)據(jù)，從而使得單個(gè)表的數(shù)據(jù)量變小，達(dá)到分布式的效果。如圖所示：
庫(kù)內(nèi)分表只解決了單一表數(shù)據(jù)量過大的問題，但沒有將表分布到不同機(jī)器的庫(kù)上，因此對(duì)于減輕MySQL數(shù)據(jù)庫(kù)的壓力來(lái)說(shuō)，幫助不是很大，大家還是競(jìng)爭(zhēng)同一個(gè)物理機(jī)的CPU、內(nèi)存、網(wǎng)絡(luò)IO，最好通過分庫(kù)分表來(lái)解決。
水平切分的優(yōu)點(diǎn)：
- 不存在單庫(kù)數(shù)據(jù)量過大、高并發(fā)的性能瓶頸，提升系統(tǒng)穩(wěn)定性和負(fù)載能力
- 應(yīng)用端改造較小，不需要拆分業(yè)務(wù)模塊
缺點(diǎn)：
- 跨分片的事務(wù)一致性難以保證
- 跨庫(kù)的join關(guān)聯(lián)查詢性能較差
- 數(shù)據(jù)多次擴(kuò)展難度和維護(hù)量極大
水平切分后同一張表會(huì)出現(xiàn)在多個(gè)數(shù)據(jù)庫(kù)/表中，每個(gè)庫(kù)/表的內(nèi)容不同。幾種典型的數(shù)據(jù)分片規(guī)則為：
1、根據(jù)數(shù)據(jù)范圍
按照時(shí)間區(qū)間或ID區(qū)間來(lái)切分。例如：按日期將不同月甚至是日的數(shù)據(jù)分散到不同的庫(kù)中；將userId為19999的記錄分到第一個(gè)庫(kù)，1000020000的分到第二個(gè)庫(kù)，以此類推。某種意義上，某些系統(tǒng)中使用的"冷熱數(shù)據(jù)分離"，將一些使用較少的歷史數(shù)據(jù)遷移到其他庫(kù)中，業(yè)務(wù)功能上只提供熱點(diǎn)數(shù)據(jù)的查詢，也是類似的實(shí)踐。
這樣的優(yōu)點(diǎn)在于：
- 單表大小可控
- 天然便于水平擴(kuò)展，后期如果想對(duì)整個(gè)分片集群擴(kuò)容時(shí)，只需要添加節(jié)點(diǎn)即可，無(wú)需對(duì)其他分片的數(shù)據(jù)進(jìn)行遷移
- 使用分片字段進(jìn)行范圍查找時(shí)，連續(xù)分片可快速定位分片進(jìn)行快速查詢，有效避免跨分片查詢的問題。
缺點(diǎn)：
-
熱點(diǎn)數(shù)據(jù)成為性能瓶頸。連續(xù)分片可能存在數(shù)據(jù)熱點(diǎn)，例如按時(shí)間字段分片，有些分片存儲(chǔ)最近時(shí)間段內(nèi)的數(shù)據(jù)，可能會(huì)被頻繁的讀寫，而有些分片存儲(chǔ)的歷史數(shù)據(jù)，則很少被查詢
image.png
2、根據(jù)數(shù)值取模
一般采用hash取模mod的切分方式，例如：將 Customer 表根據(jù) cusno 字段切分到4個(gè)庫(kù)中，余數(shù)為0的放到第一個(gè)庫(kù)，余數(shù)為1的放到第二個(gè)庫(kù)，以此類推。這樣同一個(gè)用戶的數(shù)據(jù)會(huì)分散到同一個(gè)庫(kù)中，如果查詢條件帶有cusno字段，則可明確定位到相應(yīng)庫(kù)去查詢。
優(yōu)點(diǎn)：
- 數(shù)據(jù)分片相對(duì)比較均勻，不容易出現(xiàn)熱點(diǎn)和并發(fā)訪問的瓶頸
缺點(diǎn)：
- 后期分片集群擴(kuò)容時(shí)，需要遷移舊的數(shù)據(jù)（使用一致性hash算法能較好的避免這個(gè)問題）
-
容易面臨跨分片查詢的復(fù)雜問題。比如上例中，如果頻繁用到的查詢條件中不帶cusno時(shí)，將會(huì)導(dǎo)致無(wú)法定位數(shù)據(jù)庫(kù)，從而需要同時(shí)向4個(gè)庫(kù)發(fā)起查詢，再在內(nèi)存中合并數(shù)據(jù)，取最小集返回給應(yīng)用，分庫(kù)反而成為拖累。
image.png
二.分庫(kù)分表帶來(lái)的問題
分庫(kù)分表能有效的環(huán)節(jié)單機(jī)和單庫(kù)帶來(lái)的性能瓶頸和壓力，突破網(wǎng)絡(luò)IO、硬件資源、連接數(shù)的瓶頸，同時(shí)也帶來(lái)了一些問題。下面將描述這些技術(shù)挑戰(zhàn)以及對(duì)應(yīng)的解決思路。
1、事務(wù)一致性問題
分布式事務(wù)
當(dāng)更新內(nèi)容同時(shí)分布在不同庫(kù)中，不可避免會(huì)帶來(lái)跨庫(kù)事務(wù)問題。跨分片事務(wù)也是分布式事務(wù)，沒有簡(jiǎn)單的方案，一般可使用"XA協(xié)議"和"兩階段提交"處理。
分布式事務(wù)能最大限度保證了數(shù)據(jù)庫(kù)操作的原子性。但在提交事務(wù)時(shí)需要協(xié)調(diào)多個(gè)節(jié)點(diǎn)，推后了提交事務(wù)的時(shí)間點(diǎn)，延長(zhǎng)了事務(wù)的執(zhí)行時(shí)間。導(dǎo)致事務(wù)在訪問共享資源時(shí)發(fā)生沖突或死鎖的概率增高。隨著數(shù)據(jù)庫(kù)節(jié)點(diǎn)的增多，這種趨勢(shì)會(huì)越來(lái)越嚴(yán)重，從而成為系統(tǒng)在數(shù)據(jù)庫(kù)層面上水平擴(kuò)展的枷鎖。
最終一致性
對(duì)于那些性能要求很高，但對(duì)一致性要求不高的系統(tǒng)，往往不苛求系統(tǒng)的實(shí)時(shí)一致性，只要在允許的時(shí)間段內(nèi)達(dá)到最終一致性即可，可采用事務(wù)補(bǔ)償?shù)姆绞健Ｅc事務(wù)在執(zhí)行中發(fā)生錯(cuò)誤后立即回滾的方式不同，事務(wù)補(bǔ)償是一種事后檢查補(bǔ)救的措施，一些常見的實(shí)現(xiàn)方法有：對(duì)數(shù)據(jù)進(jìn)行對(duì)賬檢查，基于日志進(jìn)行對(duì)比，定期同標(biāo)準(zhǔn)數(shù)據(jù)來(lái)源進(jìn)行同步等等。事務(wù)補(bǔ)償還要結(jié)合業(yè)務(wù)系統(tǒng)來(lái)考慮。
2、跨節(jié)點(diǎn)關(guān)聯(lián)查詢join問題
切分之前，系統(tǒng)中很多列表和詳情頁(yè)所需的數(shù)據(jù)可以通過sql join來(lái)完成。而切分之后，數(shù)據(jù)可能分布在不同的節(jié)點(diǎn)上，此時(shí)join帶來(lái)的問題就比較麻煩了，考慮到性能，盡量避免使用join查詢。
解決這個(gè)問題的一些方法：
1）全局表
全局表，也可看做是"數(shù)據(jù)字典表"，就是系統(tǒng)中所有模塊都可能依賴的一些表，為了避免跨庫(kù)join查詢，可以將這類表在每個(gè)數(shù)據(jù)庫(kù)中都保存一份。這些數(shù)據(jù)通常很少會(huì)進(jìn)行修改，所以也不擔(dān)心一致性的問題。
2）字段冗余
一種典型的反范式設(shè)計(jì)，利用空間換時(shí)間，為了性能而避免join查詢。例如：訂單表保存userId時(shí)候，也將userName冗余保存一份，這樣查詢訂單詳情時(shí)就不需要再去查詢"買家user表"了。
但這種方法適用場(chǎng)景也有限，比較適用于依賴字段比較少的情況。而冗余字段的數(shù)據(jù)一致性也較難保證，就像上面訂單表的例子，買家修改了userName后，是否需要在歷史訂單中同步更新呢？這也要結(jié)合實(shí)際業(yè)務(wù)場(chǎng)景進(jìn)行考慮。
3）數(shù)據(jù)組裝
在系統(tǒng)層面，分兩次查詢，第一次查詢的結(jié)果集中找出關(guān)聯(lián)數(shù)據(jù)id，然后根據(jù)id發(fā)起第二次請(qǐng)求得到關(guān)聯(lián)數(shù)據(jù)。最后將獲得到的數(shù)據(jù)進(jìn)行字段拼裝。
4）ER分片
關(guān)系型數(shù)據(jù)庫(kù)中，如果可以先確定表之間的關(guān)聯(lián)關(guān)系，并將那些存在關(guān)聯(lián)關(guān)系的表記錄存放在同一個(gè)分片上，那么就能較好的避免跨分片join問題。在1:1或1:n的情況下，通常按照主表的ID主鍵切分。如下圖所示：
這樣一來(lái)，Data Node1上面的order訂單表與orderdetail訂單詳情表就可以通過orderId進(jìn)行局部的關(guān)聯(lián)查詢了，Data Node2上也一樣。
3、跨界店分頁(yè)、排序、函數(shù)問題
跨節(jié)點(diǎn)多庫(kù)進(jìn)行查詢時(shí)，會(huì)出現(xiàn)limit分頁(yè)、order by排序等問題。分頁(yè)需要按照指定字段進(jìn)行排序，當(dāng)排序字段就是分片字段時(shí)，通過分片規(guī)則就比較容易定位到指定的分片；當(dāng)排序字段非分片字段時(shí)，就變得比較復(fù)雜了。需要先在不同的分片節(jié)點(diǎn)中將數(shù)據(jù)進(jìn)行排序并返回，然后將不同分片返回的結(jié)果集進(jìn)行匯總和再次排序，最終返回給用戶。如圖所示：
上圖中只是取第一頁(yè)的數(shù)據(jù)，對(duì)性能影響還不是很大。但是如果取得頁(yè)數(shù)很大，情況則變得復(fù)雜很多，因?yàn)楦鞣制?jié)點(diǎn)中的數(shù)據(jù)可能是隨機(jī)的，為了排序的準(zhǔn)確性，需要將所有節(jié)點(diǎn)的前N頁(yè)數(shù)據(jù)都排序好做合并，最后再進(jìn)行整體的排序，這樣的操作時(shí)很耗費(fèi)CPU和內(nèi)存資源的，所以頁(yè)數(shù)越大，系統(tǒng)的性能也會(huì)越差。
在使用Max、Min、Sum、Count之類的函數(shù)進(jìn)行計(jì)算的時(shí)候，也需要先在每個(gè)分片上執(zhí)行相應(yīng)的函數(shù)，然后將各個(gè)分片的結(jié)果集進(jìn)行匯總和再次計(jì)算，最終將結(jié)果返回。如圖所示：
4、全局主鍵避重問題
在分庫(kù)分表環(huán)境中，由于表中數(shù)據(jù)同時(shí)存在不同數(shù)據(jù)庫(kù)中，主鍵值平時(shí)使用的自增長(zhǎng)將無(wú)用武之地，某個(gè)分區(qū)數(shù)據(jù)庫(kù)自生成的ID無(wú)法保證全局唯一。因此需要單獨(dú)設(shè)計(jì)全局主鍵，以避免跨庫(kù)主鍵重復(fù)問題。有一些常見的主鍵生成策略：
1）UUID
UUID標(biāo)準(zhǔn)形式包含32個(gè)16進(jìn)制數(shù)字，分為5段，形式為8-4-4-4-12的36個(gè)字符，例如：550e8400-e29b-41d4-a716-446655440000
UUID是主鍵是最簡(jiǎn)單的方案，本地生成，性能高，沒有網(wǎng)絡(luò)耗時(shí)。但缺點(diǎn)也很明顯，由于UUID非常長(zhǎng)，會(huì)占用大量的存儲(chǔ)空間；另外，作為主鍵建立索引和基于索引進(jìn)行查詢時(shí)都會(huì)存在性能問題，在InnoDB下，UUID的無(wú)序性會(huì)引起數(shù)據(jù)位置頻繁變動(dòng)，導(dǎo)致分頁(yè)。
2）結(jié)合數(shù)據(jù)庫(kù)維護(hù)主鍵ID表
在數(shù)據(jù)庫(kù)中建立 sequence 表：
CREATE TABLE `sequence` (
`id` bigint(20) unsigned NOT NULL auto_increment,
`stub` char(1) NOT NULL default '',
PRIMARY KEY (`id`),
UNIQUE KEY `stub` (`stub`)
) ENGINE=MyISAM;
stub字段設(shè)置為唯一索引，同一stub值在sequence表中只有一條記錄，可以同時(shí)為多張表生成全局ID。sequence表的內(nèi)容，如下所示：
+-------------------+------+
| id | stub |
+-------------------+------+
| 72157623227190423 | a |
+-------------------+------+
使用 MyISAM 存儲(chǔ)引擎而不是 InnoDB，以獲取更高的性能。MyISAM使用的是表級(jí)別的鎖，對(duì)表的讀寫是串行的，所以不用擔(dān)心在并發(fā)時(shí)兩次讀取同一個(gè)ID值。
當(dāng)需要全局唯一的64位ID時(shí)，執(zhí)行：
REPLACE INTO sequence (stub) VALUES ('a');
SELECT LAST_INSERT_ID();
這兩條語(yǔ)句是Connection級(jí)別的，select last_insert_id() 必須與 replace into 在同一數(shù)據(jù)庫(kù)連接下才能得到剛剛插入的新ID。
使用replace into代替insert into好處是避免了表行數(shù)過大，不需要另外定期清理。
此方案較為簡(jiǎn)單，但缺點(diǎn)也明顯：存在單點(diǎn)問題，強(qiáng)依賴DB，當(dāng)DB異常時(shí)，整個(gè)系統(tǒng)都不可用。配置主從可以增加可用性，但當(dāng)主庫(kù)掛了，主從切換時(shí)，數(shù)據(jù)一致性在特殊情況下難以保證。另外性能瓶頸限制在單臺(tái)MySQL的讀寫性能。
flickr團(tuán)隊(duì)使用的一種主鍵生成策略，與上面的sequence表方案類似，但更好的解決了單點(diǎn)和性能瓶頸的問題。
這一方案的整體思想是：建立2個(gè)以上的全局ID生成的服務(wù)器，每個(gè)服務(wù)器上只部署一個(gè)數(shù)據(jù)庫(kù)，每個(gè)庫(kù)有一張sequence表用于記錄當(dāng)前全局ID。表中ID增長(zhǎng)的步長(zhǎng)是庫(kù)的數(shù)量，起始值依次錯(cuò)開，這樣能將ID的生成散列到各個(gè)數(shù)據(jù)庫(kù)上。如下圖所示：
由兩個(gè)數(shù)據(jù)庫(kù)服務(wù)器生成ID，設(shè)置不同的auto_increment值。第一臺(tái)sequence的起始值為1，每次步長(zhǎng)增長(zhǎng)2，另一臺(tái)的sequence起始值為2，每次步長(zhǎng)增長(zhǎng)也是2。結(jié)果第一臺(tái)生成的ID都是奇數(shù)（1, 3, 5, 7 ...），第二臺(tái)生成的ID都是偶數(shù)（2, 4, 6, 8 ...）。
這種方案將生成ID的壓力均勻分布在兩臺(tái)機(jī)器上。同時(shí)提供了系統(tǒng)容錯(cuò)，第一臺(tái)出現(xiàn)了錯(cuò)誤，可以自動(dòng)切換到第二臺(tái)機(jī)器上獲取ID。但有以下幾個(gè)缺點(diǎn)：系統(tǒng)添加機(jī)器，水平擴(kuò)展時(shí)較復(fù)雜；每次獲取ID都要讀寫一次DB，DB的壓力還是很大，只能靠堆機(jī)器來(lái)提升性能。
可以基于flickr的方案繼續(xù)優(yōu)化，使用批量的方式降低數(shù)據(jù)庫(kù)的寫壓力，每次獲取一段區(qū)間的ID號(hào)段，用完之后再去數(shù)據(jù)庫(kù)獲取，可以大大減輕數(shù)據(jù)庫(kù)的壓力。如下圖所示：
還是使用兩臺(tái)DB保證可用性，數(shù)據(jù)庫(kù)中只存儲(chǔ)當(dāng)前的最大ID。ID生成服務(wù)每次批量拉取6個(gè)ID，先將max_id修改為5，當(dāng)應(yīng)用訪問ID生成服務(wù)時(shí)，就不需要訪問數(shù)據(jù)庫(kù)，從號(hào)段緩存中依次派發(fā)05的ID。當(dāng)這些ID發(fā)完后，再將max_id修改為11，下次就能派發(fā)611的ID。于是，數(shù)據(jù)庫(kù)的壓力降低為原來(lái)的1/6。
3）Snowflake分布式自增ID算法
Twitter的snowflake算法解決了分布式系統(tǒng)生成全局ID的需求，生成64位的Long型數(shù)字，組成部分：
- 第一位未使用
- 接下來(lái)41位是毫秒級(jí)時(shí)間，41位的長(zhǎng)度可以表示69年的時(shí)間
- 5位datacenterId，5位workerId。10位的長(zhǎng)度最多支持部署1024個(gè)節(jié)點(diǎn)
-
最后12位是毫秒內(nèi)的計(jì)數(shù)，12位的計(jì)數(shù)順序號(hào)支持每個(gè)節(jié)點(diǎn)每毫秒產(chǎn)生4096個(gè)ID序列
image.png
這樣的好處是：毫秒數(shù)在高位，生成的ID整體上按時(shí)間趨勢(shì)遞增；不依賴第三方系統(tǒng)，穩(wěn)定性和效率較高，理論上QPS約為409.6w/s（1000*2^12），并且整個(gè)分布式系統(tǒng)內(nèi)不會(huì)產(chǎn)生ID碰撞；可根據(jù)自身業(yè)務(wù)靈活分配bit位。
不足就在于：強(qiáng)依賴機(jī)器時(shí)鐘，如果時(shí)鐘回?fù)埽瑒t可能導(dǎo)致生成ID重復(fù)。
結(jié)合數(shù)據(jù)庫(kù)和snowflake的唯一ID方案，可以參考業(yè)界較為成熟的解法：Leaf——美團(tuán)點(diǎn)評(píng)分布式ID生成系統(tǒng)，并考慮到了高可用、容災(zāi)、分布式下時(shí)鐘等問題。
5、數(shù)據(jù)遷移、擴(kuò)容問題
當(dāng)業(yè)務(wù)高速發(fā)展，面臨性能和存儲(chǔ)的瓶頸時(shí)，才會(huì)考慮分片設(shè)計(jì)，此時(shí)就不可避免的需要考慮歷史數(shù)據(jù)遷移的問題。一般做法是先讀出歷史數(shù)據(jù)，然后按指定的分片規(guī)則再將數(shù)據(jù)寫入到各個(gè)分片節(jié)點(diǎn)中。此外還需要根據(jù)當(dāng)前的數(shù)據(jù)量和QPS，以及業(yè)務(wù)發(fā)展的速度，進(jìn)行容量規(guī)劃，推算出大概需要多少分片（一般建議單個(gè)分片上的單表數(shù)據(jù)量不超過1000W）
如果采用數(shù)值范圍分片，只需要添加節(jié)點(diǎn)就可以進(jìn)行擴(kuò)容了，不需要對(duì)分片數(shù)據(jù)遷移。如果采用的是數(shù)值取模分片，則考慮后期的擴(kuò)容問題就相對(duì)比較麻煩。
三.什么時(shí)候考慮拆分
下面講述一下什么時(shí)候需要考慮做數(shù)據(jù)切分。
1、能不切分盡量不要切分
并不是所有表都需要進(jìn)行切分，主要還是看數(shù)據(jù)的增長(zhǎng)速度。切分后會(huì)在某種程度上提升業(yè)務(wù)的復(fù)雜度，數(shù)據(jù)庫(kù)除了承載數(shù)據(jù)的存儲(chǔ)和查詢外，協(xié)助業(yè)務(wù)更好的實(shí)現(xiàn)需求也是其重要工作之一。
不到萬(wàn)不得已不用輕易使用分庫(kù)分表這個(gè)大招，避免"過度設(shè)計(jì)"和"過早優(yōu)化"。分庫(kù)分表之前，不要為分而分，先盡力去做力所能及的事情，例如：升級(jí)硬件、升級(jí)網(wǎng)絡(luò)、讀寫分離、索引優(yōu)化等等。當(dāng)數(shù)據(jù)量達(dá)到單表的瓶頸時(shí)候，再考慮分庫(kù)分表。
2、數(shù)據(jù)量過大，正常運(yùn)維影響業(yè)務(wù)訪問
這里說(shuō)的運(yùn)維，指：
1）對(duì)數(shù)據(jù)庫(kù)備份，如果單表太大，備份時(shí)需要大量的磁盤IO和網(wǎng)絡(luò)IO。例如1T的數(shù)據(jù)，網(wǎng)絡(luò)傳輸占50MB時(shí)候，需要20000秒才能傳輸完畢，整個(gè)過程的風(fēng)險(xiǎn)都是比較高的
2）對(duì)一個(gè)很大的表進(jìn)行DDL修改時(shí)，MySQL會(huì)鎖住全表，這個(gè)時(shí)間會(huì)很長(zhǎng)，這段時(shí)間業(yè)務(wù)不能訪問此表，影響很大。如果使用pt-online-schema-change，使用過程中會(huì)創(chuàng)建觸發(fā)器和影子表，也需要很長(zhǎng)的時(shí)間。在此操作過程中，都算為風(fēng)險(xiǎn)時(shí)間。將數(shù)據(jù)表拆分，總量減少，有助于降低這個(gè)風(fēng)險(xiǎn)。
3）大表會(huì)經(jīng)常訪問與更新，就更有可能出現(xiàn)鎖等待。將數(shù)據(jù)切分，用空間換時(shí)間，變相降低訪問壓力
3、隨著業(yè)務(wù)發(fā)展，需要對(duì)某些字段垂直拆分
舉個(gè)例子，假如項(xiàng)目一開始設(shè)計(jì)的用戶表如下：
id bigint #用戶的ID
name varchar #用戶的名字
last_login_time datetime #最近登錄時(shí)間
personal_info text #私人信息
..... #其他信息字段
在項(xiàng)目初始階段，這種設(shè)計(jì)是滿足簡(jiǎn)單的業(yè)務(wù)需求的，也方便快速迭代開發(fā)。而當(dāng)業(yè)務(wù)快速發(fā)展時(shí)，用戶量從10w激增到10億，用戶非常的活躍，每次登錄會(huì)更新 last_login_name 字段，使得 user 表被不斷update，壓力很大。而其他字段：id, name, personal_info 是不變的或很少更新的，此時(shí)在業(yè)務(wù)角度，就要將 last_login_time 拆分出去，新建一個(gè) user_time 表。
personal_info 屬性是更新和查詢頻率較低的，并且text字段占據(jù)了太多的空間。這時(shí)候，就要對(duì)此垂直拆分出 user_ext 表了。
4、數(shù)據(jù)量快速增長(zhǎng)
隨著業(yè)務(wù)的快速發(fā)展，單表中的數(shù)據(jù)量會(huì)持續(xù)增長(zhǎng)，當(dāng)性能接近瓶頸時(shí)，就需要考慮水平切分，做分庫(kù)分表了。此時(shí)一定要選擇合適的切分規(guī)則，提前預(yù)估好數(shù)據(jù)容量
5、安全性和可用性
雞蛋不要放在一個(gè)籃子里。在業(yè)務(wù)層面上垂直切分，將不相關(guān)的業(yè)務(wù)的數(shù)據(jù)庫(kù)分隔，因?yàn)槊總€(gè)業(yè)務(wù)的數(shù)據(jù)量、訪問量都不同，不能因?yàn)橐粋€(gè)業(yè)務(wù)把數(shù)據(jù)庫(kù)搞掛而牽連到其他業(yè)務(wù)。利用水平切分，當(dāng)一個(gè)數(shù)據(jù)庫(kù)出現(xiàn)問題時(shí)，不會(huì)影響到100%的用戶，每個(gè)庫(kù)只承擔(dān)業(yè)務(wù)的一部分?jǐn)?shù)據(jù)，這樣整體的可用性就能提高。
四.案例分析
1、用戶中心業(yè)務(wù)場(chǎng)景
用戶中心是一個(gè)非常常見的業(yè)務(wù)，主要提供用戶注冊(cè)、登錄、查詢/修改等功能，其核心表為：
User(uid, login_name, passwd, sex, age, nickname)
uid為用戶ID, 主鍵
login_name, passwd, sex, age, nickname, 用戶屬性
任何脫離業(yè)務(wù)的架構(gòu)設(shè)計(jì)都是耍流氓，在進(jìn)行分庫(kù)分表前，需要對(duì)業(yè)務(wù)場(chǎng)景需求進(jìn)行梳理：
用戶側(cè)：前臺(tái)訪問，訪問量較大，需要保證高可用和高一致性。主要有兩類需求：
1.用戶登錄：通過login_name/phone/email查詢用戶信息，1%請(qǐng)求屬于這種類型
2.用戶信息查詢：登錄之后，通過uid來(lái)查詢用戶信息，99%請(qǐng)求屬這種類型運(yùn)營(yíng)側(cè)：后臺(tái)訪問，支持運(yùn)營(yíng)需求，按照年齡、性別、登陸時(shí)間、注冊(cè)時(shí)間等進(jìn)行分頁(yè)的查詢。是內(nèi)部系統(tǒng)，訪問量較低，對(duì)可用性、一致性的要求不高。
2、水平切分方法
當(dāng)數(shù)據(jù)量越來(lái)越大時(shí)，需要對(duì)數(shù)據(jù)庫(kù)進(jìn)行水平切分，上文描述的切分方法有"根據(jù)數(shù)值范圍"和"根據(jù)數(shù)值取模"。
"根據(jù)數(shù)值范圍"：以主鍵uid為劃分依據(jù)，按uid的范圍將數(shù)據(jù)水平切分到多個(gè)數(shù)據(jù)庫(kù)上。例如：user-db1存儲(chǔ)uid范圍為01000w的數(shù)據(jù)，user-db2存儲(chǔ)uid范圍為1000w2000wuid數(shù)據(jù)。
- 優(yōu)點(diǎn)是：擴(kuò)容簡(jiǎn)單，如果容量不夠，只要增加新db即可。
- 不足是：請(qǐng)求量不均勻，一般新注冊(cè)的用戶活躍度會(huì)比較高，所以新的user-db2會(huì)比user-db1負(fù)載高，導(dǎo)致服務(wù)器利用率不平衡
"根據(jù)數(shù)值取模"：也是以主鍵uid為劃分依據(jù)，按uid取模的值將數(shù)據(jù)水平切分到多個(gè)數(shù)據(jù)庫(kù)上。例如：user-db1存儲(chǔ)uid取模得1的數(shù)據(jù)，user-db2存儲(chǔ)uid取模得0的uid數(shù)據(jù)。
- 優(yōu)點(diǎn)是：數(shù)據(jù)量和請(qǐng)求量分布均均勻
- 不足是：擴(kuò)容麻煩，當(dāng)容量不夠時(shí)，新增加db，需要rehash。需要考慮對(duì)數(shù)據(jù)進(jìn)行平滑的遷移。
3、非uid的查詢方法
水平切分后，對(duì)于按uid查詢的需求能很好的滿足，可以直接路由到具體數(shù)據(jù)庫(kù)。而按非uid的查詢，例如login_name，就不知道具體該訪問哪個(gè)庫(kù)了，此時(shí)需要遍歷所有庫(kù)，性能會(huì)降低很多。
對(duì)于用戶側(cè)，可以采用"建立非uid屬性到uid的映射關(guān)系"的方案；對(duì)于運(yùn)營(yíng)側(cè)，可以采用"前臺(tái)與后臺(tái)分離"的方案。
3.1、建立非uid屬性到uid的映射關(guān)系
1）映射關(guān)系
例如：login_name不能直接定位到數(shù)據(jù)庫(kù)，可以建立login_name→uid的映射關(guān)系，用索引表或緩存來(lái)存儲(chǔ)。當(dāng)訪問login_name時(shí)，先通過映射表查詢出login_name對(duì)應(yīng)的uid，再通過uid定位到具體的庫(kù)。
映射表只有兩列，可以承載很多數(shù)據(jù)，當(dāng)數(shù)據(jù)量過大時(shí)，也可以對(duì)映射表再做水平切分。這類kv格式的索引結(jié)構(gòu)，可以很好的使用cache來(lái)優(yōu)化查詢性能，而且映射關(guān)系不會(huì)頻繁變更，緩存命中率會(huì)很高。
2）基因法
分庫(kù)基因：假如通過uid分庫(kù)，分為8個(gè)庫(kù)，采用uid%8的方式進(jìn)行路由，此時(shí)是由uid的最后3bit來(lái)決定這行User數(shù)據(jù)具體落到哪個(gè)庫(kù)上，那么這3bit可以看為分庫(kù)基因。
上面的映射關(guān)系的方法需要額外存儲(chǔ)映射表，按非uid字段查詢時(shí)，還需要多一次數(shù)據(jù)庫(kù)或cache的訪問。如果想要消除多余的存儲(chǔ)和查詢，可以通過f函數(shù)取login_name的基因作為uid的分庫(kù)基因。生成uid時(shí)，參考上文所述的分布式唯一ID生成方案，再加上最后3位bit值=f(login_name)。當(dāng)查詢login_name時(shí)，只需計(jì)算f(login_name)%8的值，就可以定位到具體的庫(kù)。不過這樣需要提前做好容量規(guī)劃，預(yù)估未來(lái)幾年的數(shù)據(jù)量需要分多少庫(kù)，要預(yù)留一定bit的分庫(kù)基因。
3.2、前臺(tái)與后臺(tái)分離
對(duì)于用戶側(cè)，主要需求是以單行查詢?yōu)橹鳎枰ogin_name/phone/email到uid的映射關(guān)系，可以解決這些字段的查詢問題。
而對(duì)于運(yùn)營(yíng)側(cè)，很多批量分頁(yè)且條件多樣的查詢，這類查詢計(jì)算量大，返回?cái)?shù)據(jù)量大，對(duì)數(shù)據(jù)庫(kù)的性能消耗較高。此時(shí)，如果和用戶側(cè)公用同一批服務(wù)或數(shù)據(jù)庫(kù)，可能因?yàn)楹笈_(tái)的少量請(qǐng)求，占用大量數(shù)據(jù)庫(kù)資源，而導(dǎo)致用戶側(cè)訪問性能降低或超時(shí)。
這類業(yè)務(wù)最好采用"前臺(tái)與后臺(tái)分離"的方案，運(yùn)營(yíng)側(cè)后臺(tái)業(yè)務(wù)抽取獨(dú)立的service和db，解決和前臺(tái)業(yè)務(wù)系統(tǒng)的耦合。由于運(yùn)營(yíng)側(cè)對(duì)可用性、一致性的要求不高，可以不訪問實(shí)時(shí)庫(kù)，而是通過binlog異步同步數(shù)據(jù)到運(yùn)營(yíng)庫(kù)進(jìn)行訪問。在數(shù)據(jù)量很大的情況下，還可以使用ES搜索引擎或Hive來(lái)滿足后臺(tái)復(fù)雜的查詢方式。
五.支持分庫(kù)分表中間件
站在巨人的肩膀上能省力很多，目前分庫(kù)分表已經(jīng)有一些較為成熟的開源解決方案：
六.參考
數(shù)據(jù)庫(kù)分布式架構(gòu)掃盲——分庫(kù)分表（及銀行核心系統(tǒng)適用性思考）
分庫(kù)分表的思想
水平分庫(kù)分表的關(guān)鍵步驟以及可能遇到的問題
從原則、方案、策略及難點(diǎn)闡述分庫(kù)分表
Leaf——美團(tuán)點(diǎn)評(píng)分布式ID生成系統(tǒng)
數(shù)據(jù)庫(kù)水平切分架構(gòu)實(shí)踐-【架構(gòu)師之路】公眾號(hào)
轉(zhuǎn)載自：https://www.cnblogs.com/butterfly100/p/9034281.html
作者：butterfly100
