數據庫分庫分表思路

時間 2019-12-11

標籤數據庫分庫分表思路欄目 SQL 简体版

原文原文鏈接

一. 數據切分

關係型數據庫自己比較容易成爲系統瓶頸，單機存儲容量、鏈接數、處理能力都有限。當單表的數據量達到1000W或100G之後，因爲查詢維度較多，即便添加從庫、優化索引，作不少操做時性能仍降低嚴重。此時就要考慮對其進行切分了，切分的目的就在於減小數據庫的負擔，縮短查詢時間。javascript

數據庫分佈式核心內容無非就是數據切分（Sharding），以及切分後對數據的定位、整合。數據切分就是將數據分散存儲到多個數據庫中，使得單一數據庫中的數據量變小，經過擴充主機的數量緩解單一數據庫的性能問題，從而達到提高數據庫操做性能的目的。html

數據切分根據其切分類型，能夠分爲兩種方式：垂直（縱向）切分和水平（橫向）切分java

一、垂直（縱向）切分

垂直切分常見有垂直分庫和垂直分表兩種。git

垂直分庫就是根據業務耦合性，將關聯度低的不一樣表存儲在不一樣的數據庫。作法與大系統拆分爲多個小系統相似，按業務分類進行獨立劃分。與"微服務治理"的作法類似，每一個微服務使用單獨的一個數據庫。如圖：github

垂直分表是基於數據庫中的"列"進行，某個表字段較多，能夠新建一張擴展表，將不常常用或字段長度較大的字段拆分出去到擴展表中。在字段不少的狀況下（例如一個大表有100多個字段），經過"大表拆小表"，更便於開發與維護，也能避免跨頁問題，MySQL底層是經過數據頁存儲的，一條記錄佔用空間過大會致使跨頁，形成額外的性能開銷。另外數據庫以行爲單位將數據加載到內存中，這樣表中字段長度較短且訪問頻率較高，內存能加載更多的數據，命中率更高，減小了磁盤IO，從而提高了數據庫性能。算法

垂直切分的優勢：sql

解決業務系統層面的耦合，業務清晰
與微服務的治理相似，也能對不一樣業務的數據進行分級管理、維護、監控、擴展等
高併發場景下，垂直切分必定程度的提高IO、數據庫鏈接數、單機硬件資源的瓶頸

缺點：數據庫

部分表沒法join，只能經過接口聚合方式解決，提高了開發的複雜度
分佈式事務處理複雜
依然存在單表數據量過大的問題（須要水平切分）

二、水平（橫向）切分

當一個應用難以再細粒度的垂直切分，或切分後數據量行數巨大，存在單庫讀寫、存儲性能瓶頸，這時候就須要進行水平切分了。緩存

水平切分分爲庫內分表和分庫分表，是根據表內數據內在的邏輯關係，將同一個表按不一樣的條件分散到多個數據庫或多個表中，每一個表中只包含一部分數據，從而使得單個表的數據量變小，達到分佈式的效果。如圖所示：安全

庫內分表只解決了單一表數據量過大的問題，但沒有將表分佈到不一樣機器的庫上，所以對於減輕MySQL數據庫的壓力來講，幫助不是很大，你們仍是競爭同一個物理機的CPU、內存、網絡IO，最好經過分庫分表來解決。

水平切分的優勢：

不存在單庫數據量過大、高併發的性能瓶頸，提高系統穩定性和負載能力
應用端改造較小，不須要拆分業務模塊

缺點：

跨分片的事務一致性難以保證
跨庫的join關聯查詢性能較差
數據屢次擴展難度和維護量極大

水平切分後同一張表會出如今多個數據庫/表中，每一個庫/表的內容不一樣。幾種典型的數據分片規則爲：

一、根據數值範圍

按照時間區間或ID區間來切分。例如：按日期將不一樣月甚至是日的數據分散到不一樣的庫中；將userId爲1~9999的記錄分到第一個庫，10000~20000的分到第二個庫，以此類推。某種意義上，某些系統中使用的"冷熱數據分離"，將一些使用較少的歷史數據遷移到其餘庫中，業務功能上只提供熱點數據的查詢，也是相似的實踐。

這樣的優勢在於：

單表大小可控
自然便於水平擴展，後期若是想對整個分片集羣擴容時，只須要添加節點便可，無需對其餘分片的數據進行遷移
使用分片字段進行範圍查找時，連續分片可快速定位分片進行快速查詢，有效避免跨分片查詢的問題。

缺點：

熱點數據成爲性能瓶頸。連續分片可能存在數據熱點，例如按時間字段分片，有些分片存儲最近時間段內的數據，可能會被頻繁的讀寫，而有些分片存儲的歷史數據，則不多被查詢

二、根據數值取模

通常採用hash取模mod的切分方式，例如：將 Customer 表根據 cusno 字段切分到4個庫中，餘數爲0的放到第一個庫，餘數爲1的放到第二個庫，以此類推。這樣同一個用戶的數據會分散到同一個庫中，若是查詢條件帶有cusno字段，則可明肯定位到相應庫去查詢。

優勢：

數據分片相對比較均勻，不容易出現熱點和併發訪問的瓶頸

缺點：

後期分片集羣擴容時，須要遷移舊的數據（使用一致性hash算法能較好的避免這個問題）
容易面臨跨分片查詢的複雜問題。好比上例中，若是頻繁用到的查詢條件中不帶cusno時，將會致使沒法定位數據庫，從而須要同時向4個庫發起查詢，再在內存中合併數據，取最小集返回給應用，分庫反而成爲拖累。

二. 分庫分錶帶來的問題

分庫分表能有效的環節單機和單庫帶來的性能瓶頸和壓力，突破網絡IO、硬件資源、鏈接數的瓶頸，同時也帶來了一些問題。下面將描述這些技術挑戰以及對應的解決思路。

一、事務一致性問題

分佈式事務

當更新內容同時分佈在不一樣庫中，不可避免會帶來跨庫事務問題。跨分片事務也是分佈式事務，沒有簡單的方案，通常可以使用"XA協議"和"兩階段提交"處理。

分佈式事務能最大限度保證了數據庫操做的原子性。但在提交事務時須要協調多個節點，推後了提交事務的時間點，延長了事務的執行時間。致使事務在訪問共享資源時發生衝突或死鎖的機率增高。隨着數據庫節點的增多，這種趨勢會愈來愈嚴重，從而成爲系統在數據庫層面上水平擴展的枷鎖。

最終一致性

對於那些性能要求很高，但對一致性要求不高的系統，每每不苛求系統的實時一致性，只要在容許的時間段內達到最終一致性便可，可採用事務補償的方式。與事務在執行中發生錯誤後當即回滾的方式不一樣，事務補償是一種過後檢查補救的措施，一些常見的實現方法有：對數據進行對帳檢查，基於日誌進行對比，按期同標準數據來源進行同步等等。事務補償還要結合業務系統來考慮。

二、跨節點關聯查詢 join 問題

切分以前，系統中不少列表和詳情頁所需的數據能夠經過sql join來完成。而切分以後，數據可能分佈在不一樣的節點上，此時join帶來的問題就比較麻煩了，考慮到性能，儘可能避免使用join查詢。

解決這個問題的一些方法：

1）全局表

全局表，也可看作是"數據字典表"，就是系統中全部模塊均可能依賴的一些表，爲了不跨庫join查詢，能夠將這類表在每一個數據庫中都保存一份。這些數據一般不多會進行修改，因此也不擔憂一致性的問題。

2）字段冗餘

一種典型的反範式設計，利用空間換時間，爲了性能而避免join查詢。例如：訂單表保存userId時候，也將userName冗餘保存一份，這樣查詢訂單詳情時就不須要再去查詢"買家user表"了。

但這種方法適用場景也有限，比較適用於依賴字段比較少的狀況。而冗餘字段的數據一致性也較難保證，就像上面訂單表的例子，買家修改了userName後，是否須要在歷史訂單中同步更新呢？這也要結合實際業務場景進行考慮。

3）數據組裝

在系統層面，分兩次查詢，第一次查詢的結果集中找出關聯數據id，而後根據id發起第二次請求獲得關聯數據。最後將得到到的數據進行字段拼裝。

4）ER分片

關係型數據庫中，若是能夠先肯定表之間的關聯關係，並將那些存在關聯關係的表記錄存放在同一個分片上，那麼就能較好的避免跨分片join問題。在1:1或1:n的狀況下，一般按照主表的ID主鍵切分。以下圖所示：

這樣一來，Data Node1上面的order訂單表與orderdetail訂單詳情表就能夠經過orderId進行局部的關聯查詢了，Data Node2上也同樣。

三、跨節點分頁、排序、函數問題

跨節點多庫進行查詢時，會出現limit分頁、order by排序等問題。分頁須要按照指定字段進行排序，當排序字段就是分片字段時，經過分片規則就比較容易定位到指定的分片；當排序字段非分片字段時，就變得比較複雜了。須要先在不一樣的分片節點中將數據進行排序並返回，而後將不一樣分片返回的結果集進行彙總和再次排序，最終返回給用戶。如圖所示：

上圖中只是取第一頁的數據，對性能影響還不是很大。可是若是取得頁數很大，狀況則變得複雜不少，由於各分片節點中的數據多是隨機的，爲了排序的準確性，須要將全部節點的前N頁數據都排序好作合併，最後再進行總體的排序，這樣的操做時很耗費CPU和內存資源的，因此頁數越大，系統的性能也會越差。

在使用Max、Min、Sum、Count之類的函數進行計算的時候，也須要先在每一個分片上執行相應的函數，而後將各個分片的結果集進行彙總和再次計算，最終將結果返回。如圖所示：

四、全局主鍵避重問題

在分庫分表環境中，因爲表中數據同時存在不一樣數據庫中，主鍵值平時使用的自增加將無用武之地，某個分區數據庫自生成的ID沒法保證全局惟一。所以須要單獨設計全局主鍵，以免跨庫主鍵重複問題。有一些常見的主鍵生成策略：

1）UUID

UUID標準形式包含32個16進制數字，分爲5段，形式爲8-4-4-4-12的36個字符，例如：550e8400-e29b-41d4-a716-446655440000

UUID是主鍵是最簡單的方案，本地生成，性能高，沒有網絡耗時。但缺點也很明顯，因爲UUID很是長，會佔用大量的存儲空間；另外，做爲主鍵創建索引和基於索引進行查詢時都會存在性能問題，在InnoDB下，UUID的無序性會引發數據位置頻繁變更，致使分頁。

2）結合數據庫維護主鍵ID表

在數據庫中創建 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字段設置爲惟一索引，同一stub值在sequence表中只有一條記錄，能夠同時爲多張表生成全局ID。sequence表的內容，以下所示：

+-------------------+------+  
| id                | stub |  
+-------------------+------+  
| 72157623227190423 |    a |  
+-------------------+------+

使用 MyISAM 存儲引擎而不是 InnoDB，以獲取更高的性能。MyISAM使用的是表級別的鎖，對錶的讀寫是串行的，因此不用擔憂在併發時兩次讀取同一個ID值。

當須要全局惟一的64位ID時，執行：

REPLACE INTO sequence (stub) VALUES ('a');  
SELECT LAST_INSERT_ID();

這兩條語句是Connection級別的，select last_insert_id() 必須與 replace into 在同一數據庫鏈接下才能獲得剛剛插入的新ID。

使用replace into代替insert into好處是避免了錶行數過大，不須要另外按期清理。

此方案較爲簡單，但缺點也明顯：存在單點問題，強依賴DB，當DB異常時，整個系統都不可用。配置主從能夠增長可用性，但當主庫掛了，主從切換時，數據一致性在特殊狀況下難以保證。另外性能瓶頸限制在單臺MySQL的讀寫性能。

flickr團隊使用的一種主鍵生成策略，與上面的sequence表方案相似，但更好的解決了單點和性能瓶頸的問題。

這一方案的總體思想是：創建2個以上的全局ID生成的服務器，每一個服務器上只部署一個數據庫，每一個庫有一張sequence表用於記錄當前全局ID。表中ID增加的步長是庫的數量，起始值依次錯開，這樣能將ID的生成散列到各個數據庫上。以下圖所示：

由兩個數據庫服務器生成ID，設置不一樣的auto_increment值。第一臺sequence的起始值爲1，每次步長增加2，另外一臺的sequence起始值爲2，每次步長增加也是2。結果第一臺生成的ID都是奇數（1, 3, 5, 7 ...），第二臺生成的ID都是偶數（2, 4, 6, 8 ...）。

這種方案將生成ID的壓力均勻分佈在兩臺機器上。同時提供了系統容錯，第一臺出現了錯誤，能夠自動切換到第二臺機器上獲取ID。但有如下幾個缺點：系統添加機器，水平擴展時較複雜；每次獲取ID都要讀寫一次DB，DB的壓力仍是很大，只能靠堆機器來提高性能。

能夠基於flickr的方案繼續優化，使用批量的方式下降數據庫的寫壓力，每次獲取一段區間的ID號段，用完以後再去數據庫獲取，能夠大大減輕數據庫的壓力。以下圖所示：

仍是使用兩臺DB保證可用性，數據庫中只存儲當前的最大ID。ID生成服務每次批量拉取6個ID，先將max_id修改成5，當應用訪問ID生成服務時，就不須要訪問數據庫，從號段緩存中依次派發0~5的ID。當這些ID發完後，再將max_id修改成11，下次就能派發6~11的ID。因而，數據庫的壓力下降爲原來的1/6。

3）Snowflake分佈式自增ID算法

Twitter的snowflake算法解決了分佈式系統生成全局ID的需求，生成64位的Long型數字，組成部分：

第一位未使用
接下來41位是毫秒級時間，41位的長度能夠表示69年的時間
5位datacenterId，5位workerId。10位的長度最多支持部署1024個節點
最後12位是毫秒內的計數，12位的計數順序號支持每一個節點每毫秒產生4096個ID序列

這樣的好處是：毫秒數在高位，生成的ID總體上按時間趨勢遞增；不依賴第三方系統，穩定性和效率較高，理論上QPS約爲409.6w/s（1000*2^12），而且整個分佈式系統內不會產生ID碰撞；可根據自身業務靈活分配bit位。

不足就在於：強依賴機器時鐘，若是時鐘回撥，則可能致使生成ID重複。

綜上

結合數據庫和snowflake的惟一ID方案，能夠參考業界較爲成熟的解法：Leaf——美團點評分佈式ID生成系統，並考慮到了高可用、容災、分佈式下時鐘等問題。

五、數據遷移、擴容問題

當業務高速發展，面臨性能和存儲的瓶頸時，纔會考慮分片設計，此時就不可避免的須要考慮歷史數據遷移的問題。通常作法是先讀出歷史數據，而後按指定的分片規則再將數據寫入到各個分片節點中。此外還須要根據當前的數據量和QPS，以及業務發展的速度，進行容量規劃，推算出大概須要多少分片（通常建議單個分片上的單表數據量不超過1000W）

若是採用數值範圍分片，只須要添加節點就能夠進行擴容了，不須要對分片數據遷移。若是採用的是數值取模分片，則考慮後期的擴容問題就相對比較麻煩。

三. 何時考慮切分

下面講述一下何時須要考慮作數據切分。

一、能不切分儘可能不要切分

並非全部表都須要進行切分，主要仍是看數據的增加速度。切分後會在某種程度上提高業務的複雜度，數據庫除了承載數據的存儲和查詢外，協助業務更好的實現需求也是其重要工做之一。

不到萬不得已不用輕易使用分庫分表這個大招，避免"過分設計"和"過早優化"。分庫分表以前，不要爲分而分，先盡力去作力所能及的事情，例如：升級硬件、升級網絡、讀寫分離、索引優化等等。當數據量達到單表的瓶頸時候，再考慮分庫分表。

二、數據量過大，正常運維影響業務訪問

這裏說的運維，指：

1）對數據庫備份，若是單表太大，備份時須要大量的磁盤IO和網絡IO。例如1T的數據，網絡傳輸佔50MB時候，須要20000秒才能傳輸完畢，整個過程的風險都是比較高的

2）對一個很大的表進行DDL修改時，MySQL會鎖住全表，這個時間會很長，這段時間業務不能訪問此表，影響很大。若是使用pt-online-schema-change，使用過程當中會建立觸發器和影子表，也須要很長的時間。在此操做過程當中，都算爲風險時間。將數據表拆分，總量減小，有助於下降這個風險。

3）大表會常常訪問與更新，就更有可能出現鎖等待。將數據切分，用空間換時間，變相下降訪問壓力

三、隨着業務發展，須要對某些字段垂直拆分

舉個例子，假如項目一開始設計的用戶表以下：

id                   bigint             #用戶的ID
name                 varchar            #用戶的名字
last_login_time      datetime           #最近登陸時間
personal_info        text               #私人信息
.....                                   #其餘信息字段

在項目初始階段，這種設計是知足簡單的業務需求的，也方便快速迭代開發。而當業務快速發展時，用戶量從10w激增到10億，用戶很是的活躍，每次登陸會更新 last_login_name 字段，使得 user 表被不斷update，壓力很大。而其餘字段：id, name, personal_info 是不變的或不多更新的，此時在業務角度，就要將 last_login_time 拆分出去，新建一個 user_time 表。

personal_info 屬性是更新和查詢頻率較低的，而且text字段佔據了太多的空間。這時候，就要對此垂直拆分出 user_ext 表了。

四、數據量快速增加

隨着業務的快速發展，單表中的數據量會持續增加，當性能接近瓶頸時，就須要考慮水平切分，作分庫分表了。此時必定要選擇合適的切分規則，提早預估好數據容量

五、安全性和可用性

雞蛋不要放在一個籃子裏。在業務層面上垂直切分，將不相關的業務的數據庫分隔，由於每一個業務的數據量、訪問量都不一樣，不能由於一個業務把數據庫搞掛而牽連到其餘業務。利用水平切分，當一個數據庫出現問題時，不會影響到100%的用戶，每一個庫只承擔業務的一部分數據，這樣總體的可用性就能提升。

四. 案例分析

一、用戶中心業務場景

用戶中心是一個很是常見的業務，主要提供用戶註冊、登陸、查詢/修改等功能，其核心表爲：

User(uid, login_name, passwd, sex, age, nickname)

uid爲用戶ID,  主鍵
login_name, passwd, sex, age, nickname,  用戶屬性

任何脫離業務的架構設計都是耍流氓，在進行分庫分表前，須要對業務場景需求進行梳理：

用戶側：前臺訪問，訪問量較大，須要保證高可用和高一致性。主要有兩類需求：
- 用戶登陸：經過login_name/phone/email查詢用戶信息，1%請求屬於這種類型
- 用戶信息查詢：登陸以後，經過uid來查詢用戶信息，99%請求屬這種類型
運營側：後臺訪問，支持運營需求，按照年齡、性別、登錄時間、註冊時間等進行分頁的查詢。是內部系統，訪問量較低，對可用性、一致性的要求不高。

二、水平切分方法

當數據量愈來愈大時，須要對數據庫進行水平切分，上文描述的切分方法有"根據數值範圍"和"根據數值取模"。

"根據數值範圍"：以主鍵uid爲劃分依據，按uid的範圍將數據水平切分到多個數據庫上。例如：user-db1存儲uid範圍爲0~1000w的數據，user-db2存儲uid範圍爲1000w~2000wuid數據。

優勢是：擴容簡單，若是容量不夠，只要增長新db便可。
不足是：請求量不均勻，通常新註冊的用戶活躍度會比較高，因此新的user-db2會比user-db1負載高，致使服務器利用率不平衡

"根據數值取模"：也是以主鍵uid爲劃分依據，按uid取模的值將數據水平切分到多個數據庫上。例如：user-db1存儲uid取模得1的數據，user-db2存儲uid取模得0的uid數據。

優勢是：數據量和請求量分佈均均勻
不足是：擴容麻煩，當容量不夠時，新增長db，須要rehash。須要考慮對數據進行平滑的遷移。

三、非uid的查詢方法

水平切分後，對於按uid查詢的需求能很好的知足，能夠直接路由到具體數據庫。而按非uid的查詢，例如login_name，就不知道具體該訪問哪一個庫了，此時須要遍歷全部庫，性能會下降不少。

對於用戶側，能夠採用"創建非uid屬性到uid的映射關係"的方案；對於運營側，能夠採用"前臺與後臺分離"的方案。

3.一、創建非uid屬性到uid的映射關係

1）映射關係

例如：login_name不能直接定位到數據庫，能夠創建login_name→uid的映射關係，用索引表或緩存來存儲。當訪問login_name時，先經過映射表查詢出login_name對應的uid，再經過uid定位到具體的庫。

映射表只有兩列，能夠承載不少數據，當數據量過大時，也能夠對映射表再作水平切分。這類kv格式的索引結構，能夠很好的使用cache來優化查詢性能，並且映射關係不會頻繁變動，緩存命中率會很高。

2）基因法

分庫基因：假如經過uid分庫，分爲8個庫，採用uid%8的方式進行路由，此時是由uid的最後3bit來決定這行User數據具體落到哪一個庫上，那麼這3bit能夠看爲分庫基因。

上面的映射關係的方法須要額外存儲映射表，按非uid字段查詢時，還須要多一次數據庫或cache的訪問。若是想要消除多餘的存儲和查詢，能夠經過f函數取login_name的基因做爲uid的分庫基因。生成uid時，參考上文所述的分佈式惟一ID生成方案，再加上最後3位bit值=f(login_name)。當查詢login_name時，只需計算f(login_name)%8的值，就能夠定位到具體的庫。不過這樣須要提早作好容量規劃，預估將來幾年的數據量須要分多少庫，要預留必定bit的分庫基因。