數據庫水平切分的實現原理解析－－－分庫，分表，主從，集羣，負載均衡器

第1章 引言

隨着互聯網應用的普遍普及，海量數據的存儲和訪問成爲了系統設計的瓶頸問題。對於一個大型的互聯網應用，天天幾十億的PV無疑對數據庫形成了至關高的負載。對於系統的穩定性和擴展性形成了極大的問題。經過數據切分來提升網站性能，橫向擴展數據層已經成爲架構研發人員首選的方式。
水平切分數據庫：能夠下降單臺機器的負載，同時最大限度的下降了宕機形成的損失；
負載均衡策略：能夠下降單臺機器的訪問負載，下降宕機的可能性；
集羣方案：解決了數據庫宕機帶來的單點數據庫不能訪問的問題；
讀寫分離策略：最大限度了提升了應用中讀取數據的速度和併發量；

第2章 基本原理和概念

什麼是數據切分

"Shard" 這個詞英文的意思是"碎片"，而做爲數據庫相關的技術用語，彷佛最先見於大型多人在線角色扮演遊戲中。"Sharding" 姑且稱之爲"分片"。Sharding 不是一個某個特定數據庫軟件附屬的功能，而是在具體技術細節之上的抽象處理，是水平擴展(Scale Out，亦或橫向擴展、向外擴展)的解決方案，其主要目的是爲突破單節點數據庫服務器的 I/O 能力限制，解決數據庫擴展性問題。經過一系列的切分規則將數據水平分佈到不一樣的DB或table中，在經過相應的DB路由或者table路由規則找到須要查詢的具體的DB或者table，以進行Query操做。「sharding」一般是指「水平切分」，這也是本文討論的重點。接下來舉個簡單的例子：咱們針對一個Blog應用中的日誌來講明，好比日誌文章（article）表有以下字段：

面對這樣的一個表，咱們怎樣切分呢？怎樣將這樣的數據分佈到不一樣的數據庫中的表中去呢？咱們能夠這樣作，將user_id爲1～10000的全部的文章信息放入DB1中的article表中，將user_id爲10001～20000的全部文章信息放入DB2中的 article表中，以此類推，一直到DBn。這樣一來，文章數據就很天然的被分到了各個數據庫中，達到了數據切分的目的。
接下來要解決的問題就是怎樣找到具體的數據庫呢？其實問題也是簡單明顯的，既然分庫的時候咱們用到了區分字段user_id，那麼很天然，數據庫路由的過程固然仍是少不了user_id的。就是咱們知道了這個blog的user_id，就利用這個user_id，利用分庫時候的規則，反過來定位具體的數據庫。好比user_id是234，利用剛纔的規則，就應該定位到DB1，假如user_id是12343，利用該才的規則，就應該定位到DB2。以此類推，利用分庫的規則，反向的路由到具體的DB，這個過程咱們稱之爲「DB路由」。
日常咱們會自覺的按照範式來設計咱們的數據庫，考慮到數據切分的DB設計，將違背這個一般的規矩和約束。爲了切分，咱們不得不在數據庫的表中出現冗餘字段，用做區分字段或者叫作分庫的標記字段。好比上面的article的例子中的user_id這樣的字段（固然，剛纔的例子並無很好的體現出user_id的冗餘性，由於user_id這個字段即便就是不分庫，也是要出現的，算是咱們撿了便宜吧）。固然冗餘字段的出現並不僅是在分庫的場景下才出現的，在不少大型應用中，冗餘也是必須的，這個涉及到高效DB的設計，本文再也不贅述。

爲何要數據切分

上面對什麼是數據切分作了個概要的描述和解釋，讀者可能會疑問，爲何須要數據切分呢？像 Oracle這樣成熟穩定的數據庫，足以支撐海量數據的存儲與查詢了？爲何還須要數據切片呢？
的確，Oracle的DB確實很成熟很穩定，可是高昂的使用費用和高端的硬件支撐不是每個公司能支付的起的。試想一下一年幾千萬的使用費用和動輒上千萬元的小型機做爲硬件支撐，這是通常公司能支付的起的嗎？即便就是能支付的起，假若有更好的方案，有更廉價且水平擴展性能更好的方案，咱們爲何不選擇呢？
咱們知道每臺機器不管配置多麼好它都有自身的物理上限，因此當咱們應用已經能觸及或遠遠超出單臺機器的某個上限的時候，咱們唯有尋找別的機器的幫助或者繼續升級的咱們的硬件，但常見的方案仍是橫向擴展，經過添加更多的機器來共同承擔壓力。咱們還得考慮當咱們的業務邏輯不斷增加，咱們的機器能不能經過線性增加就能知足需求？Sharding能夠輕鬆的將計算，存儲，I/O並行分發到多臺機器上，這樣能夠充分利用多臺機器各類處理能力，同時能夠避免單點失敗，提供系統的可用性，進行很好的錯誤隔離。
綜合以上因素，數據切分是頗有必要的。 咱們用免費的MySQL和廉價的Server甚至是PC作集羣，達到小型機+大型商業DB的效果，減小大量的資金投入，下降運營成本，何樂而不爲呢？因此，咱們選擇Sharding，擁抱Sharding。
怎麼作到數據切分
數據切分能夠是物理上的，對數據經過一系列的切分規則將數據分佈到不一樣的DB服務器上，經過路由規則路由訪問特定的數據庫，這樣一來每次訪問面對的就不是單臺服務器了，而是N臺服務器，這樣就能夠下降單臺機器的負載壓力。
數據切分也能夠是數據庫內的，對數據經過一系列的切分規則，將數據分佈到一個數據庫的不一樣表中，好比將article分爲article_001，article_002等子表，若干個子表水平拼合有組成了邏輯上一個完整的article表，這樣作的目的其實也是很簡單的。舉個例子說明，好比article表中如今有5000w條數據，此時咱們須要在這個表中增長（insert）一條新的數據，insert完畢後，數據庫會針對這張表從新創建索引，5000w行數據創建索引的系統開銷仍是不容忽視的。可是反過來，假如咱們將這個表分紅100 個table呢，從article_001一直到article_100，5000w行數據平均下來，每一個子表裏邊就只有50萬行數據，這時候咱們向一張 只有50w行數據的table中insert數據後創建索引的時間就會呈數量級的降低，極大了提升了DB的運行時效率，提升了DB的併發量。固然分表的好處還不知這些，還有諸如寫操做的鎖操做等，都會帶來不少顯然的好處。

綜上，分庫下降了單點機器的負載；分表，提升了數據操做的效率，尤爲是Write操做的效率。行文至此咱們依然沒有涉及到如何切分的問題。接下來，咱們將對切分規則進行詳盡的闡述和說明。
上文中提到，要想作到數據的水平切分，在每個表中都要有相冗餘字符做爲切分依據和標記字段，一般的應用中咱們選用user_id做爲區分字段，基於此就有以下三種分庫的方式和規則：（固然還能夠有其餘的方式）

• (1) 號段分區
  user_id爲1～1000的對應DB1，1001～2000的對應DB2，以此類推；
  優勢：可部分遷移
  缺點：數據分佈不均
• (2)hash取模分區
  對user_id進行hash（或者若是user_id是數值型的話直接使用user_id 的值也可），而後用一個特定的數字，好比應用中須要將一個數據庫切分紅4個數據庫的話，咱們就用4這個數字對user_id的hash值進行取模運算，也就是user_id%4,這樣的話每次運算就有四種可能：結果爲1的時候對應DB1；結果爲2的時候對應DB2；結果爲3的時候對應DB3；結果爲0的時候對應DB4。這樣一來就很是均勻的將數據分配到4個DB中。
  優勢：數據分佈均勻
  缺點：數據遷移的時候麻煩，不能按照機器性能分攤數據
• (3)在認證庫中保存數據庫配置
  就是創建一個DB，這個DB單獨保存user_id到DB的映射關係，每次訪問數據庫的時候都要先查詢一次這個數據庫，以獲得具體的DB信息，而後才能進行咱們須要的查詢操做。
  優勢：靈活性強，一對一關係
  缺點：每次查詢以前都要多一次查詢，性能大打折扣

以上就是一般的開發中咱們選擇的三種方式，有些複雜的項目中可能會混合使用這三種方式。 經過上面的描述，咱們對分庫的規則也有了簡單的認識和了解。固然還會有更好更完善的分庫方式，還須要咱們不斷的探索和發現。
第3章 本課題研究的基本輪廓
分佈式數據方案提供功能以下：
（1）提供分庫規則和路由規則（RouteRule簡稱RR）；
（2）引入集羣（Group）的概念，保證數據的高可用性；
（3）引入負載均衡策略（LoadBalancePolicy簡稱LB）；
（4）引入集羣節點可用性探測機制，對單點機器的可用性進行定時的偵測，以保證LB策略的正確實施，以確保系統的高度穩定性；
（5）引入讀/寫分離，提升數據的查詢速度；
僅僅是分庫分表的數據層設計也是不夠完善的，當咱們採用了數據庫切分方案，也就是說有N臺機器組成了一個完整的DB 。若是有一臺機器宕機的話，也僅僅是一個DB的N分之一的數據不能訪問而已，這是咱們能接受的，起碼比切分以前的狀況好不少了，總不至於整個DB都不能訪問。
通常的應用中，這樣的機器故障致使的數據沒法訪問是能夠接受的，假設咱們的系統是一個高併發的電子商務網站呢？單節點機器宕機帶來的經濟損失是很是嚴重的。也就是說，如今咱們這樣的方案仍是存在問題的，容錯性能是經不起考驗的。固然了，問題老是有解決方案的。咱們引入集羣的概念，在此我稱之爲Group，也就是每個分庫的節點咱們引入多臺機器，每臺機器保存的數據是同樣的，通常狀況下這多臺機器分攤負載，當出現宕機狀況，負載均衡器將分配負載給這臺宕機的機器。這樣一來，就解決了容錯性的問題。

如上圖所示，整個數據層有Group1，Group2，Group3三個集羣組成，這三個集羣就是數據水平切分的結果，固然這三個集羣也就組成了一個包含完整數據的DB。每個Group包括1個Master（固然Master也能夠是多個）和 N個Slave，這些Master和Slave的數據是一致的。 好比Group1中的一個slave發生了宕機現象，那麼還有兩個slave是能夠用的，這樣的模型老是不會形成某部分數據不能訪問的問題，除非整個 Group裏的機器所有宕掉，可是考慮到這樣的事情發生的機率很是小（除非是斷電了，不然不易發生吧）。
在沒有引入集羣之前，咱們的一次查詢的過程大體以下：請求數據層，並傳遞必要的分庫區分字段 （一般狀況下是user_id）。數據層根據區分字段Route到具體的DB，在這個肯定的DB內進行數據操做。
這是沒有引入集羣的狀況，當時引入集羣會 是什麼樣子的呢？咱們的路由器上規則和策略其實只能路由到具體的Group，也就是隻能路由到一個虛擬的Group，這個Group並非某個特定的物理服務器。接下來須要作的工做就是找到具體的物理的DB服務器，以進行具體的數據操做。

基於這個環節的需求，咱們引入了負載均衡器的概念 （LB），負載均衡器的職責就是定位到一臺具體的DB服務器。具體的規則以下：負載均衡器會分析當前sql的讀寫特性，若是是寫操做或者是要求實時性很強的操做的話，直接將查詢負載分到Master，若是是讀操做則經過負載均衡策略分配一個Slave。

咱們的負載均衡器的主要研究方向也就是負載分發策略，一般狀況下負載均衡包括隨機負載均衡和加權負載均衡。隨機負載均衡很好理解，就是從N個Slave中隨機選取一個Slave。這樣的隨機負載均衡是不考慮機器性能的，它默認爲每臺機器的性能是同樣的。假如真實的狀況是這樣的，這樣作也是無可厚非的。假如實際狀況並不是如此呢？每一個Slave的機器物理性能和配置不同的狀況，再使用隨機的不考慮性能的負載均衡，是很是不科學的，這樣一來會給機器性能差的機器帶來沒必要要的高負載，甚至帶來宕機的危險，同時高性能的數據庫服務器也不能充分發揮其物理性能。基於此考慮從，咱們引入了加權負載均衡，也就是在咱們的系統內部經過必定的接口，能夠給每臺DB服務器分配一個權值，而後再運行時LB根據權值在集羣中的比重，分配必定比例的負載給該DB服務器。固然這樣的概念的引入，無疑增大了系統的複雜性和可維護性。有得必有失，咱們也沒有辦法逃過的。

有了分庫，有了集羣，有了負載均衡器，是否是就萬事大吉了呢？ 事情遠沒有咱們想象的那麼簡單。雖然有了這些東西，基本上能保證咱們的數據層能夠承受很大的壓力，可是這樣的設計並不能徹底規避數據庫宕機的危害。假如Group1中的slave2 宕機了，那麼系統的LB並不能得知，這樣的話實際上是很危險的，由於LB不知道，它還會覺得slave2爲可用狀態，因此仍是會給slave2分配負載。這樣一來，問題就出來了，客戶端很天然的就會發生數據操做失敗的錯誤或者異常。

這樣是很是不友好的！怎樣解決這樣的問題呢？ 咱們引入集羣節點的可用性探測機制 ，或者是可用性的數據推送機制。這兩種機制有什麼不一樣呢？首先說探測機制吧，顧名思義，探測即便，就是個人數據層客戶端，不定時對集羣中各個數據庫進行可用性的嘗試，實現原理就是嘗試性連接，或者數據庫端口的嘗試性訪問，均可以作到。

那數據推送機制又是什麼呢？其實這個就要放在現實的應用場景中來討論這個問題了，通常狀況下應用的DB 數據庫宕機的話我相信DBA確定是知道的，這個時候DBA手動的將數據庫的當前狀態經過程序的方式推送到客戶端，也就是分佈式數據層的應用端，這個時候在更新一個本地的DB狀態的列表。並告知LB，這個數據庫節點不能使用，請不要給它分配負載。一個是主動的監聽機制，一個是被動的被告知的機制。二者各有所長。可是均可以達到一樣的效果。這樣一來剛纔假設的問題就不會發生了，即便就是發生了，那麼發生的機率也會降到最低。

上面的文字中提到的Master和Slave ，咱們並無作太多深刻的講解。一個Group由1個Master和N個Slave組成。爲何這麼作呢？其中Master負責寫操做的負載，也就是說一切寫的操做都在Master上進行，而讀的操做則分攤到Slave上進行。這樣一來的能夠大大提升讀取的效率。在通常的互聯網應用中，通過一些數據調查得出結論，讀/寫的比例大概在 10：1左右 ，也就是說大量的數據操做是集中在讀的操做，這也就是爲何咱們會有多個Slave的緣由。可是爲何要分離讀和寫呢？熟悉DB的研發人員都知道，寫操做涉及到鎖的問題，無論是行鎖仍是表鎖仍是塊鎖，都是比較下降系統執行效率的事情。咱們這樣的分離是把寫操做集中在一個節點上，而讀操做其其餘 的N個節點上進行，從另外一個方面有效的提升了讀的效率，保證了系統的高可用性