数据库如何分库分表基础知识(一)

数据切分

关系型数据库本身比较容易成为系统瓶颈，单机存储容量、连接数、处理能力都有限。

当单表的数据量达到 1000W 或 100G 以后，由于查询维度较多，即使添加从库、优化索引，做很多操作时性能仍下降严重。

此时就要考虑对其进行切分了，切分的目的就在于减少数据库的负担，缩短查询时间。

数据库分布式核心内容无非就是数据切分（Sharding），以及切分后对数据的定位、整合。

数据切分就是将数据分散存储到多个数据库中，使得单一数据库中的数据量变小，通过扩充主机的数量缓解单一数据库的性能问题，从而达到提升数据库操作性能的目的。

数据切分根据其切分类型，可以分为两种方式：

 1)垂直（纵向）切分

 2)水平（横向）切分

 

垂直（纵向）切分

 垂直切分常见有垂直分库和垂直分表两种。

 垂直分库就是根据业务耦合性，将关联度低的不同表存储在不同的数据库。做法与大系统拆分为多个小系统类似，按业务分类进行独立划分。

垂直分表是基于数据库中的"列"进行，某个表字段较多，可以新建一张扩展表，将不经常用或字段长度较大的字段拆分出去到扩展表中。

在字段很多的情况下（例如一个大表有 100 多个字段），通过"大表拆小表"，更便于开发与维护，也能避免跨页问题，MySQL 底层是通过数据页存储的，一条记录占用空间过大会导致跨页，造成额外的性能开销。

另外数据库以行为单位将数据加载到内存中，这样表中字段长度较短且访问频率较高，内存能加载更多的数据，命中率更高，减少了磁盘 IO，从而提升了数据库性能。

垂直切分的优点如下：

• 解决业务系统层面的耦合，业务清晰

• 与微服务的治理类似，也能对不同业务的数据进行分级管理、维护、监控、扩展等

• 高并发场景下，垂直切分一定程度的提升 IO、数据库连接数、单机硬件资源的瓶颈

垂直切分的缺点如下：

• 部分表无法 join，只能通过接口聚合方式解决，提升了开发的复杂度

• 分布式事务处理复杂

• 依然存在单表数据量过大的问题（需要水平切分）

水平（横向）切分

 当一个应用难以再细粒度的垂直切分，或切分后数据量行数巨大，存在单库读写、存储性能瓶颈，这时候就需要进行水平切分了。

 水平切分分为库内分表和分库分表，是根据表内数据内在的逻辑关系，将同一个表按不同的条件分散到多个数据库或多个表中，每个表中只包含一部分数据，从而使得单个表的数据量变小，达到分布式的效果。

 

 

 库内分表只解决了单一表数据量过大的问题，但没有将表分布到不同机器的库上。

 因此对于减轻 MySQL 数据库的压力来说，帮助不是很大，大家还是竞争同一个物理机的 CPU、内存、网络 IO，最好通过分库分表来解决。

水平切分的优点如下：

• 不存在单库数据量过大、高并发的性能瓶颈，提升系统稳定性和负载能力

• 应用端改造较小，不需要拆分业务模块

 

水平切分的缺点：

• 跨分片的事务一致性难以保证

• 跨库的 join 关联查询性能较差

• 数据多次扩展难度和维护量极大

水平切分后同一张表会出现在多个数据库/表中，每个库/表的内容不同。几种典型的数据分片规则为：

 ①根据数值范围：按照时间区间或 ID 区间来切分。

例如：按日期将不同月甚至是日的数据分散到不同的库中；将 userId 为 1~9999 的记录分到第一个库，10000~20000 的分到第二个库，以此类推。

 

 

 

某种意义上，某些系统中使用的"冷热数据分离"，将一些使用较少的历史数据迁移到其他库中，业务功能上只提供热点数据的查询，也是类似的实践。

 

这样的优点在于：

• 单表大小可控

• 天然便于水平扩展，后期如果想对整个分片集群扩容时，只需要添加节点即可，无需对其他分片的数据进行迁移

• 使用分片字段进行范围查找时，连续分片可快速定位分片进行快速查询，有效避免跨分片查询的问题。

 

缺点在于：热点数据成为性能瓶颈。连续分片可能存在数据热点，例如按时间字段分片，有些分片存储最近时间段内的数据，可能会被频繁的读写，而有些分片存储的历史数据，则很少被查询。

②根据数值取模：一般采用 hash 取模 mod 的切分方式。

 

例如：将 Customer 表根据 cusno 字段切分到 4 个库中，余数为 0 的放到第一个库，余数为 1 的放到第二个库，以此类推。

 

 

 这样同一个用户的数据会分散到同一个库中，如果查询条件带有 cusno 字段，则可明确定位到相应库去查询。

 优点：数据分片相对比较均匀，不容易出现热点和并发访问的瓶颈

缺点如下：

• 后期分片集群扩容时，需要迁移旧的数据（使用一致性 hash 算法能较好的避免这个问题）

• 容易面临跨分片查询的复杂问题。比如上例中，如果频繁用到的查询条件中不带 cusno 时，将会导致无法定位数据库，从而需要同时向 4 个库发起查询，再在内存中合并数据，取最小集返回给应用，分库反而成为拖累。

 分库分表带来的问题:

    事务一致性问题

①分布式事务

 当更新内容同时分布在不同库中，不可避免会带来跨库事务问题。跨分片事务也是分布式事务，没有简单的方案，一般可使用"XA 协议"和"两阶段提交"处理。

 分布式事务能最大限度保证了数据库操作的原子性。但在提交事务时需要协调多个节点，推后了提交事务的时间点，延长了事务的执行时间。导致事务在访问共享资源时发生冲突或死锁的概率增高。随着数据库节点的增多，这种趋势会越来越严重，从而成为系统在数据库层面上水平扩展的枷锁。

 ②最终一致性

对于那些性能要求很高，但对一致性要求不高的系统，往往不苛求系统的实时一致性，只要在允许的时间段内达到最终一致性即可，可采用事务补偿的方式。
与事务在执行中发生错误后立即回滚的方式不同，事务补偿是一种事后检查补救的措施。

 一些常见的实现方法有：对数据进行对账检查，基于日志进行对比，定期同标准数据来源进行同步等等。事务补偿还要结合业务系统来考虑。

   跨节点关联查询 join 问题

切分之前，系统中很多列表和详情页所需的数据可以通过 sql join 来完成。

 而切分之后，数据可能分布在不同的节点上，此时 join 带来的问题就比较麻烦了，考虑到性能，尽量避免使用 join 查询。

 解决这个问题的一些方法：

 ①全局表：全局表，也可看做是"数据字典表"，就是系统中所有模块都可能依赖的一些表，为了避免跨库 join 查询，可以将这类表在每个数据库中都保存一份。这些数据通常很少会进行修改，所以也不担心一致性的问题。

②字段冗余：一种典型的反范式设计，利用空间换时间，为了性能而避免 join 查询。

例如：订单表保存 userId 时候，也将 userName 冗余保存一份，这样查询订单详情时就不需要再去查询"买家 user 表"了。

 但这种方法适用场景也有限，比较适用于依赖字段比较少的情况。而冗余字段的数据一致性也较难保证，就像上面订单表的例子，买家修改了 userName 后，是否需要在历史订单中同步更新呢？这也要结合实际业务场景进行考虑。

③数据组装：

 在系统层面，分两次查询，第一次查询的结果集中找出关联数据  id，然后根据 id 发起第二次请求得到关联数据。最后将获得到的数据进行字段拼装。

 ④ER 分片：

     关系型数据库中，如果可以先确定表之间的关联关系，并将那些存在关联关系的表记录存放在同一个分片上，那么就能较好的避免跨分片 join 问题。在 1:1 或 1:n 的情况下，通常按照主表的 ID 主键切分。

 

 

 

 这样一来，Data Node1 上面的 order 订单表与 orderdetail 订单详情表就可以通过 orderId 进行局部的关联查询了，Data Node2 上也一样。

   跨节点分页、排序、函数问题

 跨节点多库进行查询时，会出现 limit 分页、order by 排序等问题。分页需要按照指定字段进行排序，当排序字段就是分片字段时，通过分片规则就比较容易定位到指定的分片；当排序字段非分片字段时，就变得比较复杂了。需要先在不同的分片节点中将数据进行排序并返回，然后将不同分片返回的结果集进行汇总和再次排序，最终返回给用户。

 

 

 因为各分片节点中的数据可能是随机的，为了排序的准确性，需要将所有节点的前 N 页数据都排序好做合并，最后再进行整体的排序，这样的操作是很耗费 CPU 和内存资源的，所以页数越大，系统的性能也会越差。

 在使用 Max、Min、Sum、Count 之类的函数进行计算的时候，也需要先在每个分片上执行相应的函数，然后将各个分片的结果集进行汇总和再次计算，最终将结果返回。

 

 

 

   全局主键避重问题

在分库分表环境中，由于表中数据同时存在不同数据库中，主键值平时使用的自增长将无用武之地，某个分区数据库自生成的 ID 无法保证全局唯一。

 因此需要单独设计全局主键，以避免跨库主键重复问题。有一些常见的主键生成策略：

①UUID

②结合数据库维护主键 ID 表

   在数据库中建立 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 字段设置为唯一索引，同一 stub 值在 sequence 表中只有一条记录，可以同时为多张表生成全局 ID。

sequence 表的内容，如下所示：

 

 使用 MyISAM 存储引擎而不是 InnoDB，以获取更高的性能。MyISAM 使用的是表级别的锁，对表的读写是串行的，所以不用担心在并发时两次读取同一个 ID 值。

当需要全局唯一的 64 位 ID 时，执行：

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

这两条语句是 Connection 级别的，select last_insert_id() 必须与 replace into 在同一数据库连接下才能得到刚刚插入的新 ID。
使用 replace into 代替 insert into 好处是避免了表行数过大，不需要另外定期清理。

 此方案较为简单，但缺点也明显：存在单点问题，强依赖 DB，当 DB 异常时，整个系统都不可用。

 配置主从可以增加可用性，但当主库挂了，主从切换时，数据一致性在特殊情况下难以保证。另外性能瓶颈限制在单台 MySQL 的读写性能。

 flickr 团队使用的一种主键生成策略，与上面的 sequence 表方案类似，但更好的解决了单点和性能瓶颈的问题。

 这一方案的整体思想是：建立 2 个以上的全局 ID 生成的服务器，每个服务器上只部署一个数据库，每个库有一张 sequence 表用于记录当前全局 ID。

 表中 ID 增长的步长是库的数量，起始值依次错开，这样能将 ID 的生成散列到各个数据库上。

③Snowflake 分布式自增 ID 算法

 Twitter 的 Snowflake 算法解决了分布式系统生成全局 ID 的需求，生成 64 位的 Long 型数字。

组成部分：

• 第一位未使用。

• 接下来 41 位是毫秒级时间，41 位的长度可以表示 69 年的时间。

• 5 位 datacenterId，5 位 workerId。10 位的长度最多支持部署 1024 个节点。

• 最后 12 位是毫秒内的计数，12 位的计数顺序号支持每个节点每毫秒产生 4096 个 ID 序列。

这样的好处是：

 毫秒数在高位，生成的 ID 整体上按时间趋势递增；不依赖第三方系统，稳定性和效率较高。

 理论上 QPS 约为 409.6w/s（1000*2^12），并且整个分布式系统内不会产生 ID 碰撞；可根据自身业务灵活分配 bit 位。

 不足就在于：

强依赖机器时钟，如果时钟回拨，则可能导致生成 ID 重复。

综上结合数据库和 Snowflake 的唯一 ID 方案，可以参考业界较为成熟的解法：

Leaf——美团点评分布式 ID 生成系统，并考虑到了高可用、容灾、分布式下时钟等问题：

https://tech.meituan.com/2017/04/21/mt-leaf.html

   数据迁移、扩容问题

一般做法是先读出历史数据，然后按指定的分片规则再将数据写入到各个分片节点中。

 此外还需要根据当前的数据量和 QPS，以及业务发展的速度，进行容量规划，推算出大概需要多少分片（一般建议单个分片上的单表数据量不超过 1000W）。

 如果采用数值范围分片，只需要添加节点就可以进行扩容了，不需要对分片数据迁移。如果采用的是数值取模分片，则考虑后期的扩容问题就相对比较麻烦。

什么时候需要考虑做数据切分。

①能不切分尽量不要切分

②数据量过大，正常运维影响业务访问

③随着业务发展，需要对某些字段垂直拆分

④数据量快速增长

⑤安全性和可用性

 

案例分析

 

用户中心业务场景

用户中心是一个非常常见的业务，主要提供用户注册、登录、查询/修改等功能，其核心表为：

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

uid为用户ID,  主键
login_name, passwd, sex, age, nickname,  用户属性

任何脱离业务的架构设计都是耍流氓，在进行分库分表前，需要对业务场景需求进行梳理：
用户侧：前台访问，访问量较大，需要保证高可用和高一致性。

 主要有两类需求：

• 用户登录：通过 login_name/phone/email 查询用户信息，1% 请求属于这种类型。

• 用户信息查询：登录之后，通过 uid 来查询用户信息，99% 请求属这种类型。

 运营侧：后台访问，支持运营需求，按照年龄、性别、登陆时间、注册时间等进行分页的查询。是内部系统，访问量较低，对可用性、一致性的要求不高。

水平切分方法

 当数据量越来越大时，需要对数据库进行水平切分，上文描述的切分方法有"根据数值范围"和"根据数值取模"。

 "根据数值范围"：以主键 uid 为划分依据，按 uid 的范围将数据水平切分到多个数据库上。

 例如：user-db1 存储 uid 范围为 0~1000w 的数据，user-db2 存储 uid 范围为 1000w~2000w uid 数据。

 优点是：扩容简单，如果容量不够，只要增加新 DB 即可。

 不足是：请求量不均匀，一般新注册的用户活跃度会比较高，所以新的 user-db2 会比 user-db1 负载高，导致服务器利用率不平衡。

"根据数值取模"：也是以主键 uid 为划分依据，按 uid 取模的值将数据水平切分到多个数据库上。

 例如：user-db1 存储 uid 取模得 1 的数据，user-db2 存储 uid 取模得 0 的 uid 数据。

优点是：数据量和请求量分布均匀。

 不足是：扩容麻烦，当容量不够时，新增加 DB，需要 rehash。需要考虑对数据进行平滑的迁移。

 

非 uid 的查询方法

 水平切分后，对于按 uid 查询的需求能很好的满足，可以直接路由到具体数据库。

 而按非 uid 的查询，例如 login_name，就不知道具体该访问哪个库了，此时需要遍历所有库，性能会降低很多。

 对于用户侧，可以采用"建立非 uid 属性到 uid 的映射关系"的方案；对于运营侧，可以采用"前台与后台分离"的方案。

①建立非 uid 属性到 uid 的映射关系

 映射关系：例如：login_name 不能直接定位到数据库，可以建立 login_name→uid 的映射关系，用索引表或缓存来存储。

当访问 login_name 时，先通过映射表查询出 login_name 对应的 uid，再通过 uid 定位到具体的库。

 映射表只有两列，可以承载很多数据，当数据量过大时，也可以对映射表再做水平切分。

 这类 kv 格式的索引结构，可以很好的使用 cache 来优化查询性能，而且映射关系不会频繁变更，缓存命中率会很高。

 基因法：分库基因，假如通过 uid 分库，分为 8 个库，采用 uid%8 的方式进行路由，此时是由 uid 的最后 3bit 来决定这行 User 数据具体落到哪个库上，那么这 3bit 可以看为分库基因。

上面的映射关系的方法需要额外存储映射表，按非 uid 字段查询时，还需要多一次数据库或 cache 的访问。

 如果想要消除多余的存储和查询，可以通过 f 函数取 login_name 的基因作为 uid 的分库基因。

 生成 uid 时，参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)。

 当查询 login_name 时，只需计算 f(login_name)%8 的值，就可以定位到具体的库。

不过这样需要提前做好容量规划，预估未来几年的数据量需要分多少库，要预留一定 bit 的分库基因。

 

 

②前台与后台分离

 对于用户侧，主要需求是以单行查询为主，需要建立 login_name/phone/email 到 uid 的映射关系，可以解决这些字段的查询问题。

而对于运营侧，很多批量分页且条件多样的查询，这类查询计算量大，返回数据量大，对数据库的性能消耗较高。

 此时，如果和用户侧共用同一批服务或数据库，可能因为后台的少量请求，占用大量数据库资源，而导致用户侧访问性能降低或超时。

 这类业务最好采用"前台与后台分离"的方案，运营侧后台业务抽取独立的 service 和 DB，解决和前台业务系统的耦合。

 由于运营侧对可用性、一致性的要求不高，可以不访问实时库，而是通过 binlog 异步同步数据到运营库进行访问。

 在数据量很大的情况下，还可以使用 ES 搜索引擎或 Hive 来满足后台复杂的查询方式。

支持分库分表中间件

站在巨人的肩膀上能省力很多，目前分库分表已经有一些较为成熟的开源解决方案：

• sharding-jdbc（当当）

  https://github.com/shardingjdbc

• TSharding（蘑菇街）

  https://github.com/baihui212/tsharding

• Atlas（奇虎360）

  https://github.com/Qihoo360/Atlas

• Cobar（阿里巴巴）

  https://github.com/alibaba/cobar

• MyCAT（基于 Cobar）

  http://www.mycat.io/

• Oceanus（58 同城）

  https://github.com/58code/Oceanus

• Vitess（谷歌）

  https://github.com/vitessio/vitess

 原文：https://www.cnblogs.com/butterfly100/p/9034281.html