数据库之分表分库

一、数据库瓶颈

不管是IO瓶颈，还是CPU瓶颈，最终都会导致数据库的活跃连接数增加，进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务Service来看就是，可用数据库连接少甚至无连接可用。接下来就可以想象了吧（并发量、吞吐量、崩溃）。

1、IO瓶颈

1. 磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询时会产生大量的IO，降低查询速度 —— 分库和垂直分表
2. 网络IO瓶颈，请求的数据太多，网路带宽不够 —— 分库

2、CPU瓶颈

1. SQL问题，如SQL中包含join、group by、order by，非索引字段条件查询等，增加CPU运算的操作 —— SQL优化，建立合适的索引，在业务服务层进行业务计算
2. 单表数据量太大，查询时扫描的行太多，SQL效率低，增加CPU运算的操作 —— 水平分表

二、分库分表

1、水平分库

概念：以字段为依据，按照一定策略（hash、range）等，将一个库中的数据拆分到多个库中

结果：

• 每个库的结构都一样
• 每个库的数据都不一样，没有交集
• 所有库的并集是全量数据

场景：系统的并发量上来了，分表难以根本上解决问题，并且还没有明显到的业务归属来垂直分库

分析：库多了，IO和CPU的压力自然可以成倍缓解

2、水平分表

概念：以字段为依据，按照一定的策略（hash、range等），将一个表中的数据拆分到多个表中

结果：

• 每个表的结构都一样
• 每个表的数据都不一样，没有交集
• 所有标的并集是全量数据

场景：系统的并发量并没有上来，只是单表的数据量太多，影响了SQL效率，加重了CPU的负担，以至于成为瓶颈

分析：表的数据量少了，单次SQL执行效率高，自然减轻了CPU的负担

3、垂直分库

概念：以表为依据，按照业务归属不同，将不同的表拆分到不同的表中

结果：

• 每个库的结构都不一样
• 每个库的数据都不一样，没有交集
• 所有库的并集是全量数据

场景：系统并发量上来了，并且可以抽象出单独的业务模块

分析：到这一步，基本就可以服务化了。例如，随着业务的发展，一些共用的配置表、字典表等越来越多，这是可以将这些表拆到单独的库中，甚至可以服务化

4、垂直分表

概念：以字段为依据，按照字段的活跃性，将表中字段拆到不同的表（主表和扩展表）中

结果：

• 每个表的结构都不一样
• 每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据
• 所有表的并集是全量数据

场景：系统绝对并发量并没有上来，表的记录并不多，但是字段多，并且热点数据和非热点数据在一起，单行数据所需的存储空间较大。以至于数据库缓存的数据行减少，查询时回去读磁盘数据产生大量的随机读IO，产生IO瓶颈

分析：可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据（可能会冗余经常一起查询的数据）放在一起作为主表，非热点数据放在一起作为扩展表。这样跟多的热点数据就能被缓存下来，进而减少了随机读IO。拆了之后，要想获得全部数据就需要关联两个表来获取数据

注意：千万别用join，因为join不仅会增加CPU的负担，并且会将两个表耦合在一起（必须在一个数据库实例上）。关联数据，应该在业务服务层做文章，分别获取主表和扩展表数据然后用关联字段得到全部数据

分库分表示例：

示例GitHub地址：

https://github.com/lc-study/study-sharding.git