點擊上方“方志朋”，選擇“置頂或者星標”
你的關注意義重大！
一. 數據切分
關系型數據庫本身比較容易成為系統瓶頸，單機存儲容量、連接數、處理能力都有限。當單表的數據量達到1000W或100G以后，由于查詢維度較多，即使添加從庫、優化索引，做很多操作時性能仍下降嚴重。此時就要考慮對其進行切分了，切分的目的就在于減少數據庫的負擔，縮短查詢時間。
數據庫分布式核心內容無非就是數據切分（），以及切分后對數據的定位、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，通過擴充主機的數量緩解單一數據庫的性能問題，從而達到提升數據庫操作性能的目的。
數據切分根據其切分類型，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和垂直分表兩種。
垂直分庫就是根據業務耦合性，將關聯度低的不同表存儲在不同的數據庫。做法與大系統拆分為多個小系統類似，按業務分類進行獨立劃分。與"微服務治理"的做法相似，每個微服務使用單獨的一個數據庫。如圖：
垂直分表是基于數據庫中的"列"進行，某個表字段較多，可以新建一張擴展表，將不經常用或字段長度較大的字段拆分出去到擴展表中。在字段很多的情況下（例如一個大表有100多個字段），通過"大表拆小表"，更便于開發與維護，也能避免跨頁問題，MySQL底層是通過數據頁存儲的，一條記錄占用空間過大會導致跨頁，造成額外的性能開銷。另外數據庫以行為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，減少了磁盤IO，從而提升了數據庫性能。
垂直切分的優點：
缺點：
2、水平（橫向）切分
當一個應用難以再細粒度的垂直切分，或切分后數據量行數巨大，存在單庫讀寫、存儲性能瓶頸，這時候就需要進行水平切分了。
水平切分分為庫內分表和分庫分表，是根據表內數據內在的邏輯關系，將同一個表按不同的條件分散到多個數據庫或多個表中，每個表中只包含一部分數據，從而使得單個表的數據量變小，達到分布式的效果。如圖所示：
庫內分表只解決了單一表數據量過大的問題，但沒有將表分布到不同機器的庫上，因此對于減輕MySQL數據庫的壓力來說，幫助不是很大，大家還是競爭同一個物理機的CPU、內存、網絡IO，最好通過分庫分表來解決。
水平切分的優點：
缺點：
水平切分后同一張表會出現在多個數據庫/表中，每個庫/表的內容不同。幾種典型的數據分片規則為：
1、根據數值范圍
按照時間區間或ID區間來切分。例如：按日期將不同月甚至是日的數據分散到不同的庫中；將為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他庫中，業務功能上只提供熱點數據的查詢，也是類似的實踐。
這樣的優點在于：
缺點：
2、根據數值取模
一般采用hash取模mod的切分方式，例如：將 表根據 cusno 字段切分到4個庫中，余數為0的放到第一個庫，余數為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，如果查詢條件帶有cusno字段，則可明確定位到相應庫去查詢。
優點：
缺點：
二. 分庫分表帶來的問題
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、連接數的瓶頸，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。
1、事務一致性問題分布式事務
當更新內容同時分布在不同庫中，不可避免會帶來跨庫事務問題。跨分片事務也是分布式事務，沒有簡單的方案，一般可使用"XA協議"和"兩階段提交"處理。
分布式事務能最大限度保證了數據庫操作的原子性。但在提交事務時需要協調多個節點，推后了提交事務的時間點，延長了事務的執行時間。導致事務在訪問共享資源時發生沖突或死鎖的概率增高。隨著數據庫節點的增多，這種趨勢會越來越嚴重，從而成為系統在數據庫層面上水平擴展的枷鎖。
最終一致性
對于那些性能要求很高，但對一致性要求不高的系統，往往不苛求系統的實時一致性，只要在允許的時間段內達到最終一致性即可，可采用事務補償的方式。與事務在執行中發生錯誤后立即回滾的方式不同，事務補償是一種事后檢查補救的措施，一些常見的實現方法有：對數據進行對賬檢查，基于日志進行對比，定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。
2、跨節點關聯查詢 join 問題
切分之前html5能連接數據庫嗎，系統中很多列表和詳情頁所需的數據可以通過sql join來完成。而切分之后，數據可能分布在不同的節點上，此時join帶來的問題就比較麻煩了，考慮到性能，盡量避免使用join查詢。
解決這個問題的一些方法：
1）全局表
全局表，也可看做是"數據字典表"，就是系統中所有模塊都可能依賴的一些表，為了避免跨庫join查詢，可以將這類表在每個數據庫中都保存一份。這些數據通常很少會進行修改，所以也不擔心一致性的問題。
2）字段冗余
一種典型的反范式設計，利用空間換時間，為了性能而避免join查詢。例如：訂單表保存時候，也將冗余保存一份，這樣查詢訂單詳情時就不需要再去查詢"買家user表"了。
但這種方法適用場景也有限，比較適用于依賴字段比較少的情況。而冗余字段的數據一致性也較難保證，就像上面訂單表的例子，買家修改了后，是否需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，然后根據id發起第二次請求得到關聯數據。最后將獲得到的數據進行字段拼裝。
4）ER分片
關系型數據庫中，如果可以先確定表之間的關聯關系，并將那些存在關聯關系的表記錄存放在同一個分片上，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，Data Node1上面的order訂單表與訂單詳情表就可以通過進行局部的關聯查詢了，Data Node2上也一樣。
3、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。分頁需要按照指定字段進行排序，當排序字段就是分片字段時，通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，就變得比較復雜了。需要先在不同的分片節點中將數據進行排序并返回，然后將不同分片返回的結果集進行匯總和再次排序，最終返回給用戶。如圖所示：
上圖中只是取第一頁的數據，對性能影響還不是很大。但是如果取得頁數很大，情況則變得復雜很多，因為各分片節點中的數據可能是隨機的，為了排序的準確性，需要將所有節點的前N頁數據都排序好做合并，最后再進行整體的排序，這樣的操作時很耗費CPU和內存資源的，所以頁數越大，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，也需要先在每個分片上執行相應的函數，然后將各個分片的結果集進行匯總和再次計算，最終將結果返回。如圖所示：
4、全局主鍵避重問題
在分庫分表環境中，由于表中數據同時存在不同數據庫中，主鍵值平時使用的自增長將無用武之地，某個分區數據庫自生成的ID無法保證全局唯一。因此需要單獨設計全局主鍵，以避免跨庫主鍵重復問題。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，分為5段，形式為8-4-4-4-12的36個字符，例如：-e29b-41d4-a716-
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，由于UUID非常長，會占用大量的存儲空間；另外，作為主鍵建立索引和基于索引進行查詢時都會存在性能問題，在下，UUID的無序性會引起數據位置頻繁變動，導致分頁。
2）結合數據庫維護主鍵ID表
在數據庫中建立 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字段設置為唯一索引，同一stub值在表中只有一條記錄，可以同時為多張表生成全局ID。表的內容，如下所示：
+-------------------+------+??
|?id????????????????|?stub?|??
+-------------------+------+??
|?72157623227190423?|????a?|??
+-------------------+------+??
使用 存儲引擎而不是 ，以獲取更高的性能。使用的是表級別的鎖，對表的讀寫是串行的，所以不用擔心在并發時兩次讀取同一個ID值。
當需要全局唯一的64位ID時，執行：
REPLACE?INTO?sequence?(stub)?VALUES?('a');??
SELECT?LAST_INSERT_ID();
這兩條語句是級別的， () 必須與 into 在同一數據庫連接下才能得到剛剛插入的新ID。
使用 into代替 into好處是避免了表行數過大，不需要另外定期清理。
此方案較為簡單，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。配置主從可以增加可用性，但當主庫掛了，主從切換時，數據一致性在特殊情況下難以保證。另外性能瓶頸限制在單臺MySQL的讀寫性能。
團隊使用的一種主鍵生成策略，與上面的表方案類似，但更好的解決了單點和性能瓶頸的問題。
這一方案的整體思想是：建立2個以上的全局ID生成的服務器，每個服務器上只部署一個數據庫，每個庫有一張表用于記錄當前全局ID。表中ID增長的步長是庫的數量，起始值依次錯開，這樣能將ID的生成散列到各個數據庫上。如下圖所示：
由兩個數據庫服務器生成ID，設置不同的值。第一臺的起始值為1，每次步長增長2，另一臺的起始值為2，每次步長增長也是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的壓力均勻分布在兩臺機器上。同時提供了系統容錯，第一臺出現了錯誤，可以自動切換到第二臺機器上獲取ID。但有以下幾個缺點：系統添加機器，水平擴展時較復雜；每次獲取ID都要讀寫一次DB，DB的壓力還是很大，只能靠堆機器來提升性能。
可以基于的方案繼續優化，使用批量的方式降低數據庫的寫壓力，每次獲取一段區間的ID號段，用完之后再去數據庫獲取，可以大大減輕數據庫的壓力。如下圖所示：
還是使用兩臺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，先將修改為5，當應用訪問ID生成服務時，就不需要訪問數據庫，從號段緩存中依次派發0~5的ID。當這些ID發完后，再將修改為11，下次就能派發6~11的ID。于是，數據庫的壓力降低為原來的1/6。
3）分布式自增ID算法
的算法解決了分布式系統生成全局ID的需求，生成64位的Long型數字，組成部分：
這樣的好處是：毫秒數在高位，生成的ID整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約為409.6w/s（1000*2^12），并且整個分布式系統內不會產生ID碰撞；可根據自身業務靈活分配bit位。
不足就在于：強依賴機器時鐘，如果時鐘回撥，則可能導致生成ID重復。
5、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，才會考慮分片設計，此時就不可避免的需要考慮歷史數據遷移的問題。一般做法是先讀出歷史數據，然后按指定的分片規則再將數據寫入到各個分片節點中。此外還需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，推算出大概需要多少分片（一般建議單個分片上的單表數據量不超過1000W）
如果采用數值范圍分片，只需要添加節點就可以進行擴容了，不需要對分片數據遷移。如果采用的是數值取模分片，則考慮后期的擴容問題就相對比較麻煩。
三. 什么時候考慮切分
下面講述一下什么時候需要考慮做數據切分。
1、能不切分盡量不要切分
并不是所有表都需要進行切分，主要還是看數據的增長速度。切分后會在某種程度上提升業務的復雜度，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作之一。
不到萬不得已不用輕易使用分庫分表這個大招，避免"過度設計"和"過早優化"。分庫分表之前，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。
2、數據量過大，正常運維影響業務訪問
這里說的運維，指：
1）對數據庫備份，如果單表太大，備份時需要大量的磁盤IO和網絡IO。例如1T的數據，網絡傳輸占50MB時候html5能連接數據庫嗎，需要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。如果使用pt---，使用過程中會創建觸發器和影子表，也需要很長的時間。在此操作過程中，都算為風險時間。將數據表拆分，總量減少，有助于降低這個風險。
3）大表會經常訪問與更新，就更有可能出現鎖等待。將數據切分，用空間換時間，變相降低訪問壓力
3、隨著業務發展，需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如下：
id??????????????????bigint?????#用戶的ID
name????????????????varchar????#用戶的名字
last_login_time?????datetime???#最近登錄時間
personal_info???????text???????#私人信息
.....??????????????????????????#其他信息字段
在項目初始階段，這種設計是滿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，用戶非常的活躍，每次登錄會更新 字段，使得 user 表被不斷，壓力很大。而其他字段：id, name, 是不變的或很少更新的，此時在業務角度，就要將 拆分出去，新建一個 表。
屬性是更新和查詢頻率較低的，并且text字段占據了太多的空間。這時候，就要對此垂直拆分出 表了。
4、數據量快速增長
隨著業務的快速發展，單表中的數據量會持續增長，當性能接近瓶頸時，就需要考慮水平切分，做分庫分表了。此時一定要選擇合適的切分規則，提前預估好數據容量
5、安全性和可用性
雞蛋不要放在一個籃子里。在業務層面上垂直切分，將不相關的業務的數據庫分隔，因為每個業務的數據量、訪問量都不同，不能因為一個業務把數據庫搞掛而牽連到其他業務。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，每個庫只承擔業務的一部分數據，這樣整體的可用性就能提高。
四. 案例分析1、用戶中心業務場景
用戶中心是一個非常常見的業務，主要提供用戶注冊、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
任何脫離業務的架構設計都是耍流氓，在進行分庫分表前，需要對業務場景需求進行梳理：
運營側：后臺訪問，支持運營需求，按照年齡、性別、登陸時間、注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。
2、水平切分方法
當數據量越來越大時，需要對數據庫進行水平切分，上文描述的切分方法有"根據數值范圍"和"根據數值取模"。
"根據數值范圍"：以主鍵uid為劃分依據，按uid的范圍將數據水平切分到多個數據庫上。例如：user-db1存儲uid范圍為0~1000w的數據，user-db2存儲uid范圍為1000w~數據。
"根據數值取模"：也是以主鍵uid為劃分依據，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。
3、非uid的查詢方法
水平切分后，對于按uid查詢的需求能很好的滿足，可以直接路由到具體數據庫。而按非uid的查詢，例如，就不知道具體該訪問哪個庫了，此時需要遍歷所有庫，性能會降低很多。
對于用戶側，可以采用"建立非uid屬性到uid的映射關系"的方案；對于運營側，可以采用"前臺與后臺分離"的方案。
3.1、建立非uid屬性到uid的映射關系
1）映射關系
例如：不能直接定位到數據庫，可以建立→uid的映射關系，用索引表或緩存來存儲。當訪問時，先通過映射表查詢出對應的uid，再通過uid定位到具體的庫。
映射表只有兩列，可以承載很多數據，當數據量過大時，也可以對映射表再做水平切分。這類kv格式的索引結構，可以很好的使用cache來優化查詢性能，而且映射關系不會頻繁變更，緩存命中率會很高。
2）基因法
分庫基因：假如通過uid分庫，分為8個庫，采用uid%8的方式進行路由，此時是由uid的最后3bit來決定這行User數據具體落到哪個庫上，那么這3bit可以看為分庫基因。
上面的映射關系的方法需要額外存儲映射表，按非uid字段查詢時，還需要多一次數據庫或cache的訪問。如果想要消除多余的存儲和查詢，可以通過f函數取的基因作為uid的分庫基因。生成uid時，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()。當查詢時，只需計算f()%8的值，就可以定位到具體的庫。不過這樣需要提前做好容量規劃，預估未來幾年的數據量需要分多少庫，要預留一定bit的分庫基因。
3.2、前臺與后臺分離
對于用戶側，主要需求是以單行查詢為主，需要建立/phone/email到uid的映射關系，可以解決這些字段的查詢問題。
而對于運營側，很多批量分頁且條件多樣的查詢，這類查詢計算量大，返回數據量大，對數據庫的性能消耗較高。此時，如果和用戶側公用同一批服務或數據庫，可能因為后臺的少量請求，占用大量數據庫資源，而導致用戶側訪問性能降低或超時。
這類業務最好采用"前臺與后臺分離"的方案，運營側后臺業務抽取獨立的和db，解決和前臺業務系統的耦合。由于運營側對可用性、一致性的要求不高，可以不訪問實時庫，而是通過異步同步數據到運營庫進行訪問。在數據量很大的情況下，還可以使用ES搜索引擎或Hive來滿足后臺復雜的查詢方式。
五. 支持分庫分表中間件
站在巨人的肩膀上能省力很多，目前分庫分表已經有一些較為成熟的開源解決方案：
原文：
-更多文章-
-關注我-
看完，趕緊點個“好看”鴨
點鴨點鴨
↓↓↓↓