这四种状况下，才是考虑分库分表的时候！

数据库瓶颈

无论是IO瓶颈仍是CPU瓶颈，最终都会致使数据库的活跃链接数增长，进而逼近甚至达到数据库可承载的活跃链接数的阈值。在业务service来看，

就是可用数据库链接少甚至无链接可用，接下来就能够想象了（并发量、吞吐量、崩溃）。

IO瓶颈

• 第一种：磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询会产生大量的IO，下降查询速度->分库和垂直分表
• 第二种：网络IO瓶颈，请求的数据太多，网络带宽不够 ->分库

CPU瓶颈

• 第一种：SQl问题：如SQL中包含join,group by, order by，非索引字段条件查询等，增长CPU运算的操做->SQL优化，创建合适的索引，在业务Service层进行业务计算。
• 第二种：单表数据量太大，查询时扫描的行太多，SQl效率低，增长CPU运算的操做。->水平分表。

水平分库

• 一、概念：以字段为依据，按照必定策略（hash、range等），将一个库中的数据拆分到多个库中。
• 二、结果：
• 每一个库的结构都同样
• 每一个库中的数据不同，没有交集
• 全部库的数据并集是全量数据
• 三、场景：系统绝对并发量上来了，分表难以根本上解决问题，而且尚未明显的业务归属来垂直分库的状况下。
• 四、分析：库多了，io和cpu的压力天然能够成倍缓解

水平分表

• 一、概念：以字段为依据，按照必定策略（hash、range等），讲一个表中的数据拆分到多个表中。
• 二、结果：
• 每一个表的结构都同样
• 每一个表的数据不同，没有交集，全部表的并集是全量数据。
• 三、场景：系统绝对并发量没有上来，只是单表的数据量太多，影响了SQL效率，加剧了CPU负担，以致于成为瓶颈，能够考虑水平分表。
• 四、分析：单表的数据量少了，单次执行SQL执行效率高了，天然减轻了CPU的负担。

垂直分库

• 一、概念：以表为依据，按照业务归属不一样，将不一样的表拆分到不一样的库中。
• 二、结果：
• 每一个库的结构都不同
• 每一个库的数据也不同，没有交集
• 全部库的并集是全量数据
• 三、场景：系统绝对并发量上来了，而且能够抽象出单独的业务模块的状况下。
• 四、分析：到这一步，基本上就能够服务化了。例如：随着业务的发展，一些公用的配置表、字典表等愈来愈多，这时能够将这些表拆到单独的库中，甚至能够服务化。再者，随着业务的发展孵化出了一套业务模式，这时能够将相关的表拆到单独的库中，甚至能够服务化。

垂直分表

• 一、概念：以字段为依据，按照字段的活跃性，将表中字段拆到不一样的表中（主表和扩展表）。
• 二、结果：
• 每一个表的结构不同。
• 每一个表的数据也不同，通常来讲，每一个表的字段至少有一列交集，通常是主键，用于关联数据。
• 全部表的并集是全量数据。
• 三、场景：系统绝对并发量并无上来，表的记录并很少，可是字段多，而且热点数据和非热点数据在一块儿，单行数据所需的存储空间较大，以致于数据库缓存的数据行减小，查询时回去读磁盘数据产生大量随机读IO，产生IO瓶颈。
• 四、分析：能够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（可能常常会查询的数据）放在一块儿做为主表，非热点数据放在一块儿做为扩展表，这样更多的热点数据就能被缓存下来，进而减小了随机读IO。拆了以后，要想获取所有数据就须要关联两个表来取数据。

但记住千万别用join，由于Join不只会增长CPU负担而且会将两个表耦合在一块儿（必须在一个数据库实例上）。关联数据应该在service层进行，分别获取主表和扩展表的数据，而后用关联字段关联获得所有数据。

分库分表工具

• sharding-jdbc（当当）
• TSharding（蘑菇街）
• Atlas（奇虎360）
• Cobar（阿里巴巴）
• MyCAT（基于Cobar）
• Oceanus（58同城）
• Vitess（谷歌） 各类工具的利弊自查

分库分表带来的问题

分库分表能有效缓解单机和单表带来的性能瓶颈和压力，突破网络IO、硬件资源、链接数的瓶颈，同时也带来一些问题，下面将描述这些问题和解决思路。

事务一致性问题

分布式事务

当更新内容同时存在于不一样库找那个，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，通常可以使用“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做的原子性。但在提交事务时须要协调多个节点，推后了提交事务的时间点，延长了事务的执行时间，致使事务在访问共享资源时发生冲突或死锁的几率增高。随着数据库节点的增多，这种趋势会愈来愈严重，从而成为系统在数据库层面上水平扩展的枷锁。

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，每每不苛求系统的实时一致性，只要在容许的时间段内达到最终一致性便可，可采用事务补偿的方式。与事务在执行中发生错误马上回滚的方式不一样，事务补偿是一种过后检查补救的措施，一些常见的实现方法有：对数据进行对帐检查，基于日志进行对比，按期同标准数据来源进行同步等。

跨节点关联查询join问题

切分以前，系统中不少列表和详情表的数据能够经过join来完成，可是切分以后，数据可能分布在不一样的节点上，此时join带来的问题就比较麻烦了，考虑到性能，尽可能避免使用Join查询。解决的一些方法：

全局表

全局表，也可看作“数据字典表”，就是系统中全部模块均可能依赖的一些表，为了不库join查询，能够将这类表在每一个数据库中都保存一份。这些数据一般不多修改，因此没必要担忧一致性的问题。

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，订单表在保存userId的时候，也将userName也冗余的保存一份，这样查询订单详情顺表就能够查到用户名userName，就不用查询买家user表了。但这种方法适用场景也有限，比较适用依赖字段比较少的状况，而冗余字段的一致性也较难保证。

数据组装

在系统service业务层面，分两次查询，第一次查询的结果集找出关联的数据id，而后根据id发起器二次请求获得关联数据，最后将得到的结果进行字段组装。这是比较经常使用的方法。

ER分片

关系型数据库中，若是已经肯定了表之间的关联关系（如订单表和订单详情表），而且将那些存在关联关系的表记录存放在同一个分片上，那么就能较好地避免跨分片join的问题，能够在一个分片内进行join。在1:1或1：n的状况下，一般按照主表的ID进行主键切分。

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。分页须要按照指定字段进行排序，当排序字段就是分页字段时，经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.

须要先在不一样的分片节点中将数据进行排序并返回，而后将不一样分片返回的结果集进行汇总和再次排序，最终返回给用户 以下图：上图只是取第一页的数据，对性能影响还不是很大。可是若是取得页数很大，状况就变得复杂的多，由于各分片节点中的数据多是随机的，为了排序的准确性，须要将全部节点的前N页数据都排序好作合并，最后再进行总体排序，这样的操做很耗费CPU和内存资源，因此页数越大，系统性能就会越差。

在使用Max、Min、Sum、Count之类的函数进行计算的时候，也须要先在每一个分片上执行相应的函数，而后将各个分片的结果集进行汇总再次计算。

全局主键避重问题

在分库分表环境中，因为表中数据同时存在不一样数据库中，主键值平时使用的自增加将无用武之地，某个分区数据库自生成ID没法保证全局惟一。所以须要单独设计全局主键，避免跨库主键重复问题。这里有一些策略：

UUID

UUID标准形式是32个16进制数字，分为5段，形式是8-4-4-4-12的36个字符。

UUID是最简单的方案，本地生成，性能高，没有网络耗时，可是缺点明显，占用存储空间多，另外做为主键创建索引和基于索引进行查询都存在性能问题，尤为是InnoDb引擎下，UUID的无序性会致使索引位置频繁变更，致使分页。

结合数据库维护主键ID表

在数据库中创建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字段设置为惟一索引，同一stub值在sequence表中只有一条记录，能够同时为多张表生辰全局ID。使用MyISAM引擎而不是InnoDb，已得到更高的性能。MyISAM使用的是表锁，对表的读写是串行的，因此不用担忧并发时两次读取同一个ID。当须要全局惟一的ID时，执行：

REPLACE INTO sequence (stub) VALUES ('a');  
    SELECT 1561439;

此方案较为简单，但缺点较为明显：存在单点问题，强依赖DB，当DB异常时，整个系统不可用。配置主从能够增长可用性。另外性能瓶颈限制在单台Mysql的读写性能。

另有一种主键生成策略，相似sequence表方案，更好的解决了单点和性能瓶颈问题。这一方案的总体思想是：创建2个以上的全局ID生成的服务器，每一个服务器上只部署一个数据库，每一个库有一张sequence表用于记录当前全局ID。

表中增加的步长是库的数量，起始值依次错开，这样就能将ID的生成散列到各个数据库上这种方案将生成ID的压力均匀分布在两台机器上，同时提供了系统容错，第一台出现了错误，能够自动切换到第二台获取ID。但有几个缺点：系统添加机器，水平扩展较复杂；每次获取ID都要读取一次DB，DB的压力仍是很大，只能经过堆机器来提高性能。

Snowflake分布式自增ID算法

Twitter的snowfalke算法解决了分布式系统生成全局ID的需求，生成64位Long型数字，组成部分：

• 第一位未使用
• 接下来的41位是毫秒级时间，41位的长度能够表示69年的时间
• 5位datacenterId,5位workerId。10位长度最多支持部署1024个节点
• 最后12位是毫秒内计数，12位的计数顺序号支持每一个节点每毫秒产生4096个ID序列。

数据迁移、扩容问题

当业务高速发展、面临性能和存储瓶颈时，才会考虑分片设计，此时就不可避免的须要考虑历史数据的迁移问题。通常作法是先读出历史数据，而后按照指定的分片规则再将数据写入到各分片节点中。此外还须要根据当前的数据量个QPS，以及业务发展速度，进行容量规划，推算出大概须要多少分片（通常建议单个分片的单表数据量不超过1000W）。

何时考虑分库分表

• 能不分就不分

并非全部表都须要切分，主要仍是看数据的增加速度。切分后在某种程度上提高了业务的复杂程度。不到万不得已不要轻易使用分库分表这个“大招”，避免“过分设计”和“过早优化”。分库分表以前，先尽力作力所能及的优化：升级硬件、升级网络、读写分离、索引优化等。当数据量达到单表瓶颈后，在考虑分库分表。

• 数据量过大，正常运维影响业务访问

这里的运维是指：对数据库备份，若是单表太大，备份时须要大量的磁盘IO和网络IO。对一个很大的表作DDL，MYSQL会锁住整个表，这个时间会很长，这段时间业务不能访问此表，影响很大。

大表常常访问和更新，就更有可能出现锁等待。

• 随着业务发展，须要对某些字段垂直拆分

这里就不举例了。在实际业务中均可能会碰到，有些不常常访问或者更新频率低的字段应该从大表中分离出去。

• 数据量快速增加

随着业务的快速发展，单表中的数据量会持续增加，当性能接近瓶颈时，就须要考虑水平切分，作分库分表了。

来源：https://juejin.im/post/684490...