分库分表？如何作到永不迁移数据和避免热点？ (转)

时间 2019-11-15

标签分库分表如何作到永不迁移数据避免热点繁體版

原文原文链接

1、前言mysql

中大型项目中，一旦遇到数据量比较大，小伙伴应该都知道就应该对数据进行拆分了。有垂直和水平两种。算法

垂直拆分比较简单，也就是原本一个数据库，数据量大以后，从业务角度进行拆分多个库。以下图，独立的拆分出订单库和用户库。spring

水平拆分的概念，是同一个业务数据量大以后，进行水平拆分。sql

　　上图中订单数据达到了4000万，咱们也知道mysql单表存储量推荐是百万级，若是不进行处理，mysql单表数据太大，会致使性能变慢。使用方案能够参考数据进行水平拆分。把4000万数据拆分4张表或者更多。固然也能够分库，再分表；把压力从数据库层级分开。数据库

2、分库分表方案 缓存

分库分表方案中有经常使用的方案，hash取模和range范围方案；分库分表方案最主要就是路由算法，把路由的key按照指定的算法进行路由存放。下边来介绍一下两个方案的特色。

一、hash取模方案

　　在咱们设计系统以前，能够先预估一下大概这几年的订单量，如：4000万。每张表咱们能够容纳1000万，也咱们能够设计4张表进行存储。服务器

那具体如何路由存储的呢？hash的方案就是对指定的路由key（如：id）对分表总数进行取模，上图中，id=12的订单，对4进行取模，也就是会获得0，那此订单会放到0表中。id=13的订单，取模获得为1，就会放到1表中。为何对4取模，是由于分表总数是4。jvm

优势：分布式

　　订单数据能够均匀的放到那4张表中，这样此订单进行操做时，就不会有热点问题。函数

热点的含义：热点的意思就是对订单进行操做集中到1个表中，其余表的操做不多。

订单有个特色就是时间属性，通常用户操做订单数据，都会集中到这段时间产生的订单。若是这段时间产生的订单都在同一张订单表中，那就会造成热点，那张表的压力会比较大。

缺点：

　　未来的数据迁移和扩容，会很难。

　　如：业务发展很好，订单量很大，超出了4000万的量，那咱们就须要增长分表数。若是咱们增长4个表

一旦咱们增长了分表的总数，取模的基数就会变成8，之前id=12的订单按照此方案就会到4表中查询，但以前的此订单时在0表的，这样就致使了数据查不到。就是由于取模的基数产生了变化。

　　遇到这个状况，咱们小伙伴想到的方案就是作数据迁移，把以前的4000万数据，从新作一个hash方案，放到新的规划分表中。也就是咱们要作数据迁移。这个是很痛苦的事情。有些小公司能够接受晚上停机迁移，但大公司是不容许停机作数据迁移的。

固然作数据迁移能够结合本身的公司的业务，作一个工具进行，不过也带来了不少工做量，每次扩容都要作数据迁移

　　那有没有不须要作数据迁移的方案呢，咱们看下面的方案

二、range范围方案

range方案也就是以范围进行拆分数据。

range方案比较简单，就是把必定范围内的订单，存放到一个表中；如上图id=12放到0表中，id=1300万的放到1表中。设计这个方案时就是前期把表的范围设计好。经过id进行路由存放。

优势

　　咱们小伙伴们想一下，此方案是否是有利于未来的扩容，不须要作数据迁移。即时再增长4张表，以前的4张表的范围不须要改变，id=12的仍是在0表，id=1300万的仍是在1表，新增的4张表他们的范围确定是大于 4000万以后的范围划分的。

缺点

　　有热点问题，咱们想一下，由于id的值会一直递增变大，那这段时间的订单是否是会一直在某一张表中，如id=1000万～ id=2000万之间，这段时间产生的订单是否是都会集中到此张表中，这个就致使1表过热，压力过大，而其余的表没有什么压力。

三、总结：

hash取模方案：没有热点问题，但扩容迁移数据痛苦

range方案：不须要迁移数据，但有热点问题。

那有什么方案能够作到二者的优势结合呢？，即不须要迁移数据，又能解决数据热点的问题呢？

其实还有一个现实需求，可否根据服务器的性能以及存储高低，适当均匀调整存储呢？

3、方案思路

　　 hash是能够解决数据均匀的问题，range能够解决数据迁移问题，那咱们能够不能够二者相结合呢？利用这二者的特性呢？

　　咱们考虑一下数据的扩容表明着，路由key（如id）的值变大了，这个是必定的，那咱们先保证数据变大的时候，首先用range方案让数据落地到一个范围里面。这样之后id再变大，那之前的数据是不须要迁移的。

　　但又要考虑到数据均匀，那是否是能够在必定的范围内数据均匀的呢？由于咱们每次的扩容确定会事先设计好此次扩容的范围大小，咱们只要保证此次的范围内的数据均匀是否是就ok了。

4、方案设计

咱们先定义一个group组概念，这组里面包含了一些分库以及分表，以下图

上图有几个关键点：

1）id=0～4000万确定落到group01组中

2）group01组有3个DB，那一个id如何路由到哪一个DB？

3）根据hash取模定位DB，那模数为多少？模数要为全部此group组DB中的表数，上图总表数为10。为何要去表的总数？而不是DB总数3呢？

4）如id=12，id%10=2；那值为2，落到哪一个DB库呢？这是设计是前期设定好的，那怎么设定的呢？

5）一旦设计定位哪一个DB后，就须要肯定落到DB中的哪张表呢？

5、核心主流程

　　按照上面的流程，咱们就能够根据此规则，定位一个id，咱们看看有没有避免热点问题。

　　咱们看一下，id在【0，1000万】范围内的，根据上面的流程设计，1000万之内的id都均匀的分配到DB_0,DB_1,DB_2三个数据库中的Table_0表中，为何能够均匀，由于咱们用了hash的方案，对10进行取模。

上面咱们也提了疑问，为何对表的总数10取模，而不是DB的总数3进行取模？咱们看一下为何DB_0是4张表，其余两个DB_1是3张表？

　　在咱们安排服务器时，有些服务器的性能高，存储高，就能够安排多存放些数据，有些性能低的就少放点数据。若是咱们取模是按照DB总数3，进行取模，那就表明着【0，4000万】的数据是平均分配到3个DB中的，那就不可以实现按照服务器能力适当分配了。

　　按照Table总数10就可以达到，看如何达到

　　上图中咱们对10进行取模，若是值为【0，1，2，3】就路由到DB_0，【4，5，6】路由到DB_1，【7，8，9】路由到DB_2。如今小伙伴们有没有理解，这样的设计就能够把多一点的数据放到DB_0中，其余2个DB数据量就能够少一点。DB_0承担了4/10的数据量，DB_1承担了3/10的数据量，DB_2也承担了3/10的数据量。整个Group01承担了【0，4000万】的数据量。

注意：小伙伴千万不要被DB_1或DB_2中table的范围也是0～4000万疑惑了，这个是范围区间，也就是id在哪些范围内，落地到哪一个表而已。

　　上面一大段的介绍，就解决了热点的问题，以及能够按照服务器指标，设计数据量的分配。

6、如何扩容

其实上面设计思路理解了，扩容就已经出来了；那就是扩容的时候再设计一个group02组，定义好此group的数据范围就ok了。

　　由于是新增的一个group01组，因此就没有什么数据迁移概念，彻底是新增的group组，并且这个group组照样就防止了热点，也就是【4000万，5500万】的数据，都均匀分配到三个DB的table_0表中，【5500万～7000万】数据均匀分配到table_1表中。

7、系统设计

思路肯定了，设计是比较简单的，就3张表，把group，DB，table之间创建好关联关系就好了。

　　　　　　　　　　　　　　　　group和DB的关系

　　　　　　　　　　　　　　　　　　table和db的关系

上面的表关联实际上是比较简单的，只要原理思路理顺了，就ok了。小伙伴们在开发的时候不要每次都去查询三张关联表，能够保存到缓存中（本地jvm缓存），这样不会影响性能。

　　一旦须要扩容，小伙伴是否是要增长一下group02关联关系，那应用服务须要从新启动吗？

　　简单点的话，就凌晨配置，重启应用服务就好了。但若是是大型公司，是不容许的，由于凌晨也有订单的。那怎么办呢？本地jvm缓存怎么更新呢？

　　其实方案也不少，可使用用zookeeper，也可使用分布式配置，这里是比较推荐使用分布式配置中心的，能够将这些数据配置到分布式配置中心去

　　到此为止，总体的方案介绍结束，但愿对小伙伴们有所帮助。谢谢！！！

这边隐含了一个关键点，那就是路由key（如：id）的值是很是关键的，要求必定是有序的，自增的，这个就涉及到分布式惟一id的方案.

出处：https://mp.weixin.qq.com/s/pGcDXG6kS3U86HZz7K5fgg

简略版分析分库分表：

分库分表，作到永不迁移数据和避免热点的方法：
    基础：
      1、数据拆分方式：垂直拆分，水平拆分。
      2、垂直拆分：原来就一个数据库，数据量一大了，就拆分为多个数据库。
      3、水平拆分：原来是t_order表，拆分红t_order_一、t_order_二、t_order_三、t_order_4。
      4、Mysql单表存储推荐是百万级，尽可能别到千万级。
    分库分表方案：
      1、经常使用的方案：hash取模、range范围方案，分库分表方案最主要的就是路由算法，把路由的key按照指定的算法进行路由存放。        
      2、hash取模方案（无热点问题，扩容困难）
          （一）、首先预估一下总数据量m，设定每张表的最大数据量n，m/n=z 是表个数。
          （二）、hash方案就是对指定的路由key（如：id）对z进行取模，"t_order_"+id%z 是表名字。
          （三）、优缺点：优势是数据均匀的分布在每张表中，不会有热点问题；缺点是数据的迁移或者扩容会很麻烦。
      3、range范围方案（不须要迁移数据，有热点问题）
          （一）、range方案是以范围进行数据拆分：id=50在0~1000的在t_order_0表、id=1050在1000～2000的t_order_1表等。
          （二）、优缺点：优势是扩容方便，不须要数据迁移；缺点是id在0-1000时，t_order_0会很忙，t_order_1，t_order_2...t_order_n...都没有数据的访问，一段时间只有一个热点表。
      4、range和hash组合方案
          （一）、设计是比较简单的，就三张表，把group，db,table之间创建好关联关系。
          group表字段：group_id,group_name,start_id,end_id
          db表字段：db_id,db_name,group_id,hash_value
          group和db的关系表字段：table_id,table_name,db_id,start_id,end_id
          
  分库分表就会带来各类join组合条件的分页查询问题，怎样解决分页查询问题，颇有挑战性。   
  
  1.事务问题：
    (1)、分布式事务 （2）、经过应用程序与数据库共同控制实现事务
          方案一：使用分布式事务
              优势：交由数据库管理，简单有效
              缺点：性能代价高，特别是shard（分片）愈来愈多时
          方案二：由应用程序和数据库共同控制
               原理：将一个跨多个数据库的分布式事务分拆成多个仅处
                     于单个数据库上面的小事务，并经过应用程序来总控
                     各个小事务。
               优势：性能上有优点
               缺点：须要应用程序在事务控制上作灵活设计。若是使用  
                     了spring的事务管理，改动起来会面临必定的困难。
  2.跨节点Join的问题
       只要是进行切分，跨节点Join的问题是不可避免的。可是良好的设计和切分却能够减小此类状况的发生。解决这一问题的广泛作法是分两次查询实现。在第一次查询的结果集中找出关联数据的id,根据这些id发起第二次请求获得关联数据。

  3.跨节点的count,order by,group by以及聚合函数问题
  
  解决方案：与解决跨节点join问题的相似，分别在各个节点上获得结果后在应用程序端进行合并。和join不一样的是每一个结点的查询能够并行执行，所以不少时候它的速度要比单一大表快不少。但若是结果集很大，对应用程序内存的消耗是一个问题。