Mysql 性能优化教程

Mysql 性能优化教程

目录

目录 1

背景及目标 2

Mysql 执行优化 2

认识数据索引 2

为何使用数据索引能提升效率 2

如何理解数据索引的结构 2

优化实战范例 3

认识影响结果集 4

影响结果集的获取 4

影响结果集的解读 4

常见案例及优化思路 5

理解执行状态 7

常见关注重点 7

执行状态分析 8

分析流程 9

常见案例解析 11

总结 12

Mysql 运维优化 14

存储引擎类型 14

内存使用考量 14

性能与安全性考量 14

存储/写入压力优化 15

运维监控体系 15

Mysql 架构优化 17

架构优化目标 17

防止单点隐患 17

方便系统扩容 17

安全可控，成本可控 17

分布式方案 18

分库&拆表方案 18

反范式设计（冗余结构设计） 20

主从架构 21

故障转移处理 22

缓存方案 22

缓存结合数据库的读取 22

缓存结合数据库的写入 23

总结 24

 

 

背景及目标

l 厦门游家公司（4399.com）用于员工培训和分享。

l 针对用户群为已经使用过mysql环境，并有必定开发经验的工程师

l 针对高并发，海量数据的互联网环境。

l 本文语言为口语，非学术标准用语。

l 以实战和解决具体问题为主要目标，非应试，很是规教育。友情提醒，在校生学习本教程可能对成绩提升有害无益。

l 非技术挑战，非高端架构师培训，请高手自动忽略。

l 本文档在2011年7月-12月持续更新，增强了影响结果集分析的内容并增补优化实战案例若干。

Mysql 执行优化

认识数据索引

为何使用数据索引能提升效率

n 关系型数据库的数据索引（Btree及常见索引结构）的存储是有序的。

n 在有序的状况下，经过索引查询一个数据是无需遍历索引记录的

n 关系型数据库数据索引的查询效率趋近于二分法查询效率，趋近于 log2(N)。

n 极端状况下（更新请求少，更新实时要求低，查询请求频繁），创建单向有序序列可替代数据索引。

n HASH索引的查询效率是寻址操做，趋近于1次查询，比有序索引查询效率更高，可是不支持比对查询，区间查询，排序等操做，仅支持key-value类型查询。不是本文重点。

如何理解数据索引的结构

n 数据索引一般默认采用btree索引，（内存表也使用了hash索引）。

n 仅就有序前提而言，单向有序排序序列是查找效率最高的（二分查找，或者说折半查找），使用树形索引的目的是为了达到快速的更新和增删操做。

n 在极端状况下（好比数据查询需求量很是大，而数据更新需求极少，实时性要求不高，数据规模有限），直接使用单一排序序列，折半查找速度最快。

n 在进行索引分析和SQL优化时，能够将数据索引字段想象为单一有序序列，并以此做为分析的基础。涉及到复合索引状况，复合索引按照索引顺序拼凑成一个字段，想象为单一有序序列，并以此做为分析的基础。

n 一条数据查询只能使用一个索引，索引能够是多个字段合并的复合索引。可是一条数据查询不能使用多个索引。

优化实战范例

l 实战范例1： ip地址反查

n 资源： Ip地址对应表，源数据格式为  startip, endip, area 

源数据条数为 10万条左右，呈很大的分散性

n 目标： 须要经过任意ip查询该ip所属地区

性能要求达到每秒1000次以上的查询效率

n 挑战： 如使用 between startip and endip 这样的条件数据库操做，由于涉及两个字段的between and, 没法有效使用索引。

若是每次查询请求须要遍历10万条记录，根本不行。

n 方法： 一次性排序（只在数据准备中进行，数据可存储在内存序列）

折半查找（每次请求以折半查找方式进行）

l 实战范例2：目标：查找与访问者同一地区的异性，按照最后登陆时间逆序

n 挑战：高访问量社区的高频查询，如何优化。

查询SQL: select * from user where area=’$area’ and sex=’$sex’ order by lastlogin desc limit 0,30;

创建复合索引并不难， area+sex+lastlogin 三个字段的复合索引,如何理解？

n 解读：首先，忘掉btree，将索引字段理解为一个排序序列。

另外，牢记数据查询只能使用一个索引，每一个字段创建独立索引的状况下，也只能有一条索引被使用！

若是只使用area会怎样？搜索会把符合area的结果所有找出来，而后在这里面遍历，选择命中sex的并排序。 遍历全部 area=’$area’数据！

若是使用了area+sex，略好，仍然要遍历全部area=’$area’ and sex=’$sex’数据，而后在这个基础上排序！！

Area+sex+lastlogin复合索引时（切记lastlogin在最后），该索引基于area+sex+lastlogin 三个字段合并的结果排序，该列表能够想象以下。

广州女$时间1

广州女$时间2

广州女$时间3

…

广州男

….

深圳女

….

数据库很容易命中到 area+sex的边界，而且基于下边界向上追溯30条记录，搞定！在索引中迅速命中全部结果，无需二次遍历！

认识影响结果集

影响结果集的获取

n 经过Explain 分析SQL，查看 rows 列内容

n 经过慢查询日志的Rows_examined: 后面的数字

n 影响结果集数字是查询优化的重要中间数字，工程师在开发和调试过程当中，应随时关注这一数字。

影响结果集的解读

n 查询条件与索引的关系决定影响结果集。

u 影响结果集不是输出结果数，不是查询返回的记录数，而是索引所扫描的结果数。

u 范例 select * from user where area=’厦门’ and sex=’女’ 

l 假设 索引为 area

l 假设User表中 area=’厦门’的有 125000条，而搜索返回结果为60233条。

l 影响结果集是125000条，索引先命中125000条厦门用户，再遍历以sex=’女’进行筛选操做，获得60233条结果。

l 若是该SQL 增长 limit 0,30的后缀。查询时，先命中 area=’厦门’，而后依顺序执行 sex=’女’ 筛选操做，直到知足能够返回30条为止，所涉及记录数未知。除非知足条件的结果不足30条，不然不会遍历125000条记录。

l 可是若是SQL中涉及了排序操做，好比 order by lastlogin desc 再有limit 0,30时，排序须要遍历全部area=’厦门’ 的记录，而不是知足即止。

n 影响结果集越趋近于实际输出或操做的目标结果集，索引效率越高。

n 影响结果集与查询开销的关系能够理解为线性相关。减小一半影响结果集，便可提高一倍查询效率！当一条搜索query能够符合多个索引时，选择影响结果集最少的索引。

n SQL的优化，核心就是对结果集的优化，认识索引是加强对结果集的判断，基于索引的认识，能够在编写SQL的时候，对该SQL可能的影响结果集有预判，并作出适当的优化和调整。

n Limit 的影响，须要斟酌对待

u 若是索引与查询条件和排序条件彻底命中，影响结果集就是limit后面的数字（$start + $end），好比 limit 200,30 影响结果集是230. 而不是30.

u 若是索引只命中部分查询条件，甚至无命中条件，在无排序条件状况下，会在索引命中的结果集 中遍历到知足全部其余条件为止。好比 select * from user limit 10; 虽然没用到索引，可是由于不涉及二次筛选和排序，系统直接返回前10条结果，影响结果集依然只有10条，就不存在效率影响。

u 若是搜索所包含的排序条件没有被索引命中，则系统会遍历是全部索引所命中的结果，而且排序。例如 Select * from user order by timeline desc limit 10; 若是timeline不是索引，影响结果集是全表，就存在须要全表数据排序，这个效率影响就巨大。再好比 Select * from user where area=’厦门’ order by timeline desc limit 10; 若是area是索引，而area+timeline未创建索引，则影响结果集是全部命中 area=’厦门’的用户，而后在影响结果集内排序。 

 

常见案例及优化思路

n 毫秒级优化案例

u 某游戏用户进入后显示最新动态，SQL为 select * from userfeed where uid=$uid order by timeline desc limit 20; 主键为$uid 。 该SQL天天执行数百万次之多，高峰时数据库负载较高。 经过 show processlist 显示大量进程处于Sending data状态。没有慢查询记录。 仔细分析发现，因存在较多高频用户访问，命中 uid=$uid的影响结果集一般在几百到几千，在上千条影响结果集状况下，该SQL查询开销一般在0.01秒左右。 创建uid+timeline 复合索引，将排序引入到索引结构中，影响结果集就只有limit 后面的数字，该SQL查询开销锐减至0.001秒，数据库负载骤降。

n Innodb锁表案例

u 某游戏数据库使用了innodb，innodb是行级锁，理论上不多存在锁表状况。出现了一个SQL语句(delete from tabname where xid=…)，这个SQL很是用SQL，仅在特定状况下出现，天天出现频繁度不高（一天仅10次左右），数据表容量百万级，可是这个xid未创建索引，因而悲惨的事情发生了，当执行这条delete 的时候，真正删除的记录很是少，也许一到两条，也许一条都没有；可是！因为这个xid未创建索引，delete操做时遍历全表记录，全表被delete操做锁定，select操做所有被locked，因为百万条记录遍历时间较长，期间大量select被阻塞，数据库链接过多崩溃。

这种非高发请求，操做目标不多的SQL，因未使用索引，连带致使整个数据库的查询阻塞，须要极大提升警觉。

n 实时排名策略优化

u 背景： 用户提交游戏积分，显示实时排名。

u 原方案： 

l 提交积分是插入记录，略， 

l select count(*) from jifen where gameid=$gameid and fenshu>$fenshu

u 问题与挑战

l 即使索引是 gameid+fenshu 复合索引，涉及count操做，当分数较低时，影响结果集巨大，查询效率缓慢，高峰期会致使链接过多。

u 优化思路

l 减小影响结果集，又要取得实时数据，单纯从SQL上考虑，不太有方法。

l 将游戏积分预约义分红数个积分断点，而后分红积分区间，原始状态，每一个区间设置一个统计数字项，初始为0。

l 每次积分提交时，先肯定该分数属于哪两个区间之间，这个操做很是简单，由于区间是预约义的，并且数量不多，只需遍历便可，找到最该分数符合的区间， 该区间的统计数字项（独立字段，可用内存处理，异步回写数据库或文件）+1。 记录该区间上边界数字为$duandian。

l SQL:  select count(*) from jifen where gameid=$gameid and fenshu>$fenshu and fenshu<$duandian，若是处于第一区间，则无需$duandian，这样由于第一区间自己也是最好的成绩，影响结果集不会不少。 经过该SQL得到其在该区间的名次。

l 获取前面区间的总数总和。（该数字是直接从上述提到的区间统计数字获取，不须要进行count操做）将区间内名次+前区间的统计数字和，得到总名次。

l 该方法关键在于，积分区间须要合理定义，保证积分提交成绩能平均散落在不一样区间。

l 如涉及较多其余条件，如日排行，总排行，以及其余独立用户去重等，请按照影响结果集思路自行发挥。

u Redis方案

l Redis数据结构包括String,list,dict和Zset四种，在本案例中是很是好的替代数据库的方案，本文档只作简介，不作额外扩展。

l String 哈希索引，key-value结构，主键查询效率极高，不支持排序，比较查询。

l List 队列结构，在数据异步写入处理中能够替代memcache。

l Dict 数组结构，存储结构化，序列化内容，能够针对数组中的特定列进行操做。

l Zset 有序数组结构，分两个子结构，第一是多层树形的存储结构，第二是每一个树形节点的计数器，这样相似于前面的分段方式，能够理解为多层分段方式，因此查询效率更高，缺点是更新效率有所增长。

n 论坛翻页优化

u 背景，常见论坛帖子页 SQL: select * from post where tagid=$tagid order by lastpost limit $start, $end 翻页 。索引为 tagid+lastpost 复合索引

u 挑战， 超级热帖，几万回帖，用户频频翻到末页，limit 25770,30 一个操做下来，影响结果集巨大(25770+30)，查询缓慢。

u 解决方法：

l 只涉及上下翻页状况

n 每次查询的时候将该页查询结果中最大的 $lastpost和最小的分别记录为 $minlastpost 和 $maxlastpost ，上翻页查询为 select * from post where tagid=$tagid and lastpost<$minlastpost order by lastpost desc limit 30; 下翻页为 select * from post where tagid=$tagid and lastpost>$maxlastpost order by lastpost limit 30; 使用这种方式，影响结果集只有30条，效率极大提高。

l 涉及跳转到任意页

n 互联网上常见的一个优化方案能够这样表述，select * from post where tagid=$tagid and lastpost>=(select lastpost from post where tagid=$tagid order by lastpost limit $start,1) order by lastpost limit 30; 或者 select * from post where pid in (select pid from post where tagid=$tagid order by lastpost limit $start,30); (第2条S语法在新的mysql版本已经不支持，新版本mysql in的子语句再也不支持limit条件，但能够分解为两条SQL实现，原理不变，不作赘述)

n 以上思路在于，子查询的影响结果集仍然是$start +30，可是数据获取的过程（Sending data状态）发生在索引文件中，而不是数据表文件，这样所须要的系统开销就比前一种普通的查询低一个数量级，而主查询的影响结果集只有30条，几乎无开销。可是切记，这里仍然涉及了太多的影响结果集操做。

u 延伸问题：

l 来自于uchome典型查询 SELECT * FROM uchome_thread WHERE tagid='73820'  ORDER BY displayorder DESC, lastpost DESC LIMIT $start,30; 

l 若是换用 如上方法，上翻页代码 SELECT * FROM uchome_thread WHERE tagid='73820'  and lastpost<$minlastpost ORDER BY displayorder DESC,lastpost DESC LIMIT 0,30; 下翻页代码SELECT * FROM uchome_thread WHERE tagid='73820'  and lastpost>$maxlastpost ORDER BY displayorder DESC, lastpost ASC LIMIT 0,30;

l 这里涉及一个order by 索引可用性问题，当order by中 复合索引的字段，一个是ASC，一个是DESC 时，其排序没法在索引中完成。 因此只有上翻页能够正确使用索引，影响结果集为30。下翻页没法在排序中正确使用索引，会命中全部索引内容而后排序，效率低下。

l 总结：

n 基于影响结果集的理解去优化，不论从数据结构，代码，仍是涉及产品策略上，都须要贯彻下去。

n 涉及 limit $start,$num的搜索，若是$start巨大，则影响结果集巨大，搜索效率会很是难太低，尽可能用其余方式改写为 limit 0,$num； 确系没法改写的状况下，先从索引结构中得到 limit $start,$num 或limit $start,1 ；再用in操做或基于索引序的 limit 0,$num 二次搜索。

n 请注意，我这里永远不会讲关于外键和join的优化，由于在咱们的体系里，这是根本不容许的！ 架构优化部分会解释为何。

理解执行状态

常见关注重点

l 慢查询日志，关注重点以下

n 是否锁定，及锁定时间

u 如存在锁定，则该慢查询一般是因锁定因素致使，自己无需优化，需解决锁定问题。

n 影响结果集

u 如影响结果集较大，显然是索引项命中存在问题，须要认真对待。

l Explain 操做

n 索引项使用

u 不建议用using index作强制索引，如未如预期使用索引，建议从新斟酌表结构和索引设置。

n 影响结果集

u 这里显示的数字不必定准确，结合以前提到对数据索引的理解来看，还记得嘛？就把索引看成有序序列来理解，反思SQL。

l Set profiling , show profiles for query操做

n 执行开销

u 注意，有问题的SQL若是重复执行，可能在缓存里，这时要注意避免缓存影响。经过这里能够看到。

u 执行时间超过0.005秒的频繁操做SQL建议都分析一下。

u 深刻理解数据库执行的过程和开销的分布

l Show processlist 执行状态监控

n 这是在数据库负载波动时常常进行的一项操做

n 具体参见以下

执行状态分析

l Sleep 状态 

n 一般表明资源未释放，若是是经过链接池，sleep状态应该恒定在必定数量范围内

n 实战范例： 因前端数据输出时（特别是输出到用户终端）未及时关闭数据库链接，致使因网络链接速度产生大量sleep链接，在网速出现异常时，数据库 too many connections 挂死。

n 简单解读，数据查询和执行一般只须要不到0.01秒，而网络输出一般须要1秒左右甚至更长，本来数据链接在0.01秒便可释放，可是由于前端程序未执行close操做，直接输出结果，那么在结果未展示在用户桌面前，该数据库链接一直维持在sleep状态！

l Waiting for net, reading from net, writing to net

n 偶尔出现无妨

n 如大量出现，迅速检查数据库到前端的网络链接状态和流量

n 案例: 因外挂程序，内网数据库大量读取，内网使用的百兆交换迅速爆满，致使大量链接阻塞在waiting for net，数据库链接过多崩溃

l Locked状态

n 有更新操做锁定

n 一般使用innodb能够很好的减小locked状态的产生，可是切记，更新操做要正确使用索引，即使是低频次更新操做也不能疏忽。如上影响结果集范例所示。

n 在myisam的时代，locked是不少高并发应用的噩梦。因此mysql官方也开始倾向于推荐innodb。

l Copy to tmp table

n 索引及现有结构没法涵盖查询条件，才会创建一个临时表来知足查询要求，产生巨大的恐怖的i/o压力。

n 很可怕的搜索语句会致使这样的状况，若是是数据分析，或者半夜的周期数据清理任务，偶尔出现，能够容许。频繁出现务必优化之。

n Copy to tmp table 一般与连表查询有关，建议逐渐习惯不使用连表查询。

n 实战范例：

u 某社区数据库阻塞，求救，经查，其服务器存在多个数据库应用和网站，其中一个不经常使用的小网站数据库产生了一个恐怖的copy to tmp table 操做，致使整个硬盘i/o和cpu压力超载。Kill掉该操做一切恢复。

l Sending data

n Sending data 并非发送数据，别被这个名字所欺骗，这是从物理磁盘获取数据的进程，若是你的影响结果集较多，那么就须要从不一样的磁盘碎片去抽取数据，

n 偶尔出现该状态链接无碍。

n 回到上面影响结果集的问题，通常而言，若是sending data链接过多，一般是某查询的影响结果集过大，也就是查询的索引项不够优化。

n 前文提到影响结果集对SQL查询效率线性相关，主要就是针对这个状态的系统开销。

n 若是出现大量类似的SQL语句出如今show proesslist列表中，而且都处于sending data状态，优化查询索引，记住用影响结果集的思路去思考。

l Storing result to query cache

n 出现这种状态，若是频繁出现，使用set profiling分析，若是存在资源开销在SQL总体开销的比例过大（即使是很是小的开销，看比例），则说明query cache碎片较多

n 使用flush query cache 可即时清理，也能够作成定时任务

n Query cache参数可适当酌情设置。

l Freeing items

n 理论上这玩意不会出现不少。偶尔出现无碍

n 若是大量出现，内存，硬盘可能已经出现问题。好比硬盘满或损坏。

n i/o压力过大时，也可能出现Free items执行时间较长的状况。

l Sorting for …

n 和Sending data相似，结果集过大，排序条件没有索引化，须要在内存里排序，甚至须要建立临时结构排序。

l 其余

n 还有不少状态，遇到了，去查查资料。基本上咱们遇到其余状态的阻塞较少，因此不关心。

分析流程

l 基本流程

n 详细了解问题情况

u Too many connections 是常见表象，有不少种缘由。

u 索引损坏的状况在innodb状况下不多出现。

u 如出现其余状况应追溯日志和错误信息。

n 了解基本负载情况和运营情况

u 基本运营情况

l 当前每秒读请求

l 当前每秒写请求

l 当前在线用户

l 当前数据容量

u 基本负载状况

l 学会使用这些指令

n Top 

n Vmstat

n uptime 

n iostat 

n df 

l Cpu负载构成

n 特别关注i/o压力( wa%)

n 多核负载分配

l 内存占用

n Swap分区是否被侵占

n 如Swap分区被侵占，物理内存是否较多空闲

l 磁盘状态

n 硬盘满和inode节点满的状况要迅速定位和迅速处理

n 了解具体链接情况

u 当前链接数 

l Netstat –an|grep 3306|wc –l

l Show processlist

u 当前链接分布 show processlist

l 前端应用请求数据库不要使用root账号！

n Root账号比其余普通账号多一个链接数许可。

n 前端使用普通账号，在too many connections的时候root账号仍能够登陆数据库查询 show processlist!

n 记住，前端应用程序不要设置一个不叫root的root账号来糊弄！非root帐户是骨子里的，而不是名义上的。

l 状态分布

n 不一样状态表明不一样的问题，有不一样的优化目标。

n 参见如上范例。

l 雷同SQL的分布

n 是否较多雷同SQL出如今同一状态

u 当前是否有较多慢查询日志

l 是否锁定

l 影响结果集

n 频繁度分析

u 写频繁度

l 若是i/o压力高，优先分析写入频繁度

l Mysqlbinlog 输出最新binlog文件，编写脚本拆分

l 最多写入的数据表是哪一个

l 最多写入的数据SQL是什么

l 是否存在基于同一主键的数据内容高频重复写入？

n 涉及架构优化部分，参见架构优化-缓存异步更新

u 读取频繁度

l 若是cpu资源较高，而i/o压力不高，优先分析读取频繁度

l 程序中在封装的db类增长抽样日志便可，抽样比例酌情考虑，以不显著影响系统负载压力为底线。

l 最多读取的数据表是哪一个

l 最多读取的数据SQL是什么

n 该SQL进行explain 和set profiling断定

n 注意断定时须要避免query cache影响

u 好比，在这个SQL末尾增长一个条件子句 and 1=1 就能够避免从query cache中获取数据，而获得真实的执行状态分析。 

l 是否存在同一个查询短时间内频繁出现的状况

n 涉及前端缓存优化

n 抓大放小，解决显著问题

u 不苛求解决全部优化问题，可是应以保证线上服务稳定可靠为目标。

u 解决与评估要同时进行，新的策略或解决方案务必通过评估后上线。

常见案例解析

l 现象：服务器出现too many connections 阻塞

n 入手点：

u 查看服务器状态，cpu占用，内存占用，硬盘占用，硬盘i/o压力

u 查看网络流量状态，mysql与应用服务器的输入输出情况

u 经过Show processlist查看当前运行清单

l 注意事项，平常应用程序链接数据库不要使用root帐户，保证故障时能够经过root 进入数据库查看 show processlist。

n 状态分析：

u 参见如上执行状态清单，根据链接状态的分布去肯定缘由。

n 紧急恢复

u 在肯定故障缘由后，应经过kill掉阻塞进程的方式 当即恢复数据库。

n 善后处理

u 如下针对常见问题简单解读

u Sleep 链接过多致使，应用端及时释放链接，排查关联因素。

u Locked链接过多，如源于myisam表级锁，更innodb引擎;如源于更新操做使用了不恰当的索引或未使用索引，改写更新操做SQL或创建恰当索引。

u Sending data链接过多，用影响结果集的思路优化SQL查询，优化表索引结构。

u Free items链接过多，i/o压力过大 或硬盘故障

u Waiting for net , writing to net 链接过多， mysql与应用服务器链接阻塞。

u 其余仍参见如上执行状态清单所示分析。

u 如涉及不十分严格安全要求的数据内容，可用按期脚本跟踪请求进程，并kill掉僵死进程。如数据安全要求较严格，则不能如此进行。

l 现象：数据库负载太高，响应缓慢。

n 入手点：

u 查看cpu状态，服务器负载构成

n 分支1：i/o占用太高。

u 步骤1： 检查内存是否占用swap分区，排除因内存不足致使的i/o开销。

u 步骤2：经过iostat 指令分析i/o是否集中于数据库硬盘，是不是写入度较高。

u 步骤3：若是压力来自于写，使用mysqlbinlog 解开最新的binlog文件。

u 步骤4：编写日志分析脚本或grep指令，分析每秒写入频度和写入内容。

l 写入频度不高，则说明i/o压力另有缘由或数据库配置不合理。

u 步骤5：编写日志分析脚本或grep 指令，分析写入的数据表构成，和写入的目标构成。

u 步骤6：编写日志分析脚本，分析是否存在同一主键的重复写入。 好比出现大量 update post set views=views+1 where tagid=****的操做，假设在一段时间内出现了2万次，而其中不一样的tagid有1万次，那么就是有50%的请求是重复update请求，有能够经过异步更新合并的空间。

u 提示一下，以上所说起的日志分析脚本编写，正常状况下不该超过1个小时，而对系统负载分析所提供的数据支持价值是巨大的，对性能优化方案的选择是很是有意义的，若是您认为这项工做是繁冗并且复杂的工做，那么必定是在分析思路和目标把握上出现了误差。

n 分支2：i/o占用不高，CPU 占用太高

u 步骤1：查看慢查询日志

u 步骤2：不断刷新查看Show processlist清单，并把握可能频繁出现的处于Sending data状态的SQL。

u 步骤3：记录前端执行SQL

l 于前端应用程序执行查询的封装对象内，设置随机采样，记录前端执行的SQL，保证有必定的样本规模，而且不会带来前端i/o负载的激增。

l 基于采样率和记录频率，得到每秒读请求次数数据指标。

l 编写日志分析脚本，分析采样的SQL构成，所操做的数据表，所操做的主键。

l 对频繁重复读取的SQL(彻底一致的SQL)进行断定，是否数据存在频繁变更，是否须要实时展示最新数据，若有可能，缓存化，并预估缓存命中率。

l 对频繁读取但不重复的(SQL结构一致，但条件中的数据不一致)SQL进行断定，是否索引足够优化，影响结果集与输出结果是否足够接近。

u 步骤4：将致使慢查询的SQL或频繁出现于show processlist状态的SQL，或采样记录的频繁度SQL进行分析，按照影响结果集的思路和索引理解来优化。

u 步骤5：对如上难以界定问题的SQL进行 set profiling 分析。

u 步骤6：优化后分析继续采样跟踪分析。并跟踪比对结果。

n 善后处理

u 平常跟踪脚本，不断记录一些状态信息。保证每一个时间节点都能回溯。

u 确保随时能了解服务器的请求频次，读写请求的分布。

u 记录一些未形成致命影响的隐患点，可暂不解决，但须要记录。

u 如确系服务器请求频次太高，可基于负载分布决定硬件扩容方案，好比i/o压力太高可考虑固态硬盘；内存占用swap可考虑增长内容容量等。用尽量少的投入实现最好的负载支撑能力，而不是简单的买更多服务器。

总结

l 要学会怎样分析问题，而不是单纯拍脑壳优化

l 慢查询只是最基础的东西，要学会优化0.01秒的查询请求。

l 当发生链接阻塞时，不一样状态的阻塞有不一样的缘由，要找到缘由，若是不对症下药，就会南辕北辙

n 范例：若是自己系统内存已经超载，已经使用到了swap，而还在考虑加大缓存来优化查询，那就是自寻死路了。

l 影响结果集是很是重要的中间数据和优化指标，学会理解这一律念，理论上影响结果集与查询效率呈现很是紧密的线性相关。

l 监测与跟踪要常常作，而不是出问题才作

n 读取频繁度抽样监测

u 全监测不要搞，i/o吓死人。

u 按照一个抽样比例抽样便可。

u 针对抽样中发现的问题，能够按照特定SQL在特定时间内监测一段全查询记录，但仍要考虑i/o影响。

n 写入频繁度监测

u 基于binlog解开便可，可定时或不定时分析。

n 微慢查询抽样监测

u 高并发状况下，查询请求时间超过0.01秒甚至0.005秒的，建议酌情抽样记录。

n 链接数预警监测

u 链接数超过特定阈值的状况下，虽然数据库没有崩溃，建议记录相关链接状态。

l 学会经过数据和监控发现问题，分析问题，然后解决问题瓜熟蒂落。特别是要学会在平常监控中发现隐患，而不是问题爆发了才去处理和解决。

Mysql 运维优化

存储引擎类型

l Myisam 速度快，响应快。表级锁是致命问题。

l Innodb 目前主流存储引擎

n 行级锁 

u 务必注意影响结果集的定义是什么

u 行级锁会带来更新的额外开销，可是一般状况下是值得的。

n 事务提交 

u 对i/o效率提高的考虑

u 对安全性的考虑

l HEAP 内存引擎

n 频繁更新和海量读取状况下仍会存在锁定情况

内存使用考量

l 理论上，内存越大，越多数据读取发生在内存，效率越高

l Query cache的使用

n 若是前端请求重复度不高，或者应用层已经充分缓存重复请求，query cache没必要设置很大，甚至能够不设置。

n 若是前端请求重复度较高，无应用层缓存，query cache是一个很好的偷懒选择

u 对于中等如下规模数据库应用，偷懒不是一个坏选择。

u 若是确认使用query cache，记得定时清理碎片，flush query cache.

l 要考虑到现实的硬件资源和瓶颈分布

l 学会理解热点数据，并将热点数据尽量内存化

n 所谓热点数据，就是最多被访问的数据。

n 一般数据库访问是不平均的，少数数据被频繁读写，而更多数据鲜有读写。

n 学会制定不一样的热点数据规则，并测算指标。

u 热点数据规模，理论上，热点数据越少越好，这样能够更好的知足业务的增加趋势。

u 响应知足度，对响应的知足率越高越好。

u 好比依据最后更新时间，总访问量，回访次数等指标定义热点数据，并测算不一样定义模式下的热点数据规模

性能与安全性考量

l 数据提交方式

n innodb_flush_log_at_trx_commit = 1 每次自动提交，安全性高，i/o压力大

n innodb_flush_log_at_trx_commit = 2 每秒自动提交，安全性略有影响，i/o承载强。

l 日志同步

n Sync-binlog =1 每条自动更新，安全性高，i/o压力大

n Sync-binlog = 0 根据缓存设置状况自动更新，存在丢失数据和同步延迟风险，i/o承载力强。

n 我的建议保存binlog日志文件，便于追溯 更新操做和系统恢复。

n 如对日志文件的i/o压力有担忧，在内存宽裕的状况下，可考虑将binlog 写入到诸如 /dev/shm 这样的内存映射分区，并定时将旧有的binlog转移到物理硬盘。

l 性能与安全自己存在相悖的状况，须要在业务诉求层面决定取舍

n 学会区分什么场合侧重性能，什么场合侧重安全

n 学会将不一样安全等级的数据库用不一样策略管理

存储/写入压力优化

l 顺序读写性能远高于随机读写

l 将顺序写数据和随机读写数据分红不一样的物理磁盘进行，有助于i/o压力的疏解

• 数据库文件涉及索引等内容，写入是随即写
• binlog文件是顺序写
• 淘宝数据库存储优化是这样处理的

l 部分安全要求不高的写入操做能够用 /dev/shm 分区存储，简单变成内存写。

l 多块物理硬盘作raid10，能够提高写入能力

l 关键存储设备优化，善于比对不一样存储介质的压力测试数据。

• 例如fusion-io在新浪和淘宝都有较多使用。

l 涉及必须存储较为庞大的数据量时

• 压缩存储，能够经过增长cpu开销（压缩算法）减小i/o压力。前提是你确认cpu相对空闲而i/o压力很大。 新浪微博就是压缩存储的典范。
• 经过md5去重存储，案例是QQ的文件共享，以及dropbox这样的共享服务，若是你上传的是一个别人已有的文件，计算md5后，直接经过md5定位到原有文件，这样能够极大减小存储量。涉及文件共享，头像共享，相册等应用，经过这种方法能够减小超过70%的存储规模，对硬件资源的节省是至关巨大的。缺点是，删除文件须要甄别该md5是否有其余人使用。 去重存储，用户量越多，上传文件越多，效率越高！
• 文件尽可能不要存储到数据库内。尽可能使用独立的文件系统存储，该话题不展开。

运维监控体系

l 系统监控

n 服务器资源监控

u Cpu, 内存，硬盘空间，i/o压力

u 设置阈值报警

n 服务器流量监控

u 外网流量，内网流量

u 设置阈值报警

n 链接状态监控

u Show processlist 设置阈值，每分钟监测，超过阈值记录

l 应用监控

n 慢查询监控

u 慢查询日志

u 若是存在多台数据库服务器，应有汇总查阅机制。

n 请求错误监控

u 高频繁应用中，会出现偶发性数据库链接错误或执行错误，将错误信息记录到日志，查看每日的比例变化。

u 偶发性错误，若是数量极少，能够不用处理，可是需时常监控其趋势。

u 会存在恶意输入内容，输入边界限定缺少致使执行出错，需基于此防止恶意入侵探测行为。

n 微慢查询监控

u 高并发环境里，超过0.01秒的查询请求都应该关注一下。

n 频繁度监控

u 写操做，基于binlog，按期分析。

u 读操做，在前端db封装代码中增长抽样日志，并输出执行时间。

u 分析请求频繁度是开发架构 进一步优化的基础

u 最好的优化就是减小请求次数！

l 总结：

n 监控与数据分析是一切优化的基础。

n 没有运营数据监测就不要妄谈优化！

n 监控要注意不要产生太多额外的负载，不要因监控带来太多额外系统开销

Mysql 架构优化

架构优化目标

防止单点隐患

l 所谓单点隐患，就是某台设备出现故障，会致使总体系统的不可用，这个设备就是单点隐患。

l 理解连带效应，所谓连带效应，就是一种问题会引起另外一种故障，举例而言，memcache+mysql是一种常见缓存组合，在前端压力很大时，若是memcache崩溃，理论上数据会经过mysql读取，不存在系统不可用状况，可是mysql没法对抗如此大的压力冲击，会所以连带崩溃。因A系统问题致使B系统崩溃的连带问题，在运维过程当中会频繁出现。

n 实战范例： 在mysql链接不及时释放的应用环境里，当网络环境异常（同机房友邻服务器遭受拒绝服务攻击，出口阻塞），网络延迟加重，空链接数急剧增长，致使数据库链接过多崩溃。

n 实战范例2：前端代码 一般咱们封装 mysql_connect和memcache_connect，两者的顺序不一样，会产生不一样的连带效应。若是mysql_connect在前，那么一旦memcache链接阻塞，会连带mysql空链接过多崩溃。

n 连带效应是常见的系统崩溃，平常分析崩溃缘由的时候须要认真考虑连带效应的影响，头疼医头，脚疼医脚是不行的。

方便系统扩容

l 数据容量增长后，要考虑可以将数据分布到不一样的服务器上。

l 请求压力增长时，要考虑将请求压力分布到不一样服务器上。

l 扩容设计时须要考虑防止单点隐患。

安全可控，成本可控

l 数据安全，业务安全

l 人力资源成本>带宽流量成本>硬件成本

n 成本与流量的关系曲线应低于线性增加（流量为横轴，成本为纵轴）。

n 规模优点

l 本教程仅就与数据库有关部分讨论，与数据库无关部门请自行参阅其余学习资料。

 

分布式方案

分库&拆表方案

l 基本认识

n 用分库&拆表是解决数据库容量问题的惟一途径。

n 分库&拆表也是解决性能压力的最优选择。

n 分库 – 不一样的数据表放到不一样的数据库服务器中（也多是虚拟服务器）

n 拆表 – 一张数据表拆成多张数据表，可能位于同一台服务器，也可能位于多台服务器（含虚拟服务器）。

l 去关联化原则

n 摘除数据表之间的关联，是分库的基础工做。

n 摘除关联的目的是，当数据表分布到不一样服务器时，查询请求容易分发和处理。

n 学会理解反范式数据结构设计，所谓反范式，第一要点是不用外键，不容许Join操做，不容许任何须要跨越两个表的查询请求。第二要点是适度冗余减小查询请求，好比说，信息表，fromuid, touid, message字段外，还须要一个fromuname字段记录用户名，这样查询者经过touid查询后，可以当即获得发信人的用户名，而无需进行另外一个数据表的查询。

n 去关联化处理会带来额外的考虑，好比说，某一个数据表内容的修改，对另外一个数据表的影响。这一点须要在程序或其余途径去考虑。

l 分库方案

n 安全性拆分

u 将高安全性数据与低安全性数据分库，这样的好处第一是便于维护，第二是高安全性数据的数据库参数配置能够以安全优先，而低安全性数据的参数配置以性能优先。参见运维优化相关部分。

n 基于业务逻辑拆分

u 根据数据表的内容构成，业务逻辑拆分，便于平常维护和前端调用。

u 基于业务逻辑拆分，能够减小前端应用请求发送到不一样数据库服务器的频次，从而减小连接开销。

u 基于业务逻辑拆分，可保留部分数据关联，前端web工程师可在限度范围内执行关联查询。

n 基于负载压力拆分

u 基于负载压力对数据结构拆分，便于直接将负载分担给不一样的服务器。

u 基于负载压力拆分，可能拆分后的数据库包含不一样业务类型的数据表，平常维护会有必定的烦恼。

n 混合拆分组合

u 基于安全与业务拆分为数据库实例，可是可使用不一样端口放在同一个服务器上。

u 基于负载能够拆分为更多数据库实例分布在不一样数据库上

u 例如，

l 基于安全拆分出A数据库实例，

l 基于业务拆分出B,C数据库实例，

l C数据库存在较高负载，基于负载拆分为C1,C2,C3,C4等 实例。

l 数据库服务器彻底能够作到 A+B+C1 为一台，C2,C3,C4各单独一台。

 

l 分表方案

n 数据量过大或者访问压力过大的数据表须要切分

n 纵向分表（常见为忙闲分表）

u 单数据表字段过多，可将频繁更新的整数数据与非频繁更新的字符串数据切分

u 范例 user表 ，我的简介，地址，QQ号，联系方式，头像 这些字段为字符串类型，更新请求少； 最后登陆时间，在线时常，访问次数，信件数这些字段为整数型字段，更新频繁，能够将后面这些更新频繁的字段独立拆出一张数据表，表内容变少，索引结构变少，读写请求变快。

n 横向切表

u 等分切表，如哈希切表或其余基于对某数字取余的切表。等分切表的优势是负载很方便的分布到不一样服务器；缺点是当容量继续增长时没法方便的扩容，须要从新进行数据的切分或转表。并且一些关键主键不易处理。

u 递增切表，好比每1kw用户开一个新表，优势是能够适应数据的自增趋势；缺点是每每新数据负载高，压力分配不平均。

u 日期切表，适用于日志记录式数据，优缺点等同于递增切表。

u 我的倾向于递增切表，具体根据应用场景决定。

n 热点数据分表

u 将数据量较大的数据表中将读写频繁的数据抽取出来，造成热点数据表。一般一个庞大数据表常常被读写的内容每每具备必定的集中性，若是这些集中数据单独处理，就会极大减小总体系统的负载。

u 热点数据表与旧有数据关系

l 能够是一张冗余表，即该表数据丢失不会妨碍使用，因源数据仍存在于旧有结构中。优势是安全性高，维护方便，缺点是写压力不能分担，仍须要同步写回原系统。

l 能够是非冗余表，即热点数据的内容原有结构再也不保存，优势是读写效率所有优化；缺点是当热点数据发生变化时，维护量较大。

l 具体方案选择须要根据读写比例决定，在读频率远高于写频率状况下，优先考虑冗余表方案。

u 热点数据表能够用单独的优化的硬件存储，好比昂贵的闪存卡或大内存系统。

u 热点数据表的重要指标

l 热点数据的定义须要根据业务模式自行制定策略，常见策略为，按照最新的操做时间；按照内容丰富度等等。

l 数据规模，好比从1000万条数据，抽取出100万条热点数据。

l 热点命中率，好比查询10次，多少次命中在热点数据内。

l 理论上，数据规模越小，热点命中率越高，说明效果越好。须要根据业务自行评估。

u 热点数据表的动态维护

l 加载热点数据方案选择

n 定时从旧有数据结构中按照新的策略获取

n 在从旧有数据结构读取时动态加载到热点数据

l 剔除热点数据方案选择

n 基于特定策略，定时将热点数据中访问频次较少的数据剔除

n 如热点数据是冗余表，则直接删除便可，如不是冗余表，须要回写给旧有数据结构。

u 一般，热点数据每每是基于缓存或者key-value 方案冗余存储，因此这里提到的热点数据表，其实更可能是理解思路，用到的场合可能并很少….

反范式设计（冗余结构设计）

l 反范式设计的概念

n 无外键，无连表查询。

n 便于分布式设计，容许适度冗余，为了容量扩展容许适度开销。

n 基于业务自由优化，基于i/o 或查询设计，无须遵循范式结构设计。

l 冗余结构设计所面临的典型场景

n 原有展示程序涉及多个表的查询，但愿精简查询程序

n 数据表拆分每每基于主键，而原有数据表每每存在非基于主键的关键查询，没法在分表结构中完成。

n 存在较多数据统计需求（count, sum等），效率低下。

l 冗余设计方案

n 基于展示的冗余设计

u 为了简化展示程序，在一些数据表中每每存在冗余字段

u 举例，信息表  message，存在字段 fromuid,touid,msg,sendtime  四个字段，其中 touid+sendtime是复合索引。存在查询为 select * from message where touid=$uid order by sendtime desc  limit 0,30;

u 展现程序须要显示发送者姓名，此时一般会在message表中增长字段fromusername，甚至有的会增长fromusersex，从而无需连表查询直接输出信息的发送者姓名和性别。这就是一种简单的，为了不连表查询而使用的冗余字段设计。

n 基于查询的冗余设计

u 涉及分表操做后，一些常见的索引查询可能须要跨表，带来没必要要的麻烦。确认查询请求远大于写入请求时，应设置便于查询项的冗余表。

u 冗余表要点

l 数据一致性，简单说，同增，同删，同更新。

l 能够作全冗余，或者只作主键关联的冗余，好比经过用户名查询uid，再基于uid查询源表。

u 实战范例1

l 用户分表，将用户库分红若干数据表

l 基于用户名的查询和基于uid的查询都是高并发请求。

l 用户分表基于uid分红数据表，同时基于用户名作对应冗余表。

l 若是容许多方式登录，能够有以下设计方法

n uid,passwd,用户信息等等，主数据表，基于uid 分表

n ukey,ukeytype,uid 基于ukey分表，便于用户登录的查询。分解成以下两个SQL。

u select uid from ulist_key_13 where ukey=’$username’ and ukeytype=‘login’;

u select * from ulist_uid_23 where uid=$uid and passwd=’$passwd’;

n ukeytype定义用户的登录依据，好比用户名，手机号，邮件地址，网站昵称等。 Ukey+ukeytype 必须惟一。

n 此种方式须要登录密码统一，对于第三方connect接入模式，能够经过引伸额外字段完成。

u 实战范例2：用户游戏积分排名

l 表结构 uid,gameid,score 参见前文实时积分排行。表内容巨大，须要拆表。

l 需求1：基于游戏id查询积分排行

l 需求2：基于用户id查询游戏积分记录

l 解决方案：创建彻底相同的两套表结构，其一以uid为拆表主键，其二以gameid为拆表主键，用户提交积分时，向两个数据结构同时提交。

u 实战范例3：全冗余查询结构

l 主信息表仅包括 主键及备注memo 字段（text类型），只支持主键查询，能够基于主键拆表。因此须要展示和存储的内容均在memo字段重体现。

l 对每个查询条件，创建查询冗余表，以查询条件字段为主键，以主信息表主键id 为内容。

l 平常查询只基于查询冗余表，而后经过in的方式从主信息表得到内容。

l 优势是结构扩展很是方便，只须要扩展新的查询信息表便可，核心思路是，只有查询才须要独立的索引结构，展示无需独立字段。

l 缺点是只适合于相对固定的查询架构，对于更加灵活的组合查询一筹莫展。

n 基于统计的冗余结构

u 为了减小会涉及大规模影响结果集的表数据操做，好比count，sum操做。应将一些统计类数据经过冗余数据结构保存。

u 冗余数据结构可能以字段方式存在，也可能以独立数据表结构存在，可是都应能经过源数据表恢复。

u 实战范例：

l 论坛板块的发帖量，回帖量，每日新增数据等。

l 网站每日新增用户数等。

l 参见Discuz论坛系统数据结构，有较多相关结构。

l 参见前文分段积分结构，是典型用于统计的冗余结构。

l 后台能够经过源数据表更新该数字。

l Redis的Zset类型能够理解为存在一种冗余统计结构。

n 历史数据表

u 历史数据表对应于热点数据表，将需求较少又不能丢弃的数据存入，仅在少数状况下被访问。

主从架构

l 基本认识

n 读写分离对负载的减轻远远不如分库分表来的直接。

n 写压力会传递给从表，只读从库同样有写压力，同样会产生读写锁！

n 一主多从结构下，主库是单点隐患，很难解决（如主库当机，从库能够响应读写，可是没法自动担当主库的分发功能）

n 主从延迟也是重大问题。一旦有较大写入问题，如表结构更新，主从会产生巨大延迟。

l 应用场景

n 在线热备

n 异地分布

u 写分布，读统一。

u 仍然困难重重，受限于网络环境问题巨多！

n 自动障碍转移

u 主崩溃，从自动接管

n 我的建议，负载均衡主要使用分库方案，主从主要用于热备和障碍转移。

l 潜在优化点

n 为了减小写压力，有些人建议主不建索引提高i/o性能，从创建索引知足查询要求。我的认为这样维护较为麻烦。并且从自己会继承主的i/o压力，所以优化价值有限。该思路特此分享，不作推荐。

故障转移处理

l 要点

n 程序与数据库的链接，基于虚地址而非真实ip，由负载均衡系统监控。

n 保持主从结构的简单化，不然很难作到故障点摘除。

l 思考方式

n 遍历对服务器集群的任何一台服务器，前端web，中间件，监控，缓存，db等等，假设该服务器出现故障，系统是否会出现异常？用户访问是否会出现异常。

n 目标：任意一台服务器崩溃，负载和数据操做均会很短期内自动转移到其余服务器，不会影响业务的正常进行。不会形成恶性的数据丢失。（哪些是能够丢失的，哪些是不能丢失的）

缓存方案

缓存结合数据库的读取

l Memcached是最经常使用的缓存系统

l Mysql 最新版本已经开始支持memcache插件，但据牛人分析，尚不成熟，暂不推荐。

l 数据读取

n 并非全部数据都适合被缓存，也并非进入了缓存就意味着效率提高。

n 命中率是第一要评估的数据。

n 如何评估进入缓存的数据规模，以及命中率优化，是很是须要细心分析的。

l 实景分析： 前端请求先链接缓存，缓存未命中链接数据库，进行查询，未命中状态比单纯链接数据库查询多了一次链接和查询的操做；若是缓存命中率很低，则这个额外的操做非但不能提升查询效率，反而为系统带来了额外的负载和复杂性，得不偿失。

n 相关评估相似于热点数据表的介绍。

n 善于利用内存，请注意数据存储的格式及压缩算法。

l Key-value 方案繁多，本培训文档暂不展开。

缓存结合数据库的写入

l 利用缓存不但能够减小数据读取请求，还能够减小数据库写入i/o压力

l 缓存实时更新，数据库异步更新

n 缓存实时更新数据，并将更新记录写入队列

n 可使用相似mq的队列产品，自行创建队列请注意使用increment来维持队列序号。

n 不建议使用 get 后处理数据再set的方式维护队列

l 测试范例：

l 范例1 

$var=Memcache_get($memcon,”var”);

 $var++;

memcache_set($memcon,”var”,$var);

这样一个脚本，使用apache ab去跑，100个并发，跑10000次，而后输出缓存存取的数据，很遗憾，并非1000，而是5000多，6000多这样的数字，中间的数字全在 get & set的过程当中丢掉了。

缘由，读写间隔中其余并发写入，致使数据丢失。

l 范例2

用memcache_increment来作这个操做，一样跑测试

会获得完整的10000，一条数据不会丢。

l 结论： 用increment存储队列编号，用标记+编号做为key存储队列内容。

n 后台基于缓存队列读取更新数据并更新数据库

l 基于队列读取后能够合并更新

l 更新合并率是重要指标

l 实战范例：

某论坛热门贴，前端不断有views=views+1数据更新请求。

缓存实时更新该状态

后台任务对数据库作异步更新时，假设执行周期是5分钟，那么五分钟可能会接收到这样的请求多达数十次乃至数百次，合并更新后只执行一次update便可。

相似操做还包括游戏打怪，生命和经验的变化；我的主页访问次数的变化等。

n 异步更新风险

l 先后端同时写，可能致使覆盖风险。

l 使用后端异步更新，则前端应用程序就不要写数据库，不然可能形成写入冲突。一种兼容的解决方案是，前端和后端不要写相同的字段。

l 实战范例：

用户在线上时，后台异步更新用户状态。

管理员后台屏蔽用户是直接更新数据库。

结果管理员屏蔽某用户操做完成后，因该用户在线有操做，后台异步更新程序再次基于缓存更新用户状态，用户状态被复活，屏蔽失效。

l 缓存数据丢失或服务崩溃可能致使数据丢失风险。

l 如缓存中间出现故障，则缓存队列数据不会回写到数据库，而用户会认为已经完成，此时会带来比较明显的用户体验问题。

l 一个不完全的解决方案是，确保高安全性，高重要性数据实时数据更新，而低安全性数据经过缓存异步回写方式完成。此外，使用相对数值操做而不是绝对数值操做更安全。

n 范例：支付信息，道具的购买与得到，一旦丢失会对用户形成极大的伤害。而经验值，访问数字，若是只丢失了不多时间的内容，用户仍是能够容忍的。

n 范例：若是使用 Views=Views+…的操做，一旦出现数据格式错误，从binlog中反推是能够进行数据还原，可是若是使用Views=特定值的操做，一旦缓存中数据有错误，则直接被赋予了一个错误数据，没法回溯！

l 异步更新如出现队列阻塞可能致使数据丢失风险。

l 异步更新一般是使用缓存队列后，在后台由cron或其余守护进程写入数据库。

l 若是队列生成的速度>后台更新写入数据库的速度，就会产生阻塞，致使数据越累计越多，数据库响应迟缓，而缓存队列没法迅速执行，致使溢出或者过时失效。

n 建议使用内存队列产品而不使用memcache 来进行缓存异步更新。

总结

• 第一步，完成数据库查询的优化，须要理解索引结构，才能学会判断影响结果集。而影响结果集对查询效率线性相关，掌握这一点，编写数据查询语句就很容易判断系统开销，了解业务压力趋势。
• 第二步，在SQL语句已经足够优化的基础上，学会对数据库总体情况的分析，可以对异常和负载的波动有正确的认识和解读；可以对系统资源的分配和瓶颈有正确的认识。
• 学会经过监控和数据来进行系统的评估和优化方案设计，杜绝拍脑壳，学会抓大放小，把握要点的处理方法。
• 第三步，在完全掌握数据库语句优化和运维优化的基础上，学会分布式架构设计，掌握复杂，大容量数据库系统的搭建方法。
• 最后，分享一句话，学会把问题简单化，正如Caoz 常说的，你若是认为这个问题很复杂，你必定想错了。
• 感谢您的阅读，如对您有帮助，请在百度文库给本文五分好评，并推荐给您的朋友，多谢。