【数据库】分库分表策略
关系型数据库自己比较容易成为系统瓶颈，单机存储容量、链接数、处理能力都有限。当单表的数据量达到1000W或100G之后，因为查询维度较多，即便添加从库、优化索引，作不少操做时性能仍降低严重。此时就要考虑对其进行切分了，切分的目的就在于减小数据库的负担，缩短查询时间。html
数据库分布式核心内容无非就是数据切分（Sharding），以及切分后对数据的定位、整合。数据切分就是将数据分散存储到多个数据库中，使得单一数据库中的数据量变小，经过扩充主机的数量缓解单一数据库的性能问题，从而达到提高数据库操做性能的目的。git
数据切分根据其切分类型，能够分为两种方式：垂直（纵向）切分和水平（横向）切分github
一、垂直（纵向）切分
垂直切分常见有垂直分库和垂直分表两种。算法
垂直分库就是根据业务耦合性，将关联度低的不一样表存储在不一样的数据库。作法与大系统拆分为多个小系统相似，按业务分类进行独立划分。与"微服务治理"的作法类似，每一个微服务使用单独的一个数据库。如图：sql
垂直分表是基于数据库中的"列"进行，某个表字段较多，能够新建一张扩展表，将不常常用或字段长度较大的字段拆分出去到扩展表中。在字段不少的状况下（例如一个大表有100多个字段），经过"大表拆小表"，更便于开发与维护，也能避免跨页问题，MySQL底层是经过数据页存储的，一条记录占用空间过大会致使跨页，形成额外的性能开销。另外数据库以行为单位将数据加载到内存中，这样表中字段长度较短且访问频率较高，内存能加载更多的数据，命中率更高，减小了磁盘IO，从而提高了数据库性能。数据库
垂直切分的优势：缓存
- 解决业务系统层面的耦合，业务清晰
- 与微服务的治理相似，也能对不一样业务的数据进行分级管理、维护、监控、扩展等
- 高并发场景下，垂直切分必定程度的提高IO、数据库链接数、单机硬件资源的瓶颈
缺点：安全
- 部分表没法join，只能经过接口聚合方式解决，提高了开发的复杂度
- 分布式事务处理复杂
- 依然存在单表数据量过大的问题（须要水平切分）
二、水平（横向）切分
当一个应用难以再细粒度的垂直切分，或切分后数据量行数巨大，存在单库读写、存储性能瓶颈，这时候就须要进行水平切分了。服务器
水平切分分为库内分表和分库分表，是根据表内数据内在的逻辑关系，将同一个表按不一样的条件分散到多个数据库或多个表中，每一个表中只包含一部分数据，从而使得单个表的数据量变小，达到分布式的效果。如图所示： 网络
库内分表只解决了单一表数据量过大的问题，但没有将表分布到不一样机器的库上，所以对于减轻MySQL数据库的压力来讲，帮助不是很大，你们仍是竞争同一个物理机的CPU、内存、网络IO，最好经过分库分表来解决。
水平切分的优势：
- 不存在单库数据量过大、高并发的性能瓶颈，提高系统稳定性和负载能力
- 应用端改造较小，不须要拆分业务模块
缺点：
- 跨分片的事务一致性难以保证
- 跨库的join关联查询性能较差
- 数据屡次扩展难度和维护量极大
水平切分后同一张表会出如今多个数据库/表中，每一个库/表的内容不一样。几种典型的数据分片规则为：
一、根据数值范围
按照时间区间或ID区间来切分。例如：按日期将不一样月甚至是日的数据分散到不一样的库中；将userId为1~9999的记录分到第一个库，10000~20000的分到第二个库，以此类推。某种意义上，某些系统中使用的"冷热数据分离"，将一些使用较少的历史数据迁移到其余库中，业务功能上只提供热点数据的查询，也是相似的实践。
这样的优势在于：
- 单表大小可控
- 自然便于水平扩展，后期若是想对整个分片集群扩容时，只须要添加节点便可，无需对其余分片的数据进行迁移
- 使用分片字段进行范围查找时，连续分片可快速定位分片进行快速查询，有效避免跨分片查询的问题。
缺点：
- 热点数据成为性能瓶颈。连续分片可能存在数据热点，例如按时间字段分片，有些分片存储最近时间段内的数据，可能会被频繁的读写，而有些分片存储的历史数据，则不多被查询
二、根据数值取模
通常采用hash取模mod的切分方式，例如：将 Customer 表根据 cusno 字段切分到4个库中，余数为0的放到第一个库，余数为1的放到第二个库，以此类推。这样同一个用户的数据会分散到同一个库中，若是查询条件带有cusno字段，则可明肯定位到相应库去查询。
优势：
- 数据分片相对比较均匀，不容易出现热点和并发访问的瓶颈
缺点：
- 后期分片集群扩容时，须要迁移旧的数据（使用一致性hash算法能较好的避免这个问题）
- 容易面临跨分片查询的复杂问题。好比上例中，若是频繁用到的查询条件中不带cusno时，将会致使没法定位数据库，从而须要同时向4个库发起查询，再在内存中合并数据，取最小集返回给应用，分库反而成为拖累。
二. 分库分表带来的问题
分库分表能有效的环节单机和单库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，同时也带来了一些问题。下面将描述这些技术挑战以及对应的解决思路。
一、事务一致性问题
分布式事务
当更新内容同时分布在不一样库中，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后当即回滚的方式不一样，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等。事务补偿还要结合业务系统来考虑。
二、跨节点关联查询 join 问题
切分以前，系统中不少列表和详情页所需的数据能够经过sql join来完成。而切分以后，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。
解决这个问题的一些方法：
1）全局表
全局表，也可看作是"数据字典表"，就是系统中全部模块均可能依赖的一些表，为了不跨库join查询，能够将这类表在每一个数据库中都保存一份。这些数据一般不多会进行修改，因此也不担忧一致性的问题。
2）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：订单表保存userId时候，也将userName冗余保存一份，这样查询订单详情时就不须要再去查询"买家user表"了。
但这种方法适用场景也有限，比较适用于依赖字段比较少的状况。而冗余字段的数据一致性也较难保证，就像上面订单表的例子，买家修改了userName后，是否须要在历史订单中同步更新呢？这也要结合实际业务场景进行考虑。
3）数据组装
在系统层面，分两次查询，第一次查询的结果集中找出关联数据id，而后根据id发起第二次请求获得关联数据。最后将得到到的数据进行字段拼装。
4）ER分片
关系型数据库中，若是能够先肯定表之间的关联关系，并将那些存在关联关系的表记录存放在同一个分片上，那么就能较好的避免跨分片join问题。在1:1或1:n的状况下，一般按照主表的ID主键切分。以下图所示：
这样一来，Data Node1上面的order订单表与orderdetail订单详情表就能够经过orderId进行局部的关联查询了，Data Node2上也同样。
三、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，当排序字段就是分片字段时，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，就变得比较复杂了。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。如图所示：
上图中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，状况则变得复杂不少，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，最后再进行总体的排序，这样的操做时很耗费CPU和内存资源的，因此页数越大，系统的性能也会越差。
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和再次计算，最终将结果返回。如图所示：
四、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的ID没法保证全局惟一。所以须要单独设计全局主键，以免跨库主键重复问题。有一些常见的主键生成策略：
1）UUID
UUID标准形式包含32个16进制数字，分为5段，形式为8-4-4-4-12的36个字符，例如：550e8400-e29b-41d4-a716-446655440000
UUID是主键是最简单的方案，本地生成，性能高，没有网络耗时。但缺点也很明显，因为UUID很是长，会占用大量的存储空间；另外，做为主键创建索引和基于索引进行查询时都会存在性能问题，在InnoDB下，UUID的无序性会引发数据位置频繁变更，致使分页。
2）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成全局ID。sequence表的内容，以下所示：
+-------------------+------+ | id | stub | +-------------------+------+ | 72157623227190423 | a | +-------------------+------+
使用 MyISAM 存储引擎而不是 InnoDB，以获取更高的性能。MyISAM使用的是表级别的锁，对表的读写是串行的，因此不用担忧在并发时两次读取同一个ID值。
当须要全局惟一的64位ID时，执行：
REPLACE INTO sequence (stub) VALUES ('a');
SELECT LAST_INSERT_ID();
这两条语句是Connection级别的，select last_insert_id() 必须与 replace into 在同一数据库链接下才能获得刚刚插入的新ID。
使用replace into代替insert into好处是避免了表行数过大，不须要另外按期清理。
此方案较为简单，但缺点也明显：存在单点问题，强依赖DB，当DB异常时，整个系统都不可用。配置主从能够增长可用性，但当主库挂了，主从切换时，数据一致性在特殊状况下难以保证。另外性能瓶颈限制在单台MySQL的读写性能。
flickr团队使用的一种主键生成策略，与上面的sequence表方案相似，但更好的解决了单点和性能瓶颈的问题。
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ID增加的步长是库的数量，起始值依次错开，这样能将ID的生成散列到各个数据库上。以下图所示：
由两个数据库服务器生成ID，设置不一样的auto_increment值。第一台sequence的起始值为1，每次步长增加2，另外一台的sequence起始值为2，每次步长增加也是2。结果第一台生成的ID都是奇数（1, 3, 5, 7 ...），第二台生成的ID都是偶数（2, 4, 6, 8 ...）。
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机器上获取ID。但有如下几个缺点：系统添加机器，水平扩展时较复杂；每次获取ID都要读写一次DB，DB的压力仍是很大，只能靠堆机器来提高性能。
能够基于flickr的方案继续优化，使用批量的方式下降数据库的写压力，每次获取一段区间的ID号段，用完以后再去数据库获取，能够大大减轻数据库的压力。以下图所示：
仍是使用两台DB保证可用性，数据库中只存储当前的最大ID。ID生成服务每次批量拉取6个ID，先将max_id修改成5，当应用访问ID生成服务时，就不须要访问数据库，从号段缓存中依次派发0~5的ID。当这些ID发完后，再将max_id修改成11，下次就能派发6~11的ID。因而，数据库的压力下降为原来的1/6。
3）Snowflake分布式自增ID算法
Twitter的snowflake算法解决了分布式系统生成全局ID的需求，生成64位的Long型数字，组成部分：
- 第一位未使用
- 接下来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位的长度最多支持部署1024个节点
- 最后12位是毫秒内的计数，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
这样的好处是：毫秒数在高位，生成的ID总体上按时间趋势递增；不依赖第三方系统，稳定性和效率较高，理论上QPS约为409.6w/s（1000*2^12），而且整个分布式系统内不会产生ID碰撞；可根据自身业务灵活分配bit位。
不足就在于：强依赖机器时钟，若是时钟回拨，则可能致使生成ID重复。
综上
结合数据库和snowflake的惟一ID方案，能够参考业界较为成熟的解法：Leaf——美团点评分布式ID生成系统，并考虑到了高可用、容灾、分布式下时钟等问题。
五、数据迁移、扩容问题
当业务高速发展，面临性能和存储的瓶颈时，才会考虑分片设计，此时就不可避免的须要考虑历史数据迁移的问题。通常作法是先读出历史数据，而后按指定的分片规则再将数据写入到各个分片节点中。此外还须要根据当前的数据量和QPS，以及业务发展的速度，进行容量规划，推算出大概须要多少分片（通常建议单个分片上的单表数据量不超过1000W）
若是采用数值范围分片，只须要添加节点就能够进行扩容了，不须要对分片数据迁移。若是采用的是数值取模分片，则考虑后期的扩容问题就相对比较麻烦。
三. 何时考虑切分
下面讲述一下何时须要考虑作数据切分。
一、能不切分尽可能不要切分
并非全部表都须要进行切分，主要仍是看数据的增加速度。切分后会在某种程度上提高业务的复杂度，数据库除了承载数据的存储和查询外，协助业务更好的实现需求也是其重要工做之一。
不到万不得已不用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，不要为分而分，先尽力去作力所能及的事情，例如：升级硬件、升级网络、读写分离、索引优化等等。当数据量达到单表的瓶颈时候，再考虑分库分表。
二、数据量过大，正常运维影响业务访问
这里说的运维，指：
1）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。例如1T的数据，网络传输占50MB时候，须要20000秒才能传输完毕，整个过程的风险都是比较高的
2）对一个很大的表进行DDL修改时，MySQL会锁住全表，这个时间会很长，这段时间业务不能访问此表，影响很大。若是使用pt-online-schema-change，使用过程当中会建立触发器和影子表，也须要很长的时间。在此操做过程当中，都算为风险时间。将数据表拆分，总量减小，有助于下降这个风险。
3）大表会常常访问与更新，就更有可能出现锁等待。将数据切分，用空间换时间，变相下降访问压力
三、随着业务发展，须要对某些字段垂直拆分
举个例子，假如项目一开始设计的用户表以下：
id bigint #用户的ID name varchar #用户的名字 last_login_time datetime #最近登陆时间 personal_info text #私人信息 ..... #其余信息字段
在项目初始阶段，这种设计是知足简单的业务需求的，也方便快速迭代开发。而当业务快速发展时，用户量从10w激增到10亿，用户很是的活跃，每次登陆会更新 last_login_name 字段，使得 user 表被不断update，压力很大。而其余字段：id, name, personal_info 是不变的或不多更新的，此时在业务角度，就要将 last_login_time 拆分出去，新建一个 user_time 表。
personal_info 属性是更新和查询频率较低的，而且text字段占据了太多的空间。这时候，就要对此垂直拆分出 user_ext 表了。
四、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。此时必定要选择合适的切分规则，提早预估好数据容量
五、安全性和可用性
鸡蛋不要放在一个篮子里。在业务层面上垂直切分，将不相关的业务的数据库分隔，由于每一个业务的数据量、访问量都不一样，不能由于一个业务把数据库搞挂而牵连到其余业务。利用水平切分，当一个数据库出现问题时，不会影响到100%的用户，每一个库只承担业务的一部分数据，这样总体的可用性就能提升。
四. 案例分析
一、用户中心业务场景
用户中心是一个很是常见的业务，主要提供用户注册、登陆、查询/修改等功能，其核心表为：
User(uid, login_name, passwd, sex, age, nickname) uid为用户ID, 主键 login_name, passwd, sex, age, nickname, 用户属性
任何脱离业务的架构设计都是耍流氓，在进行分库分表前，须要对业务场景需求进行梳理：
-
用户侧：前台访问，访问量较大，须要保证高可用和高一致性。主要有两类需求：
- 用户登陆：经过login_name/phone/email查询用户信息，1%请求属于这种类型
- 用户信息查询：登陆以后，经过uid来查询用户信息，99%请求属这种类型
-
运营侧：后台访问，支持运营需求，按照年龄、性别、登录时间、注册时间等进行分页的查询。是内部系统，访问量较低，对可用性、一致性的要求不高。
二、水平切分方法
当数据量愈来愈大时，须要对数据库进行水平切分，上文描述的切分方法有"根据数值范围"和"根据数值取模"。
"根据数值范围"：以主键uid为划分依据，按uid的范围将数据水平切分到多个数据库上。例如：user-db1存储uid范围为0~1000w的数据，user-db2存储uid范围为1000w~2000wuid数据。
-
优势是：扩容简单，若是容量不够，只要增长新db便可。
-
不足是：请求量不均匀，通常新注册的用户活跃度会比较高，因此新的user-db2会比user-db1负载高，致使服务器利用率不平衡
"根据数值取模"：也是以主键uid为划分依据，按uid取模的值将数据水平切分到多个数据库上。例如：user-db1存储uid取模得1的数据，user-db2存储uid取模得0的uid数据。
-
优势是：数据量和请求量分布均均匀
-
不足是：扩容麻烦，当容量不够时，新增长db，须要rehash。须要考虑对数据进行平滑的迁移。
三、非uid的查询方法
水平切分后，对于按uid查询的需求能很好的知足，能够直接路由到具体数据库。而按非uid的查询，例如login_name，就不知道具体该访问哪一个库了，此时须要遍历全部库，性能会下降不少。
对于用户侧，能够采用"创建非uid属性到uid的映射关系"的方案；对于运营侧，能够采用"前台与后台分离"的方案。
3.一、创建非uid属性到uid的映射关系
1）映射关系
例如：login_name不能直接定位到数据库，能够创建login_name→uid的映射关系，用索引表或缓存来存储。当访问login_name时，先经过映射表查询出login_name对应的uid，再经过uid定位到具体的库。
映射表只有两列，能够承载不少数据，当数据量过大时，也能够对映射表再作水平切分。这类kv格式的索引结构，能够很好的使用cache来优化查询性能，并且映射关系不会频繁变动，缓存命中率会很高。
2）基因法
分库基因：假如经过uid分库，分为8个库，采用uid%8的方式进行路由，此时是由uid的最后3bit来决定这行User数据具体落到哪一个库上，那么这3bit能够看为分库基因。
上面的映射关系的方法须要额外存储映射表，按非uid字段查询时，还须要多一次数据库或cache的访问。若是想要消除多余的存储和查询，能够经过f函数取login_name的基因做为uid的分库基因。生成uid时，参考上文所述的分布式惟一ID生成方案，再加上最后3位bit值=f(login_name)。当查询login_name时，只需计算f(login_name)%8的值，就能够定位到具体的库。不过这样须要提早作好容量规划，预估将来几年的数据量须要分多少库，要预留必定bit的分库基因。
3.二、前台与后台分离
对于用户侧，主要需求是以单行查询为主，须要创建login_name/phone/email到uid的映射关系，能够解决这些字段的查询问题。
而对于运营侧，不少批量分页且条件多样的查询，这类查询计算量大，返回数据量大，对数据库的性能消耗较高。此时，若是和用户侧公用同一批服务或数据库，可能由于后台的少许请求，占用大量数据库资源，而致使用户侧访问性能下降或超时。
这类业务最好采用"前台与后台分离"的方案，运营侧后台业务抽取独立的service和db，解决和前台业务系统的耦合。因为运营侧对可用性、一致性的要求不高，能够不访问实时库，而是经过binlog异步同步数据到运营库进行访问。在数据量很大的状况下，还可使用ES搜索引擎或Hive来知足后台复杂的查询方式。
五. 支持分库分表中间件
站在巨人的肩膀上能省力不少，目前分库分表已经有一些较为成熟的开源解决方案：