vlambda博客
学习文章列表

分库分表方案总结,学不会你捶我!

面试中我们经常会碰到的关于分库分表的问题!今天就给大家介绍互联网公司常用 MySQL 分库分表方案!希望对大家的面试有所帮助!


图片来自 Pexels


数据库瓶颈


不管是 IO 瓶颈,还是 CPU 瓶颈,最终都会导致数据库的活跃连接数增加,进而逼近甚至达到数据库可承载活跃连接数的阈值。


在业务 Service 来看就是,可用数据库连接少甚至无连接可用。接下来就可以想象了吧(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,每次查询时会产生大量的 IO,降低查询速度→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,增加 CPU 运算的操作→SQL 优化,建立合适的索引,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,CPU 率先出现瓶颈→水平分表。


分库分表


水平分库


水平分库,如下图:

分库分表方案总结,学不会你捶我!

概念:以字段为依据,按照一定策略(hash、range等),将一个库中的数据拆分到多个库中。


结果:

  • 每个库的结构都一样

  • 每个库的数据都不一样,没有交集

  • 所有库的并集是全量数据


场景: 系统绝对并发量上来了,分表难以根本上解决问题,并且还没有明显的业务归属来垂直分库。


分析: 库多了,IO 和 CPU 的压力自然可以成倍缓解。

水平分表


水平分表,如下图:

分库分表方案总结,学不会你捶我!

概念: 以字段为依据,按照一定策略(hash、range 等),将一个表中的数据拆分到多个表中。


结果:
  • 每个表的结构都一样

  • 每个表的数据都不一样,没有交集

  • 所有表的并集是全量数据


场景: 系统绝对并发量并没有上来,只是单表的数据量太多,影响了 SQL 效率,加重了 CPU 负担,以至于成为瓶颈。


分析: 表的数据量少了,单次 SQL 执行效率高,自然减轻了 CPU 的负担。


垂直分库


垂直分库,如下图:

分库分表方案总结,学不会你捶我!

概念: 以表为依据,按照业务归属不同,将不同的表拆分到不同的库中。


结果:
  • 每个库的结构都不一样

  • 每个库的数据也不一样,没有交集

  • 所有库的并集是全量数据


场景: 系统绝对并发量上来了,并且可以抽象出单独的业务模块。


分析: 到这一步,基本上就可以服务化了。例如,随着业务的发展一些公用的配置表、字典表等越来越多,这时可以将这些表拆到单独的库中,甚至可以服务化。


再有,随着业务的发展孵化出了一套业务模式,这时可以将相关的表拆到单独的库中,甚至可以服务化。

垂直分表


垂直分表,如下图:

分库分表方案总结,学不会你捶我!
概念: 以字段为依据,按照字段的活跃性,将表中字段拆到不同的表(主表和扩展表)中。


结果:
  • 每个表的结构都不一样

  • 每个表的数据也不一样,一般来说,每个表的字段至少有一列交集,一般是主键,用于关联数据

  • 所有表的并集是全量数据


场景: 系统绝对并发量并没有上来,表的记录并不多,但是字段多,并且热点数据和非热点数据在一起,单行数据所需的存储空间较大。

以至于数据库缓存的数据行减少,查询时会去读磁盘数据产生大量的随机读 IO,产生 IO 瓶颈。

分析:可以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(可能会冗余经常一起查询的数据)放在一起作为主表,非热点数据放在一起作为扩展表。


这样更多的热点数据就能被缓存下来,进而减少了随机读 IO。拆了之后,要想获得全部数据就需要关联两个表来取数据。


但记住,千万别用 join,因为 join 不仅会增加 CPU 负担并且会讲两个表耦合在一起(必须在一个数据库实例上)。


关联数据,应该在业务 Service 层做文章,分别获取主表和扩展表数据然后用关联字段关联得到全部数据。

分库分表工具


常用的分库分表工具如下:

  • sharding-sphere:jar,前身是 sharding-jdbc。

  • TDDL:jar,Taobao Distribute Data Layer。

  • Mycat:中间件。

  • ......


注:工具的利弊,请自行调研,官网和社区优先。


分库分表步骤


根据容量(当前容量和增长量)评估分库或分表个数→选 key(均匀)→分表规则(hash 或 range 等)→执行(一般双写)→扩容问题(尽量减少数据的移动)。


分库分表问题


非 partition key 的查询问题


基于水平分库分表,拆分策略为常用的 hash 法。


①端上除了 partition key 只有一个非 partition key 作为条件查询。


映射法,如下图:

分库分表方案总结,学不会你捶我!

基因法,如下图:

分库分表方案总结,学不会你捶我!
注:写入时,基因法生成 user_id,如图。关于 xbit 基因,例如要分 8 张表,23=8,故 x 取 3,即 3bit 基因。


根据 user_id 查询时可直接取模路由到对应的分库或分表。根据 user_name 查询时,先通过 user_name_code 生成函数生成 user_name_code 再对其取模路由到对应的分库或分表。id 生成常用 Snowflake 算法。

②端上除了 partition key 不止一个非 partition key 作为条件查询


映射法,如下图:

分库分表方案总结,学不会你捶我!

冗余法,如下图:

分库分表方案总结,学不会你捶我!
注:按照 order_id 或 buyer_id 查询时路由到 db_o_buyer 库中,按照 seller_id 查询时路由到 db_o_seller 库中。感觉有点本末倒置!有其他好的办法吗?改变技术栈呢?

③后台除了 partition key 还有各种非 partition key 组合条件查询


NoSQL 法,如下图:

分库分表方案总结,学不会你捶我!

冗余法,如下图:

分库分表方案总结,学不会你捶我!

非 partition key 跨库跨表分页查询问题


基于水平分库分表,拆分策略为常用的 hash 法。注:用 NoSQL 法解决(ES 等)。


扩容问题


基于水平分库分表,拆分策略为常用的 hash 法。


①水平扩容库(升级从库法)


分库分表方案总结,学不会你捶我!
注:扩容是成倍的。


②水平扩容表(双写迁移法)


步骤如下:
  • 第一步:(同步双写)修改应用配置和代码,加上双写,部署。

  • 第二步:(同步双写)将老库中的老数据复制到新库中。

  • 第三步:(同步双写)以老库为准校对新库中的老数据。

  • 第四步:(同步双写)修改应用配置和代码,去掉双写,部署。


注:双写是通用方案。


分库分表总结


关于分库分表总结如下:

  • 分库分表,首先得知道瓶颈在哪里,然后才能合理地拆分(分库还是分表?水平还是垂直?分几个?)。且不可为了分库分表而拆分。

  • 选 key 很重要,既要考虑到拆分均匀,也要考虑到非 partition key 的查询。

  • 只要能满足需求,拆分规则越简单越好。


编辑:陶家龙

出处:cnblogs.com/littlecharacter/p/9342129.html

精彩文章推荐: