出现这四种情况，才是考虑分库分表的时候！

た入场券 2022-12-11 12:30 40阅读 0赞

点击上方“程序猿技术大咖”，关注加群讨论

**前言**

当数据库的数据量过大，大到一定的程度，我们就可以进行分库分表。那么基于什么原则，什么方法进行拆分，这就是本篇所要讲的。

**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的活跃连接数的阈值。

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（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，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，增加 CPU 运算的操作→水平分表。

**分库分表**

**水平分库**

![format_png][]

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；
 *  每个库中的数据不一样，没有交集；
 *  所有库的数据并集是全量数据。

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的情况下。

分析：库多了，IO 和 CPU 的压力自然可以成倍缓解。

**水平分表**

![format_png 1][]

概念：以字段为依据，按照一定策略（hash、range 等），讲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，可以考虑水平分表。

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

**垂直分库**

![format_png 2][]

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的情况下。

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。

再者，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**

![format_png 3][]

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中（主表和扩展表）。

结果：

*  每个表的结构不一样；
 *  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，查询时回去读磁盘数据产生大量随机读 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（可能经常会查询的数据）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，要想获取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 负担并且会将两个表耦合在一起（必须在一个数据库实例上）。

关联数据应该在 Service 层进行，分别获取主表和扩展表的数据，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-JDBC
 *  TSharding
 *  Atlas
 *  Cobar
 *  MyCAT
 *  Oceanus
 *  Vitess

各种工具的利弊自查。

**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、连接数的瓶颈，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**][Link 1]

**1）分布式事务**

当更新内容同时存在于不同库找那个，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，一般可使用“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作的原子性。但在提交事务时需要协调多个节点，推后了提交事务的时间点，延长了事务的执行时间，导致事务在访问共享资源时发生冲突或死锁的概率增高。

随着数据库节点的增多，这种趋势会越来越严重，从而成为系统在数据库层面上水平扩展的枷锁。

**2）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，往往不苛求系统的实时一致性，只要在允许的时间段内达到最终一致性即可，可采用事务补偿的方式。

与事务在执行中发生错误立刻回滚的方式不同，事务补偿是一种事后检查补救的措施，一些常见的实现方法有：对数据进行对账检查，基于日志进行对比，定期同标准数据来源进行同步等。

**跨节点关联查询 Join 问题**

切分之前，系统中很多列表和详情表的数据可以通过 Join 来完成，但是切分之后，数据可能分布在不同的节点上，此时 Join 带来的问题就比较麻烦了，考虑到性能，尽量避免使用 Join 查询。

解决的一些方法：

**1）全局表**

全局表，也可看做“数据字典表”，就是系统中所有模块都可能依赖的一些表，为了避免库 Join 查询，可以将这类表在每个数据库中都保存一份。这些数据通常很少修改，所以不必担心一致性的问题。

**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可以查到用户名 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情况，而冗余字段的一致性也较难保证。

**3）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，然后根据 id 发起器二次请求得到关联数据，最后将获得的结果进行字段组装。这是比较常用的方法。

**4）ER 分片**

关系型数据库中，如果已经确定了表之间的关联关系（如订单表和订单详情表），并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。

可以在一个分片内进行 Join，在 1：1 或 1：n 的情况下，通常按照主表的 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。

分页需要按照指定字段进行排序，当排序字段就是分页字段时，通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。

需要先在不同的分片节点中将数据进行排序并返回，然后将不同分片返回的结果集进行汇总和再次排序。

最终返回给用户如下图：

![format_png 4][]

上图只是取第一页的数据，对性能影响还不是很大。但是如果取得页数很大，情况就变得复杂的多。

因为各分片节点中的数据可能是随机的，为了排序的准确性，需要将所有节点的前N页数据都排序好做合并，最后再进行整体排序，这样的操作很耗费 CPU 和内存资源，所以页数越大，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，也需要先在每个分片上执行相应的函数，然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，由于表中数据同时存在不同数据库中，主键值平时使用的自增长将无用武之地，某个分区数据库自生成 ID 无法保证全局唯一。

因此需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：

**1）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，但是缺点明显，占用存储空间多。

另外作为主键建立索引和基于索引进行查询都存在性能问题，尤其是 InnoDb 引擎下，UUID 的无序性会导致索引位置频繁变动，导致分页。

**2）结合数据库维护主键 ID 表**

在数据库中建立 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 字段设置为唯一索引，同一 stub 值在 sequence 表中只有一条记录，可以同时为多张表生辰全局 ID。

使用 MyISAM 引擎而不是 InnoDb，已获得更高的性能。MyISAM 使用的是表锁，对表的读写是串行的，所以不用担心并发时两次读取同一个 ID。

当需要全局唯一的 ID 时，执行：

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

SELECT LAST\_INSERT\_ID();

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。配置主从可以增加可用性。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，类似 sequence 表方案，更好的解决了单点和性能瓶颈问题。

这一方案的整体思想是：建立 2 个以上的全局 ID 生成的服务器，每个服务器上只部署一个数据库，每个库有一张 sequence 表用于记录当前全局 ID。

表中增长的步长是库的数量，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。

![format_png 5][]

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，可以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 的压力还是很大，只能通过堆机器来提升性能。

**3）Snowflake 分布式自增 ID 算法**

![format_png 6][]

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。

组成部分如下：

*  第一位未使用；
 *  接下来的 41 位是毫秒级时间，41 位的长度可以表示 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，此时就不可避免的需要考虑历史数据的迁移问题。

一般做法是先读出历史数据，然后按照指定的分片规则再将数据写入到各分片节点中。

此外还需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，推算出大概需要多少分片（一般建议单个分片的单表数据量不超过 1000W）。

**什么时候考虑分库分表**

**能不分就不分**

并不是所有表都需要切分，主要还是看数据的增长速度。切分后在某种程度上提升了业务的复杂程度。不到万不得已不要轻易使用分库分表这个“大招”，避免“过度设计”和“过早优化”。

分库分表之前，先尽力做力所能及的优化：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，如果单表太大，备份时需要大量的磁盘 IO 和网络 IO；
 *  对一个很大的表做 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；
 *  大表经常访问和更新，就更有可能出现锁等待。

**随着业务发展，需要对某些字段垂直拆分**

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

**数据量快速增长**

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

**>>>>**

**参考资料**

*  http:///www.cnblogs.com/butterfly100/p/9034281.html
 *  https://www.cnblogs.com/littlecharacter/p/9342129.html

![format_png 7][]

*  [JDK1.8新特性(四)：函数式接口][JDK1.8]
 *  [Service Mesh (服务网格) 入门][Service Mesh _]
 *  [后端服务慢成狗？试试这 7 招！][7]
 *  [架构篇：什么才是真正的架构设计？][Link 2]  
    
 *  [MySQL性能优化(七)：MySQL执行计划，真的很重要，来一起学习吧][MySQL_MySQL]
 *  [微服务架构下的核心话题 (三)：微服务架构的技术选型][Link 3]

![format_png 8][]

喜欢就点个"在看"呗，留言、转发朋友圈

[format_png]: /images/20221123/3292c543db564fa8a404292a84259180.png
[format_png 1]: /images/20221123/cda9348b807e4a35b2dea8d8f05aab0f.png
[format_png 2]: /images/20221123/c6867034430d4f0e9ec6b908e0761561.png
[format_png 3]: /images/20221123/0fb68a87af704e7e9c81553355b26719.png
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzA5MzUwOTY4NQ%3D%3D&chksm=905d8cd9a72a05cf956fac163a8f8f3697c7dc1cc64426e8cf5f5237cd8f9bf012b3df0dc74e&idx=1&mid=2247486851&scene=21&sn=0496e407347a919567685e17159032ae#wechat_redirect
[format_png 4]: /images/20221123/805617e86d3f4b4c8b57575c9b62f83c.png
[format_png 5]: /images/20221123/926fc346ba8a4288a20781182fb7ca11.png
[format_png 6]: /images/20221123/e5b9ab0d725f43179af80f2e0a37abd6.png
[format_png 7]: /images/20221123/36b10414793343e590b75e759a102996.png
[JDK1.8]: http://mp.weixin.qq.com/s?__biz=MzA5MzUwOTY4NQ%3D%3D&chksm=905d88fba72a01ed52ba7e5403ba39bbb4386bd23a7906db45d831311c7216ecbd5a7efeff8d&idx=1&mid=2247485857&scene=21&sn=be80b248bcc6c080755953219a1f2b78#wechat_redirect
[Service Mesh _]: http://mp.weixin.qq.com/s?__biz=MzA5MzUwOTY4NQ%3D%3D&chksm=905d8fcea72a06d847d1232c21b4ea6cb3fa148cf854df6eefd9e7057f29fe98fe737434127b&idx=1&mid=2247487124&scene=21&sn=b862189c39970255862654b22b6cd13b#wechat_redirect
[7]: http://mp.weixin.qq.com/s?__biz=MzA5MzUwOTY4NQ%3D%3D&chksm=905d8f5ba72a064df51ef786fe4099ef3e9df929cd6ed6c797eff8fc0b0f304621c1c360497c&idx=1&mid=2247486977&scene=21&sn=a068dbc30cce3c19e2acbae719bd0d3f#wechat_redirect
[Link 2]: http://mp.weixin.qq.com/s?__biz=MzA5MzUwOTY4NQ%3D%3D&chksm=905d8cf5a72a05e3bce03dcb238edf414bfac139a1deb966736ff81945c05cacf7b66f1fd493&idx=1&mid=2247486895&scene=21&sn=609f10d0ca94213238221f89a4492f3c#wechat_redirect
[MySQL_MySQL]: http://mp.weixin.qq.com/s?__biz=MzA5MzUwOTY4NQ%3D%3D&chksm=905d8838a72a012e057b5671b8a429c1dacbfcd15bc480ee020c59a1f636e906fcd5edca659d&idx=1&mid=2247485794&scene=21&sn=cef01641815309e84aa2fbbd692bf5b4#wechat_redirect
[Link 3]: http://mp.weixin.qq.com/s?__biz=MzA5MzUwOTY4NQ%3D%3D&chksm=905d8970a72a00662feffcea58c746fa0098b98a6a92af9dfd9490b7a84cab6b432c9f4ec831&idx=1&mid=2247485482&scene=21&sn=e6385ef8cc1cf13c8f17a6e29de238b6#wechat_redirect
[format_png 8]: /images/20221123/c98cb637b45e44ff9b58728cf35b67bf.png