MySQL:互联网公司常用分库分表方案汇总

落日映苍穹つ 2023-10-01 22:57 2阅读 0赞

**一、数据库瓶颈**

1.  IO瓶颈
2.  CPU瓶颈

**二、分库分表**

1.  水平分库
2.  水平分表
3.  垂直分库
4.  垂直分表

**三、分库分表工具**

**四、分库分表步骤**

**五、分库分表问题**

*  非partition key的查询问题
 *  非partition key跨库跨表分页查询问题
 *  扩容问题

**六、分库分表总结**

**七、分库分表示例**

![aabe5e4879f07e3b5c59fb4491067a78.jpeg][]

**一、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）。

#### **1、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。

#### **2、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。

####  ####

**二、分库分表**

#### **1、水平分库** ####

![2f84b1119e9d77f94d9718f4deee3dd3.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。

#### **2、水平分表** ####

![7a43bbd1d043da40ad44421414a6fd69.png][]

**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。

#### **3、垂直分库** ####

![33f2ba1de0ca45c96927855dc6fecf13.png][]

**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。

#### **4、垂直分表** ####

![5ac08bc06bf5eb13eda411e294d66303.png][]

**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。

####  ####

**三、分库分表工具**

*  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。

**四、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）。

**五、分库分表问题**

**1、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。

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

**映射法：**

![8096e1b70790687164e6fc771da6256b.png][]

**基因法：**

![741dc0c4875ac3e3a19f39ee1acc84c1.png][]

> 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。

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

**映射法：**

![60517cc632a7186bae683f5f7944c3cb.png][]

**冗余法：**

![22d1439453d68ae3473056fef7eaab95.png][]

> 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？

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

**NoSQL法：**

![22c5963a0812607f3df1e5d730ba81e2.png][]

**冗余法：**

![53b4609ec5119a5de3c6485c305cbf67.png][]

####  ####

#### **2、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）。

####  ####

#### **3、扩容问题** ####

基于水平分库分表，拆分策略为常用的hash法。

**水平扩容库（升级从库法）**

![7dd3da9b8a4eef82d5fe879d241d9541.jpeg][]

> 注：扩容是成倍的。

**水平扩容表（双写迁移法）**

![f460c51cb9467c07ddaf46ab7f5916f8.png][]

*  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。

**六、分库分表总结**

*  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。

**七、分库分表示例**

示例GitHub地址：https://github.com/littlecharacter4s/study-sharding

![bae1dee04af44837a2e2c9adabc6a256.jpeg][]

[aabe5e4879f07e3b5c59fb4491067a78.jpeg]: https://img-blog.csdnimg.cn/img_convert/aabe5e4879f07e3b5c59fb4491067a78.jpeg
[join]: http://mp.weixin.qq.com/s?__biz=MzI4Njc5NjM1NQ==&mid=2247488088&idx=2&sn=501652bb26f69a11f6aca0953cbfdc50&chksm=ebd62d74dca1a4624c476ceaf04327d826c916f550a5660a287dd175034d2edb9c21b4cb4b02&scene=21#wechat_redirect
[2f84b1119e9d77f94d9718f4deee3dd3.png]: https://img-blog.csdnimg.cn/img_convert/2f84b1119e9d77f94d9718f4deee3dd3.png
[7a43bbd1d043da40ad44421414a6fd69.png]: https://img-blog.csdnimg.cn/img_convert/7a43bbd1d043da40ad44421414a6fd69.png
[33f2ba1de0ca45c96927855dc6fecf13.png]: https://img-blog.csdnimg.cn/img_convert/33f2ba1de0ca45c96927855dc6fecf13.png
[5ac08bc06bf5eb13eda411e294d66303.png]: https://img-blog.csdnimg.cn/img_convert/5ac08bc06bf5eb13eda411e294d66303.png
[8096e1b70790687164e6fc771da6256b.png]: https://img-blog.csdnimg.cn/img_convert/8096e1b70790687164e6fc771da6256b.png
[741dc0c4875ac3e3a19f39ee1acc84c1.png]: https://img-blog.csdnimg.cn/img_convert/741dc0c4875ac3e3a19f39ee1acc84c1.png
[60517cc632a7186bae683f5f7944c3cb.png]: https://img-blog.csdnimg.cn/img_convert/60517cc632a7186bae683f5f7944c3cb.png
[22d1439453d68ae3473056fef7eaab95.png]: https://img-blog.csdnimg.cn/img_convert/22d1439453d68ae3473056fef7eaab95.png
[22c5963a0812607f3df1e5d730ba81e2.png]: https://img-blog.csdnimg.cn/img_convert/22c5963a0812607f3df1e5d730ba81e2.png
[53b4609ec5119a5de3c6485c305cbf67.png]: https://img-blog.csdnimg.cn/img_convert/53b4609ec5119a5de3c6485c305cbf67.png
[7dd3da9b8a4eef82d5fe879d241d9541.jpeg]: https://img-blog.csdnimg.cn/img_convert/7dd3da9b8a4eef82d5fe879d241d9541.jpeg
[f460c51cb9467c07ddaf46ab7f5916f8.png]: https://img-blog.csdnimg.cn/img_convert/f460c51cb9467c07ddaf46ab7f5916f8.png
[bae1dee04af44837a2e2c9adabc6a256.jpeg]: https://img-blog.csdnimg.cn/bae1dee04af44837a2e2c9adabc6a256.jpeg