Day15_07_分库分表教程之分库分表所带来的问题

约定不等于承诺〃 2024-02-19 20:22 36阅读 0赞

## 分库分表所带来的问题 ##

**分库分表能有效的缓解单机和单库所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 ###

#### 1. 分布式事务 ####

**当更新的内容同时分布在不同库中,不可避免会带来跨库事务的问题.跨分片事务也是分布式事务**.这里没有简单的方案,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的保证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来实现**.与事务在执行中发生错误后立即回滚的方式不同,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.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 ###

切分之前,系统中很多列表和详情页所需的数据可以通过sql join来完成.**而切分之后,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**.

解决这个问题的一些方法:

#### 1. 全局表 ####

**全局表,也可看做是"数据字典表",就是系统中所有模块都可能依赖的一些表,为了避免跨库join查询,可以将这类表在每个数据库中都保存一份.**这些数据通常很少会进行修改,所以也不担心一致性的问题.

#### 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需要再去查询"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情况.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,是否需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,然后根据id发起第二次请求得到关联数据,最后将获得到的数据进行字段拼装**.

#### 4. ER分片 ####

**关系型数据库中,如果可以先确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的情况下,通常按照主表的ID主键切分.如下图所示:  
![Image 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70][]

这样一来,Data Node1上面的order订单表与orderdetail订单详情表就可以通过orderId进行局部的关联查询了,Data Node2上也一样.

### 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.**分页需要按照指定字段进行排序,当排序字段就是分片字段时,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,就变得比较复杂了. 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. 如图所示:  
![Image 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 1][]

上图中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,情况则变得复杂很多,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,最后再进行整体的排序,这样的操作时很耗费CPU和内存资源的,所以页数越大,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和再次计算,最终将结果返回.如图所示:  
![Image 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 2][]

### 四. 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的ID无法保证全局唯一.因此需要单独设计全局主键,以避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是实现主键唯一的最简单方案,本地生成,性能高,没有网络耗时.但缺点也很明显,由于UUID非常长,会占用大量的存储空间;另外,作为主键建立索引和基于索引进行查询时都会存在性能问题.在InnoDB下,UUID的无序性会引起数据位置频繁变动,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成全局ID. sequence表的内容,如下所示:

+-------------------+------+ 
    | 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,所以不用担心在并发时两次读取同一个ID值.

当需要全局唯一的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 在同一数据库连接下才能得到刚刚插入的新ID.

**使用replace into代替insert into好处是避免了表行数过大,不需要另外定期清理.**

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.配置主从可以增加可用性,但当主库挂了,主从切换时,数据一致性在特殊情况下难以保证.另外性能瓶颈限制在单台MySQL的读写性能.

#### 3. flickr团队使用主键生成策略 ####

flickr团队使用的一种主键生成策略,与上面的sequence表方案类似,但更好的解决了单点和性能瓶颈的问题.

这一方案的整体思想是: **建立2个以上的全局ID生成服务器,每个服务器上只部署一个数据库,每个库有一张sequence表用于记录当前的全局ID.表中ID增长的步长是库的数量,起始值依次错开,这样能将ID的生成散列到各个数据库上.**如下图所示:  
![Image 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 3][]

由两个数据库服务器生成ID,设置不同的auto\_increment值. 第一台sequence的起始值为1,每次步长增长2,另一台的sequence起始值为2,每次步长增长也是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,可以自动切换到第二台机器上获取ID.但有以下几个缺点: 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的压力还是很大,只能靠堆机器来提升性能.

可以基于flickr的方案继续优化,使用批量的方式降低数据库的写压力,每次获取一段区间的ID号段,用完之后再去数据库获取,可以大大减轻数据库的压力.如下图所示:  
![Image 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 4][]

还是使用两台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修改为5,当应用访问ID生成服务时,就不需要访问数据库,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修改为11,下次就能派发6~11的ID.于是,数据库的压力降低为原来的1/6.

#### 4. 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位的长度可以表示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个节点每毫秒产生4096个ID序列.

![Image 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 5][]

这样的好处是: **毫秒数在高位,生成的ID整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\*212),并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,如果时钟回拨,则可能导致生成ID重复.**

### 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,此时就不可避免的需要考虑历史数据迁移的问题.一般做法是先读出历史数据,然后按指定的分片规则再将数据写入到各个分片节点中.此外还需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,推算出大概需要多少分片(一般建议单个分片上的单表数据量不超过1000W).

如果采用数值范围分片,只需要添加节点就可以进行扩容了,不需要对分片数据迁移.如果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.

[Image 1]: 
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/cb73ed407c9047e883ec752c1650b0ab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/732ee2efc5d94f7dbd8e69208a1e126d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/db754148b4ee477eb4ed14968fea3d42.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 3]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/0c946839071249a4b5e65416c8b3947d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 4]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/448a551e1e1e4689925f118d81b49288.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3N5YzAwMDY2Ng_size_16_color_FFFFFF_t_70 5]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/19ccf19ff8ac41878d441005984f4881.png