这四种情况下，才是考虑分库分表的时候！
數(shù)據(jù)庫瓶頸
不管是IO瓶頸還是CPU瓶頸，最終都會(huì)導(dǎo)致數(shù)據(jù)庫的活躍連接數(shù)增加，進(jìn)而逼近甚至達(dá)到數(shù)據(jù)庫可承載的活躍連接數(shù)的閾值。在業(yè)務(wù)service來看，
就是可用數(shù)據(jù)庫連接少甚至無連接可用，接下來就可以想象了（并發(fā)量、吞吐量、崩潰）。
IO瓶頸
第一種：磁盤讀IO瓶頸，熱點(diǎn)數(shù)據(jù)太多，數(shù)據(jù)庫緩存放不下，每次查詢會(huì)產(chǎn)生大量的IO，降低查詢速度->分庫和垂直分表
第二種：網(wǎng)絡(luò)IO瓶頸，請(qǐng)求的數(shù)據(jù)太多，網(wǎng)絡(luò)帶寬不夠 ->分庫
CPU瓶頸
第一種：SQl問題：如SQL中包含join,group by, order by，非索引字段條件查詢等，增加CPU運(yùn)算的操作->SQL優(yōu)化，建立合適的索引，在業(yè)務(wù)Service層進(jìn)行業(yè)務(wù)計(jì)算。
第二種：單表數(shù)據(jù)量太大，查詢時(shí)掃描的行太多，SQl效率低，增加CPU運(yùn)算的操作。->水平分表。
水平分庫
1、概念：以字段為依據(jù)，按照一定策略（hash、range等），將一個(gè)庫中的數(shù)據(jù)拆分到多個(gè)庫中。
2、結(jié)果：
每個(gè)庫的結(jié)構(gòu)都一樣
每個(gè)庫中的數(shù)據(jù)不一樣，沒有交集
所有庫的數(shù)據(jù)并集是全量數(shù)據(jù)
3、場景：系統(tǒng)絕對(duì)并發(fā)量上來了，分表難以根本上解決問題，并且還沒有明顯的業(yè)務(wù)歸屬來垂直分庫的情況下。
4、分析：庫多了，io和cpu的壓力自然可以成倍緩解
水平分表
1、概念：以字段為依據(jù)，按照一定策略（hash、range等），講一個(gè)表中的數(shù)據(jù)拆分到多個(gè)表中。
2、結(jié)果：
每個(gè)表的結(jié)構(gòu)都一樣
每個(gè)表的數(shù)據(jù)不一樣，沒有交集，所有表的并集是全量數(shù)據(jù)。
3、場景：系統(tǒng)絕對(duì)并發(fā)量沒有上來，只是單表的數(shù)據(jù)量太多，影響了SQL效率，加重了CPU負(fù)擔(dān)，以至于成為瓶頸，可以考慮水平分表。
4、分析：單表的數(shù)據(jù)量少了，單次執(zhí)行SQL執(zhí)行效率高了，自然減輕了CPU的負(fù)擔(dān)。
垂直分庫
1、概念：以表為依據(jù)，按照業(yè)務(wù)歸屬不同，將不同的表拆分到不同的庫中。
2、結(jié)果：
每個(gè)庫的結(jié)構(gòu)都不一樣
每個(gè)庫的數(shù)據(jù)也不一樣，沒有交集
所有庫的并集是全量數(shù)據(jù)
3、場景：系統(tǒng)絕對(duì)并發(fā)量上來了，并且可以抽象出單獨(dú)的業(yè)務(wù)模塊的情況下。
4、分析：到這一步，基本上就可以服務(wù)化了。例如：隨著業(yè)務(wù)的發(fā)展，一些公用的配置表、字典表等越來越多，這時(shí)可以將這些表拆到單獨(dú)的庫中，甚至可以服務(wù)化。再者，隨著業(yè)務(wù)的發(fā)展孵化出了一套業(yè)務(wù)模式，這時(shí)可以將相關(guān)的表拆到單獨(dú)的庫中，甚至可以服務(wù)化。
垂直分表
1、概念：以字段為依據(jù)，按照字段的活躍性，將表中字段拆到不同的表中（主表和擴(kuò)展表）。
2、結(jié)果：
每個(gè)表的結(jié)構(gòu)不一樣。
每個(gè)表的數(shù)據(jù)也不一樣，一般來說，每個(gè)表的字段至少有一列交集，一般是主鍵，用于關(guān)聯(lián)數(shù)據(jù)。
所有表的并集是全量數(shù)據(jù)。
3、場景：系統(tǒng)絕對(duì)并發(fā)量并沒有上來，表的記錄并不多，但是字段多，并且熱點(diǎn)數(shù)據(jù)和非熱點(diǎn)數(shù)據(jù)在一起，單行數(shù)據(jù)所需的存儲(chǔ)空間較大，以至于數(shù)據(jù)庫緩存的數(shù)據(jù)行減少，查詢時(shí)回去讀磁盤數(shù)據(jù)產(chǎn)生大量隨機(jī)讀IO，產(chǎn)生IO瓶頸。
4、分析：可以用列表頁和詳情頁來幫助理解。垂直分表的拆分原則是將熱點(diǎn)數(shù)據(jù)（可能經(jīng)常會(huì)查詢的數(shù)據(jù)）放在一起作為主表，非熱點(diǎn)數(shù)據(jù)放在一起作為擴(kuò)展表，這樣更多的熱點(diǎn)數(shù)據(jù)就能被緩存下來，進(jìn)而減少了隨機(jī)讀IO。拆了之后，要想獲取全部數(shù)據(jù)就需要關(guān)聯(lián)兩個(gè)表來取數(shù)據(jù)。
但記住千萬別用join，因?yàn)镴oin不僅會(huì)增加CPU負(fù)擔(dān)并且會(huì)將兩個(gè)表耦合在一起（必須在一個(gè)數(shù)據(jù)庫實(shí)例上）。關(guān)聯(lián)數(shù)據(jù)應(yīng)該在service層進(jìn)行，分別獲取主表和擴(kuò)展表的數(shù)據(jù)，然后用關(guān)聯(lián)字段關(guān)聯(lián)得到全部數(shù)據(jù)。
分庫分表工具
sharding-jdbc（當(dāng)當(dāng)）
TSharding（蘑菇街）
Atlas（奇虎360）
Cobar（阿里巴巴）
MyCAT（基于Cobar）
Oceanus（58同城）
Vitess（谷歌） 各種工具的利弊自查
分庫分表帶來的問題
分庫分表能有效緩解單機(jī)和單表帶來的性能瓶頸和壓力，突破網(wǎng)絡(luò)IO、硬件資源、連接數(shù)的瓶頸，同時(shí)也帶來一些問題，下面將描述這些問題和解決思路。
事務(wù)一致性問題
分布式事務(wù)
當(dāng)更新內(nèi)容同時(shí)存在于不同庫找那個(gè)，不可避免會(huì)帶來跨庫事務(wù)問題。跨分片事務(wù)也是分布式事務(wù)，沒有簡單的方案，一般可使用“XA協(xié)議”和“兩階段提交”處理。
分布式事務(wù)能最大限度保證了數(shù)據(jù)庫操作的原子性。但在提交事務(wù)時(shí)需要協(xié)調(diào)多個(gè)節(jié)點(diǎn)，推后了提交事務(wù)的時(shí)間點(diǎn)，延長了事務(wù)的執(zhí)行時(shí)間，導(dǎo)致事務(wù)在訪問共享資源時(shí)發(fā)生沖突或死鎖的概率增高。隨著數(shù)據(jù)庫節(jié)點(diǎn)的增多，這種趨勢會(huì)越來越嚴(yán)重，從而成為系統(tǒng)在數(shù)據(jù)庫層面上水平擴(kuò)展的枷鎖。
最終一致性
對(duì)于那些性能要求很高，但對(duì)一致性要求不高的系統(tǒng)，往往不苛求系統(tǒng)的實(shí)時(shí)一致性，只要在允許的時(shí)間段內(nèi)達(dá)到最終一致性即可，可采用事務(wù)補(bǔ)償?shù)姆绞健Ｅc事務(wù)在執(zhí)行中發(fā)生錯(cuò)誤立刻回滾的方式不同，事務(wù)補(bǔ)償是一種事后檢查補(bǔ)救的措施，一些常見的實(shí)現(xiàn)方法有：對(duì)數(shù)據(jù)進(jìn)行對(duì)賬檢查，基于日志進(jìn)行對(duì)比，定期同標(biāo)準(zhǔn)數(shù)據(jù)來源進(jìn)行同步等。
跨節(jié)點(diǎn)關(guān)聯(lián)查詢join問題
切分之前，系統(tǒng)中很多列表和詳情表的數(shù)據(jù)可以通過join來完成，但是切分之后，數(shù)據(jù)可能分布在不同的節(jié)點(diǎn)上，此時(shí)join帶來的問題就比較麻煩了，考慮到性能，盡量避免使用Join查詢。解決的一些方法：
全局表
全局表，也可看做“數(shù)據(jù)字典表”，就是系統(tǒng)中所有模塊都可能依賴的一些表，為了避免庫join查詢，可以將這類表在每個(gè)數(shù)據(jù)庫中都保存一份。這些數(shù)據(jù)通常很少修改，所以不必?fù)?dān)心一致性的問題。
字段冗余
一種典型的反范式設(shè)計(jì)，利用空間換時(shí)間，為了性能而避免join查詢。例如，訂單表在保存userId的時(shí)候，也將userName也冗余的保存一份，這樣查詢訂單詳情順表就可以查到用戶名userName，就不用查詢買家user表了。但這種方法適用場景也有限，比較適用依賴字段比較少的情況，而冗余字段的一致性也較難保證。
數(shù)據(jù)組裝
在系統(tǒng)service業(yè)務(wù)層面，分兩次查詢，第一次查詢的結(jié)果集找出關(guān)聯(lián)的數(shù)據(jù)id，然后根據(jù)id發(fā)起器二次請(qǐng)求得到關(guān)聯(lián)數(shù)據(jù)，最后將獲得的結(jié)果進(jìn)行字段組裝。這是比較常用的方法。
ER分片
關(guān)系型數(shù)據(jù)庫中，如果已經(jīng)確定了表之間的關(guān)聯(lián)關(guān)系（如訂單表和訂單詳情表），并且將那些存在關(guān)聯(lián)關(guān)系的表記錄存放在同一個(gè)分片上，那么就能較好地避免跨分片join的問題，可以在一個(gè)分片內(nèi)進(jìn)行join。在1:1或1：n的情況下，通常按照主表的ID進(jìn)行主鍵切分。
跨節(jié)點(diǎn)分頁、排序、函數(shù)問題
跨節(jié)點(diǎn)多庫進(jìn)行查詢時(shí)，會(huì)出現(xiàn)limit分頁、order by排序等問題。分頁需要按照指定字段進(jìn)行排序，當(dāng)排序字段就是分頁字段時(shí)，通過分片規(guī)則就比較容易定位到指定的分片；當(dāng)排序字段非分片字段時(shí)，就變得比較復(fù)雜.
需要先在不同的分片節(jié)點(diǎn)中將數(shù)據(jù)進(jìn)行排序并返回，然后將不同分片返回的結(jié)果集進(jìn)行匯總和再次排序，最終返回給用戶 如下圖：上圖只是取第一頁的數(shù)據(jù)，對(duì)性能影響還不是很大。但是如果取得頁數(shù)很大，情況就變得復(fù)雜的多，因?yàn)楦鞣制?jié)點(diǎn)中的數(shù)據(jù)可能是隨機(jī)的，為了排序的準(zhǔn)確性，需要將所有節(jié)點(diǎn)的前N頁數(shù)據(jù)都排序好做合并，最后再進(jìn)行整體排序，這樣的操作很耗費(fèi)CPU和內(nèi)存資源，所以頁數(shù)越大，系統(tǒng)性能就會(huì)越差。
在使用Max、Min、Sum、Count之類的函數(shù)進(jìn)行計(jì)算的時(shí)候，也需要先在每個(gè)分片上執(zhí)行相應(yīng)的函數(shù)，然后將各個(gè)分片的結(jié)果集進(jìn)行匯總再次計(jì)算。
全局主鍵避重問題
在分庫分表環(huán)境中，由于表中數(shù)據(jù)同時(shí)存在不同數(shù)據(jù)庫中，主鍵值平時(shí)使用的自增長將無用武之地，某個(gè)分區(qū)數(shù)據(jù)庫自生成ID無法保證全局唯一。因此需要單獨(dú)設(shè)計(jì)全局主鍵，避免跨庫主鍵重復(fù)問題。這里有一些策略：
UUID
UUID標(biāo)準(zhǔn)形式是32個(gè)16進(jìn)制數(shù)字，分為5段，形式是8-4-4-4-12的36個(gè)字符。
UUID是最簡單的方案，本地生成，性能高，沒有網(wǎng)絡(luò)耗時(shí)，但是缺點(diǎn)明顯，占用存儲(chǔ)空間多，另外作為主鍵建立索引和基于索引進(jìn)行查詢都存在性能問題，尤其是InnoDb引擎下，UUID的無序性會(huì)導(dǎo)致索引位置頻繁變動(dòng)，導(dǎo)致分頁。
結(jié)合數(shù)據(jù)庫維護(hù)主鍵ID表
在數(shù)據(jù)庫中建立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字段設(shè)置為唯一索引，同一stub值在sequence表中只有一條記錄，可以同時(shí)為多張表生辰全局ID。使用MyISAM引擎而不是InnoDb，已獲得更高的性能。MyISAM使用的是表鎖，對(duì)表的讀寫是串行的，所以不用擔(dān)心并發(fā)時(shí)兩次讀取同一個(gè)ID。當(dāng)需要全局唯一的ID時(shí)，執(zhí)行：
????REPLACE?INTO?sequence?(stub)?VALUES?('a');??SELECT?1561439;??此方案較為簡單，但缺點(diǎn)較為明顯：存在單點(diǎn)問題，強(qiáng)依賴DB，當(dāng)DB異常時(shí)，整個(gè)系統(tǒng)不可用。配置主從可以增加可用性。另外性能瓶頸限制在單臺(tái)Mysql的讀寫性能。
另有一種主鍵生成策略，類似sequence表方案，更好的解決了單點(diǎn)和性能瓶頸問題。這一方案的整體思想是：建立2個(gè)以上的全局ID生成的服務(wù)器，每個(gè)服務(wù)器上只部署一個(gè)數(shù)據(jù)庫，每個(gè)庫有一張sequence表用于記錄當(dāng)前全局ID。
表中增長的步長是庫的數(shù)量，起始值依次錯(cuò)開，這樣就能將ID的生成散列到各個(gè)數(shù)據(jù)庫上
這種方案將生成ID的壓力均勻分布在兩臺(tái)機(jī)器上，同時(shí)提供了系統(tǒng)容錯(cuò)，第一臺(tái)出現(xiàn)了錯(cuò)誤，可以自動(dòng)切換到第二臺(tái)獲取ID。但有幾個(gè)缺點(diǎn)：系統(tǒng)添加機(jī)器，水平擴(kuò)展較復(fù)雜；每次獲取ID都要讀取一次DB，DB的壓力還是很大，只能通過堆機(jī)器來提升性能。
Snowflake分布式自增ID算法
Twitter的snowfalke算法解決了分布式系統(tǒng)生成全局ID的需求，生成64位Long型數(shù)字，組成部分：
第一位未使用
接下來的41位是毫秒級(jí)時(shí)間，41位的長度可以表示69年的時(shí)間
5位datacenterId,5位workerId。10位長度最多支持部署1024個(gè)節(jié)點(diǎn)
最后12位是毫秒內(nèi)計(jì)數(shù)，12位的計(jì)數(shù)順序號(hào)支持每個(gè)節(jié)點(diǎn)每毫秒產(chǎn)生4096個(gè)ID序列。
數(shù)據(jù)遷移、擴(kuò)容問題
當(dāng)業(yè)務(wù)高速發(fā)展、面臨性能和存儲(chǔ)瓶頸時(shí)，才會(huì)考慮分片設(shè)計(jì)，此時(shí)就不可避免的需要考慮歷史數(shù)據(jù)的遷移問題。一般做法是先讀出歷史數(shù)據(jù)，然后按照指定的分片規(guī)則再將數(shù)據(jù)寫入到各分片節(jié)點(diǎn)中。此外還需要根據(jù)當(dāng)前的數(shù)據(jù)量個(gè)QPS，以及業(yè)務(wù)發(fā)展速度，進(jìn)行容量規(guī)劃，推算出大概需要多少分片（一般建議單個(gè)分片的單表數(shù)據(jù)量不超過1000W）。
什么時(shí)候考慮分庫分表
能不分就不分
并不是所有表都需要切分，主要還是看數(shù)據(jù)的增長速度。切分后在某種程度上提升了業(yè)務(wù)的復(fù)雜程度。不到萬不得已不要輕易使用分庫分表這個(gè)“大招”，避免“過度設(shè)計(jì)”和“過早優(yōu)化”。分庫分表之前，先盡力做力所能及的優(yōu)化：升級(jí)硬件、升級(jí)網(wǎng)絡(luò)、讀寫分離、索引優(yōu)化等。當(dāng)數(shù)據(jù)量達(dá)到單表瓶頸后，在考慮分庫分表。
數(shù)據(jù)量過大，正常運(yùn)維影響業(yè)務(wù)訪問
這里的運(yùn)維是指：對(duì)數(shù)據(jù)庫備份，如果單表太大，備份時(shí)需要大量的磁盤IO和網(wǎng)絡(luò)IO。對(duì)一個(gè)很大的表做DDL，MYSQL會(huì)鎖住整個(gè)表，這個(gè)時(shí)間會(huì)很長，這段時(shí)間業(yè)務(wù)不能訪問此表，影響很大。
大表經(jīng)常訪問和更新，就更有可能出現(xiàn)鎖等待。
隨著業(yè)務(wù)發(fā)展，需要對(duì)某些字段垂直拆分
這里就不舉例了。在實(shí)際業(yè)務(wù)中都可能會(huì)碰到，有些不經(jīng)常訪問或者更新頻率低的字段應(yīng)該從大表中分離出去。
數(shù)據(jù)量快速增長
隨著業(yè)務(wù)的快速發(fā)展，單表中的數(shù)據(jù)量會(huì)持續(xù)增長，當(dāng)性能接近瓶頸時(shí)，就需要考慮水平切分，做分庫分表了。
推薦文章今天給大家推薦 6 個(gè) Spring Boot 項(xiàng)目，拿來就可以賺錢！
分享一套基于SpringBoot和Vue的企業(yè)級(jí)中后臺(tái)開源項(xiàng)目，這個(gè)項(xiàng)目有點(diǎn)哇塞！
圈子哥推薦一款基于 Spring Boot 開發(fā) OA 開源產(chǎn)品，學(xué)習(xí)/搞外快都是不二選擇！
硬剛一周，3W字總結(jié)，一年的經(jīng)驗(yàn)告訴你如何準(zhǔn)備校招！
總結(jié)
以上是生活随笔為你收集整理的这四种情况下，才是考虑分库分表的时候！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 再见 Win10！下一代操作系统来了。。
- 下一篇： 死磕18个Java8日期处理，工作必用！