这四种状况下,才是考虑分库分表的时候!

2021年09月15日 阅读数:3
这篇文章主要向大家介绍这四种状况下,才是考虑分库分表的时候!,主要内容包括基础应用、实用技巧、原理机制等方面,希望对大家有所帮助。

来源:https://juejin.im/post/6844903992909103117
php

数据库瓶颈

无论是IO瓶颈仍是CPU瓶颈,最终都会致使数据库的活跃链接数增长,进而逼近甚至达到数据库可承载的活跃链接数的阈值。在业务service来看,前端

就是可用数据库链接少甚至无链接可用,接下来就能够想象了(并发量、吞吐量、崩溃)。程序员

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,下降查询速度->分库和垂直分表算法

  • 第二种:网络IO瓶颈,请求的数据太多,网络带宽不够 ->分库sql

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,增长CPU运算的操做->SQL优化,创建合适的索引,在业务Service层进行业务计算。数据库

  • 第二种:单表数据量太大,查询时扫描的行太多,SQl效率低,增长CPU运算的操做。->水平分表。缓存

水平分库


  • 一、概念:以字段为依据,按照必定策略(hash、range等),将一个库中的数据拆分到多个库中。服务器

  • 二、结果:网络

    • 每一个库的结构都同样并发

    • 每一个库中的数据不同,没有交集

    • 全部库的数据并集是全量数据

  • 三、场景:系统绝对并发量上来了,分表难以根本上解决问题,而且尚未明显的业务归属来垂直分库的状况下。

  • 四、分析:库多了,io和cpu的压力天然能够成倍缓解

水平分表

  • 一、概念:以字段为依据,按照必定策略(hash、range等),讲一个表中的数据拆分到多个表中。

  • 二、结果:

    • 每一个表的结构都同样

    • 每一个表的数据不同,没有交集,全部表的并集是全量数据。

  • 三、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,加剧了CPU负担,以致于成为瓶颈,能够考虑水平分表。

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

垂直分库

  • 一、概念:以表为依据,按照业务归属不一样,将不一样的表拆分到不一样的库中。

  • 二、结果:

    • 每一个库的结构都不同

    • 每一个库的数据也不同,没有交集

    • 全部库的并集是全量数据

  • 三、场景:系统绝对并发量上来了,而且能够抽象出单独的业务模块的状况下。

  • 四、分析:到这一步,基本上就能够服务化了。例如:随着业务的发展,一些公用的配置表、字典表等愈来愈多,这时能够将这些表拆到单独的库中,甚至能够服务化。再者,随着业务的发展孵化出了一套业务模式,这时能够将相关的表拆到单独的库中,甚至能够服务化。

垂直分表

  • 一、概念:以字段为依据,按照字段的活跃性,将表中字段拆到不一样的表中(主表和扩展表)。

  • 二、结果:

    • 每一个表的结构不同。

    • 每一个表的数据也不同,通常来讲,每一个表的字段至少有一列交集,通常是主键,用于关联数据。

    • 全部表的并集是全量数据。

  • 三、场景:系统绝对并发量并无上来,表的记录并很少,可是字段多,而且热点数据和非热点数据在一块儿,单行数据所需的存储空间较大,以致于数据库缓存的数据行减小,查询时回去读磁盘数据产生大量随机读IO,产生IO瓶颈。

  • 四、分析:能够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(可能常常会查询的数据)放在一块儿做为主表,非热点数据放在一块儿做为扩展表,这样更多的热点数据就能被缓存下来,进而减小了随机读IO。拆了以后,要想获取所有数据就须要关联两个表来取数据。

但记住千万别用join,由于Join不只会增长CPU负担而且会将两个表耦合在一块儿(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,而后用关联字段关联获得所有数据。

分库分表工具

  • sharding-jdbc(当当)

  • TSharding(蘑菇街)

  • Atlas(奇虎360)

  • Cobar(阿里巴巴)

  • MyCAT(基于Cobar)

  • Oceanus(58同城)

  • Vitess(谷歌) 各类工具的利弊自查

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、链接数的瓶颈,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

分布式事务

当更新内容同时存在于不一样库找那个,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,通常可以使用“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做的原子性。但在提交事务时须要协调多个节点,推后了提交事务的时间点,延长了事务的执行时间,致使事务在访问共享资源时发生冲突或死锁的几率增高。随着数据库节点的增多,这种趋势会愈来愈严重,从而成为系统在数据库层面上水平扩展的枷锁。

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,每每不苛求系统的实时一致性,只要在容许的时间段内达到最终一致性便可,可采用事务补偿的方式。与事务在执行中发生错误马上回滚的方式不一样,事务补偿是一种过后检查补救的措施,一些常见的实现方法有:对数据进行对帐检查,基于日志进行对比,按期同标准数据来源进行同步等。

跨节点关联查询join问题

切分以前,系统中不少列表和详情表的数据能够经过join来完成,可是切分以后,数据可能分布在不一样的节点上,此时join带来的问题就比较麻烦了,考虑到性能,尽可能避免使用Join查询。解决的一些方法:

全局表

全局表,也可看作“数据字典表”,就是系统中全部模块均可能依赖的一些表,为了不库join查询,能够将这类表在每一个数据库中都保存一份。这些数据一般不多修改,因此没必要担忧一致性的问题。

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能够查到用户名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状况,而冗余字段的一致性也较难保证。

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,而后根据id发起器二次请求获得关联数据,最后将得到的结果进行字段组装。这是比较经常使用的方法。

ER分片

关系型数据库中,若是已经肯定了表之间的关联关系(如订单表和订单详情表),而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,能够在一个分片内进行join。在1:1或1:n的状况下,一般按照主表的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。分页须要按照指定字段进行排序,当排序字段就是分页字段时,经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.

须要先在不一样的分片节点中将数据进行排序并返回,而后将不一样分片返回的结果集进行汇总和再次排序,最终返回给用户 以下图:上图只是取第一页的数据,对性能影响还不是很大。可是若是取得页数很大,状况就变得复杂的多,由于各分片节点中的数据多是随机的,为了排序的准确性,须要将全部节点的前N页数据都排序好作合并,最后再进行总体排序,这样的操做很耗费CPU和内存资源,因此页数越大,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,也须要先在每一个分片上执行相应的函数,而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,因为表中数据同时存在不一样数据库中,主键值平时使用的自增加将无用武之地,某个分区数据库自生成ID没法保证全局惟一。所以须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:

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,可是缺点明显,占用存储空间多,另外做为主键创建索引和基于索引进行查询都存在性能问题,尤为是InnoDb引擎下,UUID的无序性会致使索引位置频繁变更,致使分页。

结合数据库维护主键ID表

在数据库中创建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字段设置为惟一索引,同一stub值在sequence表中只有一条记录,能够同时为多张表生辰全局ID。使用MyISAM引擎而不是InnoDb,已得到更高的性能。MyISAM使用的是表锁,对表的读写是串行的,因此不用担忧并发时两次读取同一个ID。当须要全局惟一的ID时,执行:

    REPLACE INTO sequence (stub) VALUES ('a');  
    SELECT 1561439;  

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。配置主从能够增长可用性。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,相似sequence表方案,更好的解决了单点和性能瓶颈问题。这一方案的总体思想是:创建2个以上的全局ID生成的服务器,每一个服务器上只部署一个数据库,每一个库有一张sequence表用于记录当前全局ID。

表中增加的步长是库的数量,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

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,能够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的压力仍是很大,只能经过堆机器来提高性能。

Snowflake分布式自增ID算法

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:

  • 第一位未使用

  • 接下来的41位是毫秒级时间,41位的长度能够表示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一个节点每毫秒产生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,此时就不可避免的须要考虑历史数据的迁移问题。通常作法是先读出历史数据,而后按照指定的分片规则再将数据写入到各分片节点中。此外还须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,推算出大概须要多少分片(通常建议单个分片的单表数据量不超过1000W)。

何时考虑分库分表

  • 能不分就不分

并非全部表都须要切分,主要仍是看数据的增加速度。切分后在某种程度上提高了业务的复杂程度。不到万不得已不要轻易使用分库分表这个“大招”,避免“过分设计”和“过早优化”。分库分表以前,先尽力作力所能及的优化: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,若是单表太大,备份时须要大量的磁盘IO和网络IO。对一个很大的表作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。

大表常常访问和更新,就更有可能出现锁等待。

  • 随着业务发展,须要对某些字段垂直拆分

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

  • 数据量快速增加

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




推荐阅读
分享基于 Spring Cloud +OAuth2 的权限管理系统

链家程序员删公司9TB 数据 被判7年

工做10年后,再看String s = new String("xyz") 建立了几个对象?

SpringBoot集成WebSocket,实现后台向前端推送信息

SpringBoot 配置 ELK 环境

给代码写注释时有哪些讲究?

程序员该如何把 Windows 系统打造的跟 Mac 同样牛逼?

基于 SpringBoot,来实现MySQL读写分离技术