9.28学习

1.如何进行分库分表

分表用户id进行分表，每个表控制在300万数据。

分库根据业务场景和地域分库，每个库并发不超过2000

 

Sharding-jdbc 这种 client 层方案的优点在于不用部署，运维成本低，不需要代理层的二次转发请求，性能很高，但是各个系统都需要耦合 Sharding-jdbc 的依赖，升级比较麻烦

 

Mycat 这种 proxy 层方案的缺点在于需要部署，自己运维一套中间件，运维成本高，但是好处在于对于各个项目是透明的，如果遇到升级之类的都是自己中间件那里搞就行了

 

水平拆分：一个表放到多个库，分担高并发，加快查询速度

 

id保证业务在关联多张表时可以在同一库上操作

range方便扩容和数据统计

hash可以使得数据更加平均

 

垂直拆分：一个表拆成多个表，可以将一些冷数据拆分到冗余库中

 

不是写瓶颈优先进行分表

 

分库数据间的数据无法再通过数据库直接查询了。会产生深分页的问题

 

分库越多，出现问题的可能性越大，维护成本也变得更高。

 

分库后无法保障跨库间事务，只能借助其他中间件实现最终一致性。

 

分库首先需考虑满足业务最核心的场景：

①订单数据按用户分库，可以提升用户的全流程体验

②超级客户导致数据倾斜可以使用最细粒度唯一标识进行hash拆分

③按照最细粒度如订单号拆分以后，数据库就无法进行单库排重了

 

三个问题：

富查询：采用分库分表之后，如何满足跨越分库的查询？使用ES的宽表

借助分库网关+分库业务虽然能够实现多维度查询的能力，但整体上性能不佳且对正常的写入请求有一定的影响。业界应对多维度实时查询的最常见方式便是借助 ElasticSearch

数据倾斜：数据分库基础上再进行分表

分布式事务：跨多库的修改及多个微服务间的写操作导致的分布式事务问题？

深分页问题：按游标查询，或者叫每次查询都带上上一次查询经过排序后的最大 ID

 

2.如何将老数据进行迁移

双写不中断迁移

线上系统里所有写库的地方，增删改操作，除了对老库增删改，都加上对新库的增删改

系统部署以后，还需要跑程序读老库数据写新库，写的时候需要判断updateTime

循环执行，直至两个库的数据完全一致，最后重新部署分库分表的代码就行了

 

3.系统性能的评估及扩容

和家亲目前有1亿用户：场景 10万写并发，100万读并发，60亿数据量

设计时考虑极限情况，32库*32表~64个表，一共1000 ~ 2000张表

支持3万的写并发，配合MQ实现每秒10万的写入速度

读写分离6万读并发，配合分布式缓存每秒100读并发

2000张表每张300万，可以最多写入60亿的数据

32张用户表，支撑亿级用户，后续最多也就扩容一次

 

★动态扩容的步骤

①推荐是 32 库 * 32 表，对于我们公司来说，可能几年都够了。

②配置路由的规则，uid % 32 = 库，uid / 32 % 32 = 表

③扩容的时候，申请增加更多的数据库服务器，呈倍数扩容

④由 DBA 负责将原先数据库服务器的库，迁移到新的数据库服务器上去

⑤修改一下配置，重新发布系统，上线，原先的路由规则变都不用变

⑥直接可以基于 n 倍的数据库服务器的资源，继续进行线上系统的提供服务。

 

4.如何生成自增的id主键

●使用redis可以

●并发不高可以单独起一个服务，生成自增id

●设置数据库step自增步长可以支撑水平伸缩

●UUID适合文件名、编号，但是不适合做主键

●snowflake雪花算法，综合了41时间（ms）、10机器、12序列号（ms内自增）

 

其中机器预留的10bit可以根据自己的业务场景配置