如何解决海量数据的处理问题

一、海量数据，为高效查询，如何处理？分库分表会带来哪些副作用？可能的解决方式有哪些？

目前经常使用的关系型数据库如 MySQL、SQL Server 等，都是以“行”为单位进行存储，为了快速检索，也都采用了B树或其他索引技术。

1️⃣从原理上来讲，表中的数据越多，索引树的范围越大，磁盘读取也越多，性能也就越低。
2️⃣从实践角度来看，一般以百万到千万作为一个表的存储量级，超出该范围之后，性能就会下降，需要采用其他技术手段解决。

【读写分离】
首先想到的就是能否将读和写分离，主数据库用于写入，读数据库(多个)用于对外提供查询，通过数据复制的方式将主数据库的数据同步到读库。该架构提升了数据库的读写能力，但对于主数据库的写入能力依然没法扩展。

【分库分表】
其次，依据数据库分区的思路，可以将不同的数据分散到不同的库中，每个库存储的数据都不同，这样就可以将单一库的压力分散到多个库中，从而提升整个数据库的服务能力，这就是所说的分库分表技术。这样做解决了数据存储容量的问题，但也带来了诸多弊端。

二、分库分表，数据拆分的逻辑是什么？分库分表之后如何跨库/表join查询？

1️⃣垂直分库：多种业务的表拆分到不同的库，通过微服务的方式提供服务。按照“字段(列)”分区，每个库/表存储不同的的字段，即 schema 不同，就是“垂直拆分”：

2️⃣垂直分表：大表拆小表，经常使用的字段为一类和不经常使用的字段为另一类。

3️⃣水平分表：将表中不同的数据行按照一定规律分布到不同的数据库表中，这样来降低单表数据量，优化查询性能。最常见的拆分逻辑比如基于用户 id 取模、订单号哈希取模等。按“数据记录(行)”分区，每个库/表的 schema 一致，但存储的数据不同，就是“水平拆分”：

高并发的系统可以通过冗余字段、系统层面组装模型等方式尽量避免 join 查询。

三、表分区【EXPLAIN PARTITIONS】

MySQL 在 5.1 版引入的分区是一种简单的水平拆分，用户需要在建表的时候加上分区参数，对应用是透明的无需修改代码。

对用户来说，分区表是一个独立的逻辑表，但是底层由多个物理子表组成，实现分区的代码实际上是通过对一组底层表的对象封装，但对 SQL 层来说是一个完全封装底层的黑盒子。MySQL 实现分区的方式也意味着索引也是按照分区的子表定义，没有全局索引。

用户的 SQL 语句是需要针对分区表做优化，SQL 条件中要带上分区条件的列，从而使查询定位到少量的分区上，否则就会扫描全部分区，可以通过 EXPLAIN PARTITIONS 来查看某条 SQL 语句会落在那些分区上，从而进行 SQL 优化，如下图5条记录落在两个分区上：

1️⃣分区的好处

1. 可以让单表存储更多的数据
2. 分区表的数据更容易维护，可以通过清楚整个分区批量删除大量数据，也可以增加新的分区来支持新插入的数据。另外，还可以对一个独立分区进行优化、检查、修复等操作
3. 部分查询能够从查询条件确定只落在少数分区上，速度会很快
4. 分区表的数据还可以分布在不同的物理设备上，从而高效利用多个硬件设备
5. 可以使用分区表赖避免某些特殊瓶颈，例如InnoDB单个索引的互斥访问、ext3文件系统的inode锁竞争
6. 可以备份和恢复单个分区

2️⃣分区的限制和缺点

1. 一个表最多只能有1024个分区
2. 如果分区字段中有主键或者唯一索引的列，那么所有主键列和唯一索引列都必须包含进来
3. 分区表无法使用外键约束
4. NULL值会使分区过滤无效
5. 所有分区必须使用相同的存储引擎

3️⃣分区的类型

• RANGE分区：基于属于一个给定连续区间的列值，把多行分配给分区
• LIST分区：类似于按RANGE分区，区别在于LIST分区是基于列值匹配一个离散值集合中的某个值来进行选择
• HASH分区：基于用户定义的表达式的返回值来进行选择的分区，该表达式使用将要插入到表中的这些行的列值进行计算。这个函数可以包含MySQL中有效的、产生非负整数值的任何表达式
• KEY分区：类似于按HASH分区，区别在于KEY分区只支持计算一列或多列，且MySQL服务器提供其自身的哈希函数。必须有一列或多列包含整数值

4️⃣分区适合的场景

最适合的场景数据的时间序列性比较强，则可以按时间来分区，如下所示：

> CREATE TABLE members ( 
firstname VARCHAR(25) NOT NULL, 
lastname VARCHAR(25) NOT NULL,
username VARCHAR(16) NOT NULL, 
email VARCHAR(35), 
joined DATE NOT NULL
)PARTITION BY RANGE( YEAR(joined) ) 
(PARTITION p0 VALUES LESS THAN (1960), 
PARTITION p1 VALUES LESS THAN (1970), 
PARTITION p2 VALUES LESS THAN (1980), 
PARTITION p3 VALUES LESS THAN (1990), 
PARTITION p4 VALUES LESS THAN MAXVALUE);

查询时加上时间范围条件效率会非常高，同时对于不需要的历史数据能很容的批量删除。

如果数据有明显的热点，而且除了这部分数据，其他数据很少被访问到，那么可以将热点数据单独放在一个分区，让这个分区的数据能够有机会都缓存在内存中，查询时只访问一个很小的分区表，能够有效使用索引和缓存。

另外MySQL有一种早期的简单的分区实现 – 合并表（merge table），限制较多且缺乏优化，不建议使用，应该用新的分区机制来替代。

四、垂直拆分

垂直分库是根据数据库里面的数据表的相关性进行拆分。比如：一个数据库里面既存在用户数据，又存在订单数据，那么垂直拆分可以把用户数据放到用户库、把订单数据放到订单库。垂直分表是对数据表进行垂直拆分的一种方式，常见的是把一个多字段的大表按常用字段和非常用字段进行拆分，每个表里面的数据记录数一般情况下是相同的，只是字段不一样，使用主键关联，比如原始的用户表是：

垂直拆分后是：

1️⃣垂直拆分的优点

1. 可以使得行数据变小，一个数据块(Block)就能存放更多的数据，在查询时就会减少I/O次数(每次查询时读取的Block 就少)
2. 可以达到最大化利用Cache的目的，具体在垂直拆分的时候可以将不常变的字段放一起，将经常改变的放一起
3. 数据维护简单

2️⃣垂直拆分的缺点

1. 主键出现冗余，需要管理冗余列
2. 会引起表连接JOIN操作(增加CPU开销)可以通过在业务服务器上进行join来减少数据库压力
3. 依然存在单表数据量过大的问题(需要水平拆分)
4. 事务处理复杂

五、水平拆分

水平拆分是通过某种策略将数据分片来存储，分库内分表和分库两部分，每片数据会分散到不同的 MySQL 表或库，达到分布式的效果，能够支持非常大的数据量。前面的表分区本质上也是一种特殊的库内分表。

库内分表，仅仅是单纯的解决了单一表数据过大的问题，由于没有把表的数据分布到不同的机器上，因此对于减轻MySQL服务器的压力来说，并没有太大的作用，大家还是竞争同一个物理机上的IO、CPU、网络，这个就要通过分库来解决。

前面垂直拆分的用户表如果进行水平拆分，结果是：

实际情况中往往是垂直拆分和水平拆分的结合，即将Users_A_M和Users_N_Z再拆成Users和UserExtras，这样一共四张表。

1️⃣水平拆分的优点

1. 不存在单库大数据和高并发的性能瓶颈
2. 应用端改造较少
3. 提高了系统的稳定性和负载能力

2️⃣水平拆分的缺点

1. 分片事务一致性难以解决
2. 跨节点Join性能差，逻辑复杂
3. 数据多次扩展难度跟维护量极大

3️⃣解决方案

由于水平拆分牵涉的逻辑比较复杂，当前也有了不少比较成熟的解决方案。这些方案分为两大类：客户端架构和代理架构。

①客户端架构

通过修改数据访问层，如JDBC、Data Source、MyBatis，通过配置来管理多个数据源，直连数据库，并在模块内完成数据的分片整合，一般以Jar包的方式呈现

这是一个客户端架构的例子：

可以看到分片的实现是和应用服务器在一起的，通过修改Spring JDBC层来实现

客户端架构的优点是：
应用直连数据库，降低外围系统依赖所带来的宕机风险。集成成本低，无需额外运维的组件。

缺点是：
限于只能在数据库访问层上做文章，扩展性一般，对于比较复杂的系统可能会力不从心。将分片逻辑的压力放在应用服务器上，造成额外风险。

②代理架构

通过独立的中间件来统一管理所有数据源和数据分片整合，后端数据库集群对前端应用程序透明，需要独立部署和运维代理组件

这是一个代理架构的例子：

代理组件为了分流和防止单点，一般以集群形式存在，同时可能需要Zookeeper之类的服务组件来管理

代理架构的优点是：
能够处理非常复杂的需求，不受数据库访问层原来实现的限制，扩展性强。对于应用服务器透明且没有增加任何额外负载。

缺点是：
需部署和运维独立的代理中间件，成本高。应用需经过代理来连接数据库，网络上多了一跳，性能有损失且有额外风险。

4️⃣各方案比较

如此多的方案，如何进行选择？可以按以下思路来考虑：

确定是使用代理架构还是客户端架构。中小型规模或是比较简单的场景倾向于选择客户端架构，复杂场景或大规模系统倾向选择代理架构

具体功能是否满足，比如需要跨节点ORDER BY，那么支持该功能的优先考虑

不考虑一年内没有更新的产品，说明开发停滞，甚至无人维护和技术支持

最好按大公司->社区->小公司->个人这样的出品方顺序来选择

选择口碑较好的，比如github星数、使用者数量质量和使用者反馈

开源的优先，往往项目有特殊需求可能需要改动源代码

按照上述思路，推荐以下选择：

1、客户端架构：ShardingJDBC
2、代理架构：MyCat或者Atlas

兼容MySQL且可水平扩展的数据库

目前也有一些开源数据库兼容MySQL协议，如：

1、TiDB
2、Cubrid

但其工业品质和MySQL尚有差距，且需要较大的运维投入，如果想将原始的MySQL迁移到可水平扩展的新数据库中，可以考虑一些云数据库：

阿里云PetaData
阿里云OceanBase
腾讯云DCDB

六、面试题

1️⃣如何能做到数据的平均拆分，防止某一库压力过大？

开发者要结合业务特点来确定分库分表键，比如以 userID 为分库分表键，采用 hash 取模的方式将数据散列到不同的库中。

但并不是所有场景都适合用 userID 作为分库分表键的，若存在“大卖家”，则该 userID 可能有很多条记录，若简单的按照上述方法进行拆分，则可能打爆其中一个数据库。

一般来说，会将一段时间以前的数据归档(比如某个 userID 三个月之前的数据)，存放到类似 HBase 这种非关系型数据库中，以此来解决上述问题。

2️⃣分库分表之后就要求每个查询的 where 子句中必须携带分库分表键，但并非每个查询都能携带分库分表键的。

比如订单库按照订单号 hash 取模之后存储，此时分库分表键为订单号，那么想查询某位买家所有的订单，查询时就没有了分库分表键，就会出现“全表扫描”的情况。

一般在实践中解决这种问题的方法是建立“异构索引表”，即采用异步机制将原表内的每次一创建或更新，都换一个维度保存一份完整的数据表或索引表，拿空间换时间。

在上面说到，订单库按照订单号 hash 取模之后存储，同时也按照 userID 维度进行 hash 取模，再存储一份数据，那么想要获取某一 userID 的全部订单时，就将 userID 作为分库分表键传进去即可，避免了全表扫描。

3️⃣大字段X(例如：text类型)，该字段不常更新，以读为主，是选择拆成子表，还是继续放一起？

拆分带来的问题：连接消耗 + 存储拆分空间。
不拆带来的问题：查询性能，IO会有性能问题。