数据库水平切分及问题

简介

    前面一篇文章说到，当遇到数据存储层的高并发的时候，会首先想到读写分离，同时高并发有可能意味着数据量大，大量的查询或更新操作集中在一张大表中，锁的频繁使用，会导致访问速度的下降，而且数据量可能超过了单机的容量，所以我们想到了分库分表。

    但是在分库分表之前，我还是想多说几句，除非使用那些透明的分库分表方案，否则分库分表是一个大工程。 所以在分库分表前，我建议尽可能先升级数据库的硬件，SSD/NVMe硬盘 + 大容量内存基本可以满足一个小型互联网公司大部分的应用, 对于中型互联网公司需要使用到分库分表的场景也不会太多，用户，订单，交易可能会用到的。但是即使是这些场景，现在也有了不同的解决方案，在以前，大部分的应用还是基于web的，如果一些操作需要用到用户校验，就要进行登录，对数据库操作比较频繁，随着移动互联网的兴起以及Nosql的出现，如今大部分的应用都迁移到了App端，基本都是通过accessToken+NoSql来进行用户校验的，大家可以想想你有多久没有进行过登录操作了。对于订单交易，通过冷热数据分离，也可以解决大部分场景。

数据库切分

数据库切分分为水平切分，垂直切分， 垂直切分一般在拆分系统的时候使用，这里不再赘述，下面主要说数据的水平切分。 

水平切分方式

    1. 只分表：在一个数据库下面，分成１０张表，表名 user_0 ,user_1, user_2.....

    数据集中在一台服务器上，当单机性能瓶颈的时候，后续扩展困难。

    2. 只分库，分成10个库，每个库一张表, 表名都是一样的。 db0-user  db1-user db2-user......

    出现跨库，没有办法使用事务。不过在分布式系统中，一般不会使用事务，保证数据最终一致性即可

    3. 分表分库，10X10这种方式。 先分10个库， 每个库10张表。

分表算法

确定了表切分的方式，接下来就是要根据一定的规则把数据落入到指定表中，这里介绍两种形式，

取模：即找到某个字段，这个字段通过取模后的值尽可能平均，根据字段取模的方式决定数据落在哪张表，比如，我们订单根据用户Id来决定落在哪张表。

日期：这种方法在最开始的时候，并没有决定要分多少张表，只是指定日期的数据落到指定的表中，比如用户注册，在2017-5-30日注册，则可以将数据落入user_201705,这张表中。 

这两种分表方法各有优劣，按照取模分，每张表的数据可以尽可能的平均，但是如果后面表扩展则比较麻烦，按照日期来分，虽然可以解决表扩展问题，但是数据有可能不平均，比如在5月，举办了促销，结果那个月注册的人很多。 

Id

当数据开始写数据库，Id就是要考虑的，这里有几个解决方案：

    1. Id自增，步进=分表数。比如分了3张表，每张表的起始Id不一样，并且自增的幅度=表数量，这样Id就是1,4,7  2,5,8  3,6,9 ，但是如果以后分表数增加，Id的步进还要变。 

    2. 单独的表，用于记录自增，可以单独一张表，里面有一列，记录的是当前的id, 可以获取下一个Id,  只是这样每次都要访问这张表，会有性能瓶颈。 

    3. Guid

    4. snowflake算法

关于Id有几个注意的地方，如果你的Id有可能出现在页面上， 比如订单Id, 用户Id ,尽量不要使用自增的，因为别人可以根据这些Id，看出你现在的用户规模，订单量。通过在两天中相同时间下单，可以看出你的交易量，如果权限没有控制好，通过遍历可以查出所有的信息。 

我们这里以用户表为例，看把用户信息写入数据库的一些方法，以及这些方法的一些问题。 

    当一个新用户注册，并没有Id，可以通过分布式Id获取到一个Id ,并对这个Id取模，得到具体的表，然后将Id连同用户信息写入表。 后面如果要根据Id得到用户信息，只要对Id采用相同的方法，即可查到对应的信息。 

    但是上面的方法没有覆盖到一个场景，用户登录都是通过用户名登录的，怎么查呢，这个时候，一般的方法就是并行查所有的表，好一点的方法就是，在注册的时候，额外建立一个映射，是username->表名的映射，当用户登录的时候，可以根据这个映射找到对应的表名，然后根据表名，再插到具体的用户，这个映射可以放到数据库中，也可以放到redis/mongodb中。 

    上面的方法可以解决问题，但是需要引入映射，如果不想要映射， 这个时候可以采用复合Id , 我们使用用户名进行取模，算出具体的表索引，然后通过分布式Id+表索引作为新的Id(NewId)插入到表中，这样我们对用户名进行计算可以得到表索引，通过对NewId进行计算也可以得到表索引(NewId包含了分布式Id和表索引，通过分离，可以得到表索引)。 

    我们上面没有考虑到扩展，比如现在我们有10张表，过段时间，发现10张表的存储也快满了， 这个时候就要再扩展10张表，变成20张表，那取模算法也要改，这个时候再对以前的NewId进行计算可能就得不到准备的表了，所以在NewId中，我们还要包含一个算法版本号。 

事务

当所有的操作都在一个数据库的时候， 可以很方便的使用事务，比如Java下spring的声明式事务，但是当出现跨库操作，事务的使用就不怎么方便了，对于互联网公司，大多数系统都是分布式的，会选择柔性事物。

扩容方式

随着业务的发展，数据量增多，我们需要再次对表进行扩展，扩展方式如下： 

1. 需要迁移数据 

     1. 首次扩展：假如我们要开始分库分表，原来有一个库一张表，现在要扩展为10个，可以新建9个slave库，等9个slave库数据都和主库都同步了，然后修改路由算法。 

    2. 扩容后再扩容：比如现在3个表，要改为5个表，采用Hash算法，当数据扩容，则整体数据都要做迁移。 新增和删除都要做。 技巧：选择2个倍数，可以只做新表新增和删除，这个可能需要用到双写。

    3. 划分树形组，比如，之前一个数据库，不需要Hash，现在新增9个，同步数据，完成后，修改路由算法(321%10)，再删除数据，如果10个数据库不够，则再次扩容，原来的10个库，每个库各自再扩展9个库(可根据实际需要扩展)，同步数据，方法和上面第一种类似，然后通过 321%10   321/10%10, 算出具体的数据库。如果不够，可以用同样的方式扩容。 

 

2. 不迁移数据

    1. 根据时间定义，比如一个月一张表。

    2. 定义mapping关系，可以放入到分布式缓存中，写入的时候，写入缓存，读取的时候读取缓存， 如果缓存失效，全量读取。

    3. 增量和Hash同时使用，定义策略，1-1000W一张组，1000-3000W一张组，组内，根据Hash避免热点数据。 新数据都会到新的数据库中。这里注意，这个组不要和机器绑定，比如1-1000W，在DB0机器，1000-3000W在DB1机器，虽然数据Hash, 热点数据不会在同一个表中，但是还是在通一台机器。 要考虑如下的方式，热点数据还是会分布在老机器上。 

　　

    4. 生成的ID具有自描述性。 ID+DBIndex,比如Id为321，Hash命中到第一张表，变为32101,最后两位表示具体的数据库索引，老的数据库也会写数据，如果我们的表增多，则修改hash算法，只命中到新表。 

分库分表解决方案

目前分库分表的解决方案主要集中在这几层：

    1. dao层，在dao层根据指定的分表键决定要操作那个数据库。 

    2. ORM层

    2. JDBC层，比较有名的是sharding-jdbc. 

    3. 代理层，比如mycat. 

总结

　　分库分表是一个大工程， 如何分， ID怎么取， 事物怎么做都是要考虑 的。另外大家不要用操作单表的思维去操作多表，有些人一接触分表就去考虑gourp by 怎么做, join怎么做。 从我接触的一些分表来看，如果牵扯到分表，操作都比较简单，基本在执行sql前都已经确定了要操作哪张表。 当然如果真的遇到要join的操作或者没有办法确定数据在哪个表中，像sharding-jdbc，mycat这种透明分表分库的都会帮你处理。