一分钟掌握数据库垂直拆分
一、缘起
当数据库的数据量非常大时,
水平切分和垂直拆分是两种常见的降低数据库大小,提升性能的方法。假设有用户表:
user(
uid bigint,
name varchar(16),
pass varchar(16),
age int,
sex tinyint,
flag tinyint,
sign varchar(64),
intro varchar(256)
…);
|
水平切分是指,以
某个字段为依据
(例如uid),按照一定规则(例如取模),将一个库(表)上的数据拆分到多个库(表)上,以降低单库(表)大小,达到提升性能的目的的方法,水平切分后,各个库(表)的特点是:
1)每个库(表)的
结构都一样
2)每个库(表)的
数据都不一样,没有交集
3)所有库(表)的
并集是全量数据
二、什么是垂直拆分
垂直拆分是指,
将一个属性较多,一行数据较大的表,将不同的属性拆分到不同的表中,以降低单库(表)大小,达到提升性能的目的的方法,垂直切分后,各个库(表)的特点是:
1)每个库(表)的
结构都不一样
2)一般来说,每个库(表)的
属性至少有一列交集,一般是主键
3)所有库(表)的
并集是全量数据
还是以上文提到的用户表为例,如果要垂直拆分,可能拆分结果会是这样的:
user_base(
uid bigint,
name varchar(16),
pass varchar(16),
age int,
sex tinyint,
flag tinyint,
…);
|
user_ext(
uid bigint,
sign varchar(64),
intro varchar(256)
…);
|
三、垂直切分的依据是什么
当一个表属性很多时,如何来进行垂直拆分呢?如果没有特殊情况,拆分依据主要有几点:
1)
将长度较短,访问频率较高的属性尽量放在一个表里,这个表暂且称为主表
2)
将字段较长,访问频率较低的属性尽量放在一个表里,这个表暂且称为扩展表
如果1和2都满足,还可以考虑第三点:
3)
经常一起访问的属性,也可以放在一个表里
优先考虑1和2,第3点不是必须。
另如果实在属性过多,主表和扩展表都可以有多个。
一般来说,数据量并发量比较大时,数据库的上层都会有一个服务层。
需要注意的是,当应用方需要同时访问主表和扩展表中的属性时,服务层不要使用join来连表访问,而应该分两次进行查询:
原因是,大数据高并发互联网场景下,一般来说,吞吐量和扩展性是主要矛盾:
1)join更消损耗数据库性能
2)
join会让base表和ext表耦合在一起(必须在一个数据库实例上),不利于数据量大时拆分到不同的数据库实例上(机器上)。毕竟减少数据量,提升性能才是垂直拆分的初衷。
四、为什么要这么这么拆分
为何要将字段短,访问频率高的属性放到一个表内?为何这么垂直拆分可以提升性能?因为:
1)
数据库有自己的内存buffer,会将磁盘上的数据load到内存buffer里(暂且理解为进程内缓存吧)
2)
内存buffer缓存数据是以row为单位的
3)在内存有限的情况下,在数据库内存buffer里缓存短row,就能缓存更多的数据
4)
在数据库内存buffer里缓存访问频率高的row,就能提升缓存命中率,减少磁盘的访问
举个例子就很好理解了:
假设数据库内存buffer为1G,未拆分的user表1行数据大小为1k,那么只能缓存100w行数据。
如果垂直拆分成user_base和user_ext,其中:
1)user_base访问频率高(例如uid, name, passwd, 以及一些flag等),一行大小为0.1k
2)user_ext访问频率低(例如签名, 个人介绍等),一行大小为0.9k
那边内存buffer就就能缓存近乎1000w行user_base的记录,访问磁盘的概率会大大降低,数据库访问的时延会大大降低,吞吐量会大大增加。
五、总结
1)水平拆分和垂直拆分都是降低数据量大小,提升数据库性能的常见手段
2)流量大,数据量大时,数据访问要有service层,并且service层不要通过join来获取主表和扩展表的属性
3)垂直拆分的依据,尽量把长度较短,访问频率较高的属性放在主表里
希望没有浪费你这一分钟,帮转哈。
单KEY业务,数据库水平切分架构实践
本文将以“用户中心”为例,介绍“单KEY”类业务,随着数据量的逐步增大,数据库性能显著降低,数据库水平切分相关的架构实践:
1)如何来实施水平切分
2)水平切分后常见的问题
3)典型问题的优化思路及实践
一、用户中心
用户中心是一个非常常见的业务,主要提供用户注册、登录、信息查询与修改的服务,其核心元数据为:
User(uid, login_name, passwd, sex, age, nickname, …)
其中:
uid为用户ID,主键
login_name, passwd, sex, age, nickname, …等用户属性
数据库设计上,一般来说在业务初期,单库单表就能够搞定这个需求,典型的架构设计为:
user-center:用户中心服务,对调用者提供友好的RPC接口
user-db:对用户进行数据存储
二、用户中心水平切分方法
当数据量越来越大时,需要对数据库进行水平切分,常见的水平切分算法有“范围法”和“哈希法”。
- 范围法
以用户中心的业务主键uid为划分依据,将数据水平切分到两个数据库实例上去:
user-db1:存储0到1千万的uid数据
user-db2:存储1到2千万的uid数据
范围法的优点是:
切分策略简单,根据uid,按照范围,user- center很快能够定位到数据在哪个库上
扩容简单,如果容量不够,只要增加user-db3即可
范围法的不足是:
uid必须要满足递增的特性
数据量不均,新增的user-db3,在初期的数据会比较少
请求量不均,一般来说,新注册的用户活跃度会比较高,故user-db2往往会比user-db1负载要高,导致服务器利用率不平衡
- 哈希法
也是以用户中心的业务主键uid为划分依据,将数据水平切分到两个数据库实例上去:
user-db1:存储uid取模得1的uid数据
user-db2:存储uid取模得0的uid数据
哈希法的优点是:
切分策略简单,根据uid,按照hash,user-center很快能够定位到数据在哪个库上
数据量均衡,只要uid是均匀的,数据在各个库上的分布一定是均衡的
请求量均衡,只要uid是均匀的,负载在各个库上的分布一定是均衡的
哈希法的不足是:
扩容麻烦,如果容量不够,要增加一个库,重新hash可能会导致数据迁移,如何平滑的进行数据迁移,是一个需要解决的问题
三、用户中心水平切分后带来的问题
使用uid来进行水平切分之后,整个用户中心的业务访问会遇到什么问题呢?
对于uid属性上的查询可以直接路由到库,假设访问uid=124的数据,取模后能够直接定位db-user1
对于非uid属性上的查询,例如login_name属性上的查询,就悲剧了,假设访问login_name=shenjian的数据,由于不知道数据落在哪个库上,往往需要遍历所有库,当分库数量多起来,性能会显著降低。
如何解决分库后,非uid属性上的查询问题,是后文要重点讨论的内容。
四、用户中心非uid属性查询需求分析
任何脱离业务的架构设计都是耍流氓,在进行架构讨论之前,
先来对业务进行简要分析,看非uid属性上有哪些查询需求。
根据楼主这些年的架构经验,用户中心非uid属性上经常有两类业务需求:
1) 用户侧,前台访问,最典型的有两类需求
用户登录:通过login_name/phone/email查询用户的实体,1%请求属于这种类型
用户信息查询:登录之后,通过uid来查询用户的实例,99%请求属这种类型
用户侧的查询基本上是单条记录的查询,访问量较大,服务需要高可用,并且对一致性的要求较高。
2) 运营侧,后台访问,根据产品、运营需求,访问模式各异,按照年龄、性别、头像、登陆时间、注册时间来进行查询。
运营侧的查询基本上是批量分页的查询,由于是内部系统,访问量很低,对可用性的要求不高,对一致性的要求也没这么严格。
这两类不同的业务需求,应该使用什么样的架构方案来解决呢?
五、用户中心水平切分架构思路
用户中心在数据量较大的情况下,使用uid进行水平切分,对于非uid属性上的查询需求,架构设计的核心思路为:
1)
针对用户侧,应该采用“建立非uid属性到uid的映射关系”的架构方案
2)针对运营侧,应该采用“前台与后台分离”的架构方案
六、用户中心-用户侧最佳实践
【索引表法】
思路:uid能直接定位到库,login_name不能直接定位到库,如果通过login_name能查询到uid,问题解决
解决方案:
建立一个索引表记录login_name->uid的映射关系
用login_name来访问时,先通过索引表查询到uid,再定位相应的库
索引表属性较少,可以容纳非常多数据,一般不需要分库
如果数据量过大,可以通过login_name来分库
潜在不足:
多一次数据库查询,性能下降一倍
【缓存映射法】
思路:访问索引表性能较低,把映射关系放在缓存里性能更佳
解决方案:
login_name查询先到cache中查询uid,再根据uid定位数据库
假设cache miss,采用扫全库法获取login_name对应的uid,放入cache
login_name到uid的映射关系不会变化,映射关系一旦放入缓存,不会更改,无需淘汰,缓存命中率超高
如果数据量过大,可以通过login_name进行cache水平切分
潜在不足:
多一次cache查询
【login_name生成uid】
思路:不进行远程查询,由login_name直接得到uid
解决方案:
在用户注册时,设计函数login_name生成uid,uid=f(login_name),按uid分库插入数据
用login_name来访问时,先通过函数计算出uid,即uid=f(login_name)再来一遍,由uid路由到对应库
潜在不足:
该函数设计需要非常讲究技巧,有uid生成冲突风险
【login_name基因融入uid】
思路:
不能用login_name生成uid,可以从login_name抽取“基因”,融入uid中
假设分8库,采用uid%8路由,潜台词是,uid的最后3个bit决定这条数据落在哪个库上,这3个bit就是所谓的“基因”。
解决方案:
在用户注册时,设计函数login_name生成3bit基因,login_name_gene=f(login_name),如上图粉色部分
同时,生成61bit的全局唯一id,作为用户的标识,如上图绿色部分
接着把3bit的login_name_gene也作为uid的一部分,如上图屎黄色部分
生成64bit的uid,由id和login_name_gene拼装而成,并按照uid分库插入数据
用login_name来访问时,先通过函数由login_name再次复原3bit基因,login_name_gene=f(login_name),通过login_name_gene%8直接定位到库
注:相当于生成一个全局ID作为第一部分,然后利用login_name生成的uid来做Hash作为第二部分。第一部分保证唯一性,第二部用于快速定位。
七、用户中心-运营侧最佳实践
前台用户侧,业务需求基本都是单行记录的访问,只要建立非uid属性 login_name / phone / email 到uid的映射关系,就能解决问题。
后台运营侧,业务需求各异,基本是批量分页的访问,这类访问计算量较大,返回数据量较大,比较消耗数据库性能。
如果此时前台业务和后台业务公用一批服务和一个数据库,有可能导致,由于后台的“少数几个请求”的“批量查询”的“低效”访问,导致数据库的cpu偶尔瞬时100%,影响前台正常用户的访问(例如,登录超时)。
而且,为了满足后台业务各类“奇形怪状”的需求,往往会在数据库上建立各种索引,这些索引占用大量内存,会使得用户侧前台业务uid/login_name上的查询性能与写入性能大幅度降低,处理时间增长。
对于这一类业务,应该采用“前台与后台分离”的架构方案:
用户侧前台业务需求架构依然不变,
产品运营侧后台业务需求则抽取独立的web / service / db 来支持,解除系统之间的耦合,对于“业务复杂”“并发量低”“无需高可用”“能接受一定延时”的后台业务:
1)
可以去掉service层,在运营后台web层通过dao直接访问db
2)
不需要反向代理,不需要集群冗余
3)
不需要访问实时库,可以通过MQ或者线下异步同步数据
4) 在数据库非常大的情况下,
可以使用更契合大量数据允许接受更高延时的“索引外置”或者“HIVE”的设计方案
八、总结
将以“用户中心”为典型的“单KEY”类业务,水平切分的架构点,本文做了这样一些介绍。
水平切分方式:
水平切分后碰到的问题:
通过uid属性查询能直接定位到库,通过非uid属性查询不能定位到库
非uid属性查询的典型业务:
用户侧,前台访问,单条记录的查询,访问量较大,服务需要高可用,并且对一致性的要求较高
运营侧,后台访问,根据产品、运营需求,访问模式各异,基本上是批量分页的查询,由于是内部系统,访问量很低,对可用性的要求不高,对一致性的要求也没这么严格
这两类业务的架构设计思路:
用户前台侧,“建立非uid属性到uid的映射关系”最佳实践:
索引表法:数据库中记录login_name->uid的映射关系
缓存映射法:缓存中记录login_name->uid的映射关系
login_name生成uid
login_name基因融入uid
运营后台侧,“前台与后台分离”最佳实践:
前台、后台系统web/service/db分离解耦,避免后台低效查询引发前台查询抖动
可以采用数据冗余的设计方式
可以采用“外置索引”(例如ES搜索系统)或者“大数据处理”(例如HIVE)来满足后台变态的查询需求
1对多业务,数据库水平切分架构一次搞定
本文将以“帖子中心”为例,介绍“1对多”类业务,随着数据量的逐步增大,数据库性能显著降低,数据库水平切分相关的架构实践:
1) 如何来实施水平切分
2) 水平切分后常见的问题
3) 典型问题的优化思路及实践
一、什么是1对多关系
所谓的“1对1”,“1对多”,“多对多”,来自数据库设计中的“实体-关系”ER模型,用来描述实体之间的映射关系。
1对1
一个用户只有一个登录名,一个登录名只对应一个用户
一个uid对应一个login_name,一个login_name只对应一个uid
这是一个1对1的关系。
1对多
一个用户可以发多条微博,一条微博只有一个发送者
一个uid对应多个msg_id,一个msg_id只对应一个uid
这是一个1对多的关系。
多对多
一个用户可以关注多个用户
一个用户也可以被多个粉丝关注
这是一个多对多的关系。
二、帖子中心业务分析
帖子中心是一个典型的1对多业务。一个用户可以发布多个帖子,一个帖子只对应一个发布者。任何脱离业务的架构设计都是耍流氓,先来看看帖子中心对应的业务需求。
帖子中心,是一个提供帖子发布/修改/删除/查看/搜索的服务。
写操作:
1) 发布(insert)帖子
2) 修改(update)帖子
3) 删除(delete)帖子
读操作:
1) 通过tid查询(select)帖子实体,
单行查询
2) 通过uid查询(select)用户发布过的帖子,
列表查询
3) 帖子检索(search),例如通过时间、标题、内容
搜索符合条件的帖子
在
数据量较大,并发量较大的时候,通常通过元数据与索引数据分离的架构来满足不同类型的需求:
架构中的几个关键点:
tiezi-center:帖子服务
tiezi-db:提供元数据存储
tiezi-search:帖子搜索服务
tiezi-index:提供索引数据存储
MQ:tiezi-center与tiezi-search通讯媒介,一般不直接使用RPC调用,而是通过MQ对两个子系统解耦(为何这么解耦,请参见《到底什么时候该使用MQ?》)
其中,tiezi-center和tiezi-search分别满足两类不同的读需求:
如上图所示:
tid和uid上的查询需求,可以由tiezi-center从元数据读取并返回
其他类检索需求,可以由tiezi-search从索引数据检索并返回
对于写需求:
如上图所示:
增加,修改,删除的操作都会从tiezi-center发起
tiezi-center修改元数据
tiezi-center将信息修改通知发送给MQ
tiezi-search从MQ接受修改信息
tiezi-search修改索引数据
tiezi-search,搜索架构不是本文的重点(外置索引架构设计,请参见《100亿数据1万属性数据架构设计》),后文将重点描述帖子中心元数据这一块的水平切分设计。
三、帖子中心元数据设计
通过帖子中心业务分析,很容易了解到,其核心元数据为:
Tiezi(tid, uid, time, title, content, …);
其中:
tid为帖子ID,主键
uid为用户ID,发帖人
time, title, content …等为帖子属性
数据库设计上,在业务初期,
单库就能满足元数据存储要求,其典型的架构设计为:
tiezi-center:帖子中心服务,对调用者提供友好的RPC接口
tiezi-db:对帖子数据进行存储
在相关字段上建立索引,就能满足相关业务需求:
帖子记录查询,通过tid查询,
约占读请求量90%
select * from t_tiezi where tid=$tid
帖子列表查询,通过uid查询其发布的所有帖子,
约占读请求量10%
select * from t_tiezi where uid=$uid
四、帖子中心水平切分-tid切分法
当数据量越来越大时,需要对帖子数据的存储进行线性扩展。
既然是帖子中心,并且帖子记录查询量占了总请求的90%,很容易想到
通过tid字段取模来进行水平切分:
这个方法简单直接,优点:
100%
写
请求可以直接定位到库
90%的读请求可以直接定位到库
缺点:
一个用户发布的所有帖子可能会落到不同的库上,
10%的请求通过uid来查询会比较麻烦
如上图,一个uid访问需要遍历所有库。
五、帖子中心水平切分-uid切分法
有没有一种切分方法,
确保同一个用户发布的所有帖子都落在同一个库上,而在查询一个用户发布的所有帖子时,不需要去遍历所有的库呢?
答:
使用uid来分库可以解决这个问题。
新出现的问题:
如果使用uid来分库,确保了一个用户的帖子数据落在同一个库上,
那通过tid来查询,就不知道这个帖子落在哪个库上了,岂不是还需要遍历全库,需要怎么优化呢?
答:tid的查询是单行记录查询,
只要在数据库(或者缓存)记录tid到uid的映射关系,就能解决这个问题。
新增一个索引库:
t_mapping(tid, uid);
这个库只有两列,可以承载很多数据
即使数据量过大,索引库可以利用tid水平切分
这类kv形式的索引结构,可以很好的利用cache优化查询性能
一旦帖子发布,tid和uid的映射关系就不会发生变化,cache的命中率会非常高
使用uid分库,并增加索引库记录tid到uid的映射关系之后,每当有uid上的查询:
可以通过uid直接定位到库。
每当有tid上的查询:
先查询索引表,通过tid查询到对应的uid,再通过uid定位到库
这个方法的优点:
一个用户发布的所以帖子落在同一个库上
10%的请求过过uid来查询列表,可以直接定位到库
索引表cache命中率非常高,因为tid与uid的映射关系不会变
缺点:
90%的tid请求,以及100%的修改请求,不能直接定位到库,需要先进行一次索引表的查询,当然这个查询非常块,通常在5ms内可以返回
数据插入时需要操作元数据与索引表,
可能引发潜在的一致性问题。
六、帖子中心水平切分-基因法
有没有一种方法,
既能够通过uid定位到库,又不需要建立索引表来进行二次查询呢,这就是本文要叙述的“1对多”业务分库
最佳实践,基因法。
什么是分库基因?
通过uid分库,假设分为16个库,采用uid%16的方式来进行数据库路由,这里的uid%16,其本质是uid的最后4个bit决定这行数据落在哪个库上,这4个bit,就是分库基因。
什么是基因法分库?
在“1对多”的业务场景,
使用“1”分库,在“多”的数据id生成时,id末端加入分库基因,就能同时满足“1”和“多”的分库查询需求。
如上图所示,uid=666的用户发布了一条帖子(666的二进制表示为:1010011010):
使用uid%16分库,决定这行数据要插入到哪个库中
分库基因是uid的最后4个bit,即1010
在生成tid时,先使用一种分布式ID生成算法生成前60bit(上图中绿色部分)
将分库基因加入到tid的最后4个bit(上图中粉色部分)
拼装成最终的64bit帖子tid(上图中蓝色部分)
(怎么生成60bit分布式唯一ID,请参见《分布式ID生成算法》)
这般,保证了同一个用户发布的所有帖子的tid,都落在同一个库上,tid的最后4个bit都相同,于是:
通过uid%16能够定位到库
通过tid%16也能定位到库
注:这个本质上还是使用uid进行分库的,但是由于tid中携带了uid的信息,所以tid单独也可以定位到库。本质上《单KEY业务,数据库水平切分架构实践》是这一篇的特殊情况。log_name对应一个用户,而一个uid则对应多个帖子。但是,最后都是用“额外”那个信息来作为分库依据,让主键生成过程中包含这个依据。
潜在问题一:同一个uid发布的tid落在同一个库上,会不会出现数据不均衡?
答:
只要uid是均衡的,每个用户发布的平均帖子数是均衡的,每个库的数据就是均衡的。
潜在问题二:最开始分16库,分库基因是4bit,未来要扩充成32库,分库基因变成了5bit,那怎么办?
答:
需要提前做好容量预估,例如事先规划好5年内数据增长256库足够,就提前预留8bit基因。
七、总结
将以“帖子中心”为典型的“1对多”类业务,在架构上,采用元数据与索引数据分离的架构设计方法:
帖子服务,元数据满足uid和tid的查询需求
搜索服务,索引数据满足复杂搜索寻求
对于元数据的存储,在数据量较大的情况下,有三种常见的切分方法:
tid切分法,按照tid分库,同一个用户发布的帖子落在不同的库上,通过uid来查询要遍历所有库
uid切分法,按照uid分库,同一个用户发布的帖子落在同一个库上,需要通过索引表或者缓存来记录tid与uid的映射关系,通过tid来查询时,先查到uid,再通过uid定位库
基因法,按照uid分库,在生成tid里加入uid上的分库基因,保证通过uid和tid都能直接定位到库
对于1对多的业务场景,分库架构不再是瓶颈。