1亿数据订单中心的分库分表架构设计

订单中心，是互联网业务中，一个典型的“多key”业务，即：用户ID，商家ID，订单ID等多个key上都有业务查询需求。

随着数据量的逐步增大，并发量的逐步增大， 订单中心这种“多key”业务，架构应该如何设计，有哪些因素需要考虑，是本文将要系统性讨论的问题。

什么是“多key”类业务？

所谓的“多key”，是指一条元数据中，有多个属性上存在前台在线查询需求。

订单中心是什么业务，有什么典型业务需求？

订单中心是一个非常常见的“多key”业务，主要提供订单的查询与修改的服务，其核心元数据为：

Order(oid, buyer_uid, seller_uid, time, money, detail…);

其中：

（1）oid为订单ID，主键；

（2）buyer_uid为买家uid；

（3）seller_uid为卖家uid；

（4）time, money, detail, …等为订单属性；

数据库设计上，一般来说在 业务初期，单库，配合查询字段上的索引，就能满足元数据存储与查询需求。

（1）order-center：订单中心服务，对调用者提供友好的RPC接口；

（2）order-db：对订单进行数据存储，并在订单，买家，卖家等字段建立索引；

随着订单量的越来越大，数据库需要进行水平切分，由于存在多个key上的查询需求，用哪个字段进行切分呢？

（1）如果用oid来切分，buyer_uid和seller_uid上的查询则需要遍历多库；

（2）如果用buyer_uid或seller_uid来切分，其他属性上的查询则需要遍历多库；

总之，很难有一个万全之策，在展开技术方案之前，先一起梳理梳理查询需求。

任何脱离业务需求的架构设计，都是耍流氓。

订单中心，典型业务查询需求有哪些？

第一类，前台访问，最典型的有三类需求：

（1） 订单实体查询：通过oid查询订单实体，90%流量属于这类需求；

（2） 用户订单列表查询：通过buyer_uid分页查询用户历史订单列表，9%流量属于这类需求；

（3） 商家订单列表查询：通过seller_uid分页查询商家历史订单列表，1%流量属于这类需求；

前台访问的特点是什么呢？

吞吐量大，服务要求高可用，用户对订单的访问一致性要求高，商家对订单的访问一致性要求相对较低，可以接受一定时间的延时。

第二类，后台访问，根据产品、运营需求，访问模式各异：

（1）按照时间，价格，商品，详情来进行查询；

后台访问的特点是什么呢？

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，允许秒级甚至十秒级别的查询延时。

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？

要点一：前台与后台分离的架构设计。

如果前台业务和后台业务共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，订单查询超时）。

前台与后台访问的查询需求不同，对系统的要求也不一样，故应该 两者解耦，实施“前台与后台分离”的架构设计。

前台业务架构不变，站点访问，服务分层，数据库水平切分。

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直接访问数据层；

（2）可以不需要反向代理，不需要集群冗余；

（3）可以通过MQ或者线下异步同步数据，牺牲一些数据的实时性；

（4）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；

关于前台与后台分离的架构设计，在《 用户中心，1亿数据架构，这次服 了》一文中有更为细致的分析，便不再展开。

解决完了后台业务的访问需求， 那前台的oid，buyer_uid，seller_uid如何来进行数据库水平切分呢？

要点二：多个维度的查询较为复杂，对于复杂系统设计，应该逐个击破。

假设没有seller_uid，应该如何击破oid和buyer_uid的查询需求？

订单中心，假设只有oid和buyer_uid上的查询需求，就蜕化为一个“1对多”的业务场景，对于“1对多”的业务，水平切分应该使用 “基因法”。

要点三：基因法，是解决“1对多”业务，数据库水平切分的常见方案。

什么是分库基因？

通过buyer_uid分库，假设分为16个库，采用buyer_uid%16的方式来进行数据库路由，所谓的模16，其本质是buyer_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？

在订单数据oid生成时，oid末端加入分库基因，让同一个buyer_uid下的所有订单都含有相同基因，落在同一个分库上。

如上图所示，buyer_uid=666的用户下了一个订单：

（1）使用buyer_uid%16分库，决定这行数据要插入到哪个库中；

（2）分库基因是buyer_uid的最后4个bit，即1010；

（3）在生成订单标识oid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）；

（4）将分库基因加入到oid的最后4个bit（上图中粉色部分），拼装成最终64bit的订单oid（上图中蓝色部分）；

通过这种方法保证， 同一个用户下的所有订单oid，都落在同一个库上，oid的最后4个bit都相同，于是：

（1）通过buyer_uid%16能够定位到库；

（2）通过oid%16也能定位到库；

关于“一对多”业务，以及“基因法”，在《 帖子中心，1亿数据架构，这次服了 》一文中有更为细致的分析，便不再展开。

假设没有oid，应该如何击破 buyer_uid 和seller_uid的查询需求？

订单中心，假设只有buyer_uid和seller_uid上的查询需求，就蜕化为一个“多对多”的业务场景，对于“多对多”的业务，水平切分应该使用 “数据冗余法”。

如上图所示：

（1）当有订单生成时，通过buyer_uid分库，oid中融入分库基因，写入DB-buyer库；

（2）通过线下异步的方式，通过binlog+canal，将数据冗余到DB-seller库中；

（3）buyer库通过buyer_uid分库，seller库通过seller_uid分库，前者满足oid和buyer_uid的查询需求，后者满足seller_uid的查询需求；

数据冗余的方法有很多种：

（1）服务同步双写；

（2）服务异步双写；

（3）线下异步双写（上图所示，是线下异步双写）；

要点四：数据冗余，是解决“多对多”业务，数据库水平切分的常见方案。

不管哪种方案，因为两步操作不能保证原子性，总有出现数据不一致的可能，高吞吐分布式事务是业内尚未解决的难题， 此时的架构方向，是最终一致性，并不是完全保证数据的一致，而是尽早的发现不一致，并修复不一致。

要点五：最终一致性，是高吞吐互联网业务一致性的常用实践。

保证冗余数据最终一致的常见方案有三种：

（1）冗余数据全量定时扫描；

（2）冗余数据增量日志扫描；

（3）冗余数据线上消息实时检测；

关于“多对多”业务，数据冗余多种方案，数据冗余保证最终一致性多种方案，在《 好友中心，1亿数据架构，这次服了 》一文中有更为细致的分析，便不再展开。

那如果oid/buyer_uid/seller_uid同时存在呢？

综合上面的解决方案即可：

（1）如果没有seller_uid，“多key”业务会蜕化为“1对多”业务，此时应该使用“基因法”分库：使用buyer_uid分库，在oid中加入分库基因；

（2）如果没有oid，“多key”业务会蜕化为“多对多”业务，此时应该使用“数据冗余法”分库：使用buyer_uid和seller_uid来分别分库，冗余数据，满足不同属性上的查询需求；

（3）如果oid/buyer_uid/seller_uid同时存在， 可以使用上述两种方案的综合方案，来解决“多key”业务的数据库水平切分难题；

要点总结

一：前后台差异化需求，可使用 前台与后台分离的架构设计；

二：对于复杂系统设计，应该 逐个击破；

三： 基因法，是解决“1对多”业务，数据库水平切分的常见方案；

四： 数据冗余，是解决“多对多”业务，数据库水平切分的常见方案；

五： 最终一致性，是高吞吐互联网业务一致性的常用实践。

任何脱离业务的架构设计都是耍流氓，共勉。