数据库分表分库
1. 为什么要进行数据库分表分库
传统项目中,各个功能模块所涉及到的数据表往往放到同一个数据库中,看似没有问题,然而一旦数据规模变大,并发请求过多时,由于数据库性能限制,就会产生问题,其中主要瓶颈有以下几个方面:
IO 瓶颈
- 第一种:磁盘读IO瓶颈,热点数据太多,数据库缓存放不下,每次查询会产生大量的IO,降低查询速度
–>分库和垂直分表 - 第二种:网络IO瓶颈,请求的数据太多,网络带宽不够,数据库的请求连接数不够
–>分库
CPU 瓶颈
- 第一种:SQL问题:如SQL中包含join,group by, order by,非索引字段条件查询等,增加CPU运算的操作
–>SQL优化,建立合适的索引,在业务Service层进行业务计算。 - 第二种:单表数据量太大,查询时扫描的行太多,SQL效率低,增加CPU运算的操作。
–>水平分表。
当然,并不是所有表都需要切分,主要还是看数据的增长速度。切分后在某种程度上提升了业务的复杂程度。不到万不得已不要轻易使用分库分表这个“大招”,避免“过度设计”和“过早优化”。分库分表之前,先尽力做力所能及的优化:升级硬件、升级网络、读写分离、索引优化等。当数据量达到单表瓶颈后,在考虑分库分表。
一般单表行数超过500万行,或单表容量超过2GB,推荐进行分库分表
分表:
原因:单表数据量太大,sql执行性能会很低,会警告负载过高。
解决方案:将单表的数据放到多个表中,读写操作到对应的表中操作。
分库:
原因:一个健康的单库并发值你最好保持在每秒 1000 左右,太大的话会有性能问题。
解决方案:将一个库的数据分到多个库中,使多个数据库分摊并发需求的压力。
总结:
分表分库前 | 分表分库后 | |
---|---|---|
并发支撑情况 | MySQL 单机部署,扛不住高并发 | MySQL从单机到多机,能承受的并发增加了多倍 |
磁盘使用情况 | MySQL 单机磁盘容量几乎撑满 | 拆分为多个库,数据库服务器磁盘使用率大大降低 |
SQL 执行性能 | 单表数据量太大,SQL 越跑越慢 | 单表数据量减少,SQL 执行效率明显提升 |
查看mysql数据库的最大连接数
1. 使用sql语句查看
show VARIABLES like 'MAX_CONNECTIONS'
2. 进入配置文件查看
mysql 8.0 配置文件位置:
window系统 | mysql安装目录下(mysql数据文件安装目录下)my.ini文件 |
---|---|
Linux系统 | /etc/my.cnf或/etc/mysql/my.cnf |
2. 分表分库的方式
2.1 垂直方式:
垂直分表:
- 概念:以字段为依据,按照字段的活跃性,将表中字段拆到不同的表中(主表和扩展表)。
- 2、结果:
- 每个表的结构不一样。
- 每个表的数据也不一样,一般来说,每个表的字段至少有一列交集,一般是主键,用于关联数据。
- 所有表的并集是全量数据。
- 3、场景:系统绝对并发量并没有上来,表的记录并不多,但是字段多,并且热点数据和非热点数据在一起,单行数据所需的存储空间较大,以至于数据库缓存的数据行减少,查询时回去读磁盘数据产生大量随机读IO,产生IO瓶颈。
- 4、分析:可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据(可能经常会查询的数据)放在一起作为主表,非热点数据放在一起作为扩展表,这样更多的热点数据就能被缓存下来,进而减少了随机读IO。拆了之后,要想获取全部数据就需要关联两个表来取数据。
但记住千万别用join,因为Join不仅会增加CPU负担并且会将两个表耦合在一起(必须在一个数据库实例上)。关联数据应该在service层进行,分别获取主表和扩展表的数据,然后用关联字段关联得到全部数据。
垂直分库:
- 1、概念:以表为依据,按照业务归属不同,将不同的表拆分到不同的库中。
- 2、结果:
- 每个库的结构都不一样
- 每个库的数据也不一样,没有交集
- 所有库的并集是全量数据
- 3、场景:系统绝对并发量上来了,并且可以抽象出单独的业务模块的情况下。
- 4、分析:到这一步,基本上就可以服务化了。
例如:随着业务的发展,一些公用的配置表、字典表等越来越多,这时可以将这些表拆到单独的库中,甚至可以服务化。
2.2 水平方式
水平分表:
- 1、概念:以字段为依据,按照一定策略(hash、range等),讲一个表中的数据拆分到多个表中。
- 2、结果:
- 每个表的结构都一样
- 每个表的数据不一样,没有交集,所有表的并集是全量数据。
- 3、应用场景:系统绝对并发量没有上来,只是单表的数据量太多,影响了SQL效率,加重了CPU负担,以至于成为瓶颈,可以考虑水平分表。
- 4、分析:单表的数据量少了,单次执行SQL执行效率高了,自然减轻了CPU的负担。
水平分库:
- 1、概念:以字段为依据,按照一定策略(hash、range等),将一个库中的数据拆分到多个库中。
- 2、结果:
- 每个库的结构都一样
- 每个库中的数据不一样,没有交集
- 所有库的数据并集就是全量数据
- 3、应用场景:系统绝对并发量上来了,分表难以根本上解决问题,并且还没有明显的业务归属来垂直分库的情况下使用。
- 4、分析:库多了,io和cpu的压力自然可以成倍缓解
水平切分的常见规则
1 范围式拆分
好处:增删数据库实例时数据迁移是部分迁移,扩展能力强。
坏处:热点数据分布不均,访问压力不能负载均衡。
2 hash式拆分
好处:热点数据分布均匀,访问压力能负载均衡。
坏处:增删数据库实例时数据都要迁移,扩展能力差。
3 水平切分规则
① 按照ID取模:对ID进行取模,余数决定该行数据切分到哪个表或者库中。
② 按照日期:按照年月日,将数据切分到不同的表或者库中。
③ 按照范围:可以对某一列按照范围进行切分,不同的范围切分到不同的表或者数据库中。
① 能不切分尽量不要切分。
② 如果要切分一定要选择合适的切分规则,提前规划好。
③ 数据切分尽量通过数据冗余或表分组(Table Group)来降低跨库 Join 的可能。
3. 分表分库带来的问题
事务一致性问题
分布式事务
当更新内容同时存在于不同库找那个,不可避免会带来跨库事务问题。跨分片事务也是分布式事务,没有简单的方案,一般可使用“XA协议”和“两阶段提交”处理。
分布式事务能最大限度保证了数据库操作的原子性。但在提交事务时需要协调多个节点,推后了提交事务的时间点,延长了事务的执行时间,导致事务在访问共享资源时发生冲突或死锁的概率增高。随着数据库节点的增多,这种趋势会越来越严重,从而成为系统在数据库层面上水平扩展的枷锁。
最终一致性
对于那些性能要求很高,但对一致性要求不高的系统,往往不苛求系统的实时一致性,只要在允许的时间段内达到最终一致性即可,可采用事务补偿的方式。与事务在执行中发生错误立刻回滚的方式不同,事务补偿是一种事后检查补救的措施,一些常见的实现方法有:对数据进行对账检查,基于日志进行对比,定期同标准数据来源进行同步等。
跨节点关联查询join问题
切分之前,系统中很多列表和详情表的数据可以通过join来完成,但是切分之后,数据可能分布在不同的节点上,此时join带来的问题就比较麻烦了,考虑到性能,尽量避免使用Join查询。解决的一些方法:
全局表
全局表,也可看做“数据字典表”,就是系统中所有模块都可能依赖的一些表,为了避免库join查询,可以将这类表在每个数据库中都保存一份。这些数据通常很少修改,所以不必担心一致性的问题。
字段冗余
一种典型的反范式设计,利用空间换时间,为了性能而避免join查询。例如,订单表在保存userId的时候,也将userName也冗余的保存一份,这样查询订单详情顺表就可以查到用户名userName,就不用查询买家user表了。但这种方法适用场景也有限,比较适用依赖字段比较少的情况,而冗余字段的一致性也较难保证。
数据组装
在系统service业务层面,分两次查询,第一次查询的结果集找出关联的数据id,然后根据id发起器二次请求得到关联数据,最后将获得的结果进行字段组装。这是比较常用的方法。
ER分片
关系型数据库中,如果已经确定了表之间的关联关系(如订单表和订单详情表),并且将那些存在关联关系的表记录存放在同一个分片上,那么就能较好地避免跨分片join的问题,可以在一个分片内进行join。在1:1或1:n的情况下,通常按照主表的ID进行主键切分。
跨节点分页、排序、函数问题
跨节点多库进行查询时,会出现limit分页、order by排序等问题。分页需要按照指定字段进行排序,当排序字段就是分页字段时,通过分片规则就比较容易定位到指定的分片;当排序字段非分片字段时,就变得比较复杂.
需要先在不同的分片节点中将数据进行排序并返回,然后将不同分片返回的结果集进行汇总和再次排序,最终返回给用户 如下图:
图中只是取第一页的数据,对性能影响还不是很大。但是如果取得页数很大,情况就变得复杂的多,因为各分片节点中的数据可能是随机的,为了排序的准确性,需要将所有节点的前N页数据都排序好做合并,最后再进行整体排序,这样的操作很耗费CPU和内存资源,所以页数越大,系统性能就会越差。
在使用Max、Min、Sum、Count之类的函数进行计算的时候,也需要先在每个分片上执行相应的函数,然后将各个分片的结果集进行汇总再次计算。
全局主键避重问题
在分库分表环境中,由于表中数据同时存在不同数据库中,主键值平时使用的自增长将无用武之地,某个分区数据库自生成ID无法保证全局唯一。因此需要单独设计全局主键,避免跨库主键重复问题。这里有一些策略:
UUID
UUID标准形式是32个16进制数字,分为5段,形式是8-4-4-4-12的36个字符。
UUID是最简单的方案,本地生成,性能高,没有网络耗时,但是缺点明显,占用存储空间多,另外作为主键建立索引和基于索引进行查询都存在性能问题,尤其是InnoDb引擎下,UUID的无序性会导致索引位置频繁变动,导致分页。
结合数据库维护主键ID表
在数据库中建立sequence表:
CREATE TABLE `sequence` (
`id` bigint(20) unsigned NOT NULL auto_increment,
`stub` char(1) NOT NULL default '',
PRIMARY KEY (`id`),
UNIQUE KEY `stub` (`stub`)
) ENGINE=MyISAM;
stub字段设置为唯一索引,同一stub值在sequence表中只有一条记录,可以同时为多张表生辰全局ID。sequence表的内容,如下所示:
+-------------------+------+
| id | stub |
+-------------------+------+
| 72157623227190423 | a |
+-------------------+------+
使用MyISAM引擎而不是InnoDb,已获得更高的性能。MyISAM使用的是表锁,对表的读写是串行的,所以不用担心并发时两次读取同一个ID。当需要全局唯一的ID时,执行:
REPLACE INTO sequence (stub) VALUES ('a');
SELECT 1561439;
此方案较为简单,但缺点较为明显:存在单点问题,强依赖DB,当DB异常时,整个系统不可用。配置主从可以增加可用性。另外性能瓶颈限制在单台Mysql的读写性能。
另有一种主键生成策略,类似sequence表方案,更好的解决了单点和性能瓶颈问题。这一方案的整体思想是:建立2个以上的全局ID生成的服务器,每个服务器上只部署一个数据库,每个库有一张sequence表用于记录当前全局ID。
表中增长的步长是库的数量,起始值依次错开,这样就能将ID的生成散列到各个数据库上!这种方案将生成ID的压力均匀分布在两台机器上,同时提供了系统容错,第一台出现了错误,可以自动切换到第二台获取ID。但有几个缺点:系统添加机器,水平扩展较复杂;每次获取ID都要读取一次DB,DB的压力还是很大,只能通过堆机器来提升性能。
Snowflake分布式自增ID算法
Twitter的snowfalke算法解决了分布式系统生成全局ID的需求,生成64位Long型数字,组成部分:
- 第一位未使用
- 接下来的41位是毫秒级时间,41位的长度可以表示69年的时间
- 5位datacenterId,5位workerId。10位长度最多支持部署1024个节点
- 最后12位是毫秒内计数,12位的计数顺序号支持每个节点每毫秒产生4096个ID序列。
数据迁移、扩容问题
当业务高速发展、面临性能和存储瓶颈时,才会考虑分片设计,此时就不可避免的需要考虑历史数据的迁移问题。一般做法是先读出历史数据,然后按照指定的分片规则再将数据写入到各分片节点中。此外还需要根据当前的数据量个QPS,以及业务发展速度,进行容量规划,推算出大概需要多少分片(一般建议单个分片的单表数据量不超过1000W)。