ShardingSphere基本介绍及核心概念

文章目录

• 关于分库分表
• • 背景描述
  • 遇到的问题
  • 如何解决
  • • 垂直拆分
    • 水平拆分(数据分片)
• ShardingSphere介绍
• Sharding-JDBC
• • Sharding-JDBC主要功能：
  • Sharding-JDBC 内部结构：
  • Sharding-JDBC初始化流程：
  • Sharding-JDBC 使用过程：
• ShardingSphere核心概念
• • 表概念
  • 分片概念
  • • 分片键
    • 分片算法（ShardingAlgorithm）
    • 分片策略
    • 分片策略配置
  • 流程剖析
  • SQL使用规范
  • 分页查询
  • 行表达式
  • 分布式主键

关于分库分表

背景描述

• 最初设计的系统只用了单机数据库
• 随着用户的不断增多，考虑到系统的高可用和越来越多的用户请求，开始使用数据库主从架构
• 当用户量级和业务进一步提升后，写请求越来越多，这时需要开始使用了分库分表

遇到的问题

• 用户请求量太大
  单服务器TPS、内存、IO都是有上限的，需要将请求打散分布到多个服务器
• 单库数据量太大
  单个数据库处理能力有限；单库所在服务器的磁盘空间有限；单库上的操作IO有瓶颈
• 单表数据量太大
  查询、插入、更新操作都会变慢，在加字段、加索引、机器迁移都会产生高负载，影响服务

如何解决

垂直拆分

• 垂直分库
  微服务架构时，业务切割得足够独立，数据也会按照业务切分，保证业务数据隔离，大大提升了数据库的吞吐能力

• 垂直分表
  表中字段太多且包含大字段的时候，在查询时对数据库的IO、内存会受到影响，同时更新数据时，产生的binlog文件会很大，MySQL在主从同步时也会有延迟的风险
  

水平拆分(数据分片)

• 水平分表
  针对数据量巨大的单张表（比如订单表），按照规则把一张表的数据切分到多张表里面去。但是这些表还是在同一个库中，所以库级别的数据库操作还是有IO瓶颈。

• 水平分库
  将单张表的数据切分到多个服务器上去，每个服务器具有相应的库与表，只是表中数据集合不同。 水平分库分表能够有效的缓解单机和单库的性能瓶颈和压力，突破IO、连接数、硬件资源等的瓶颈
  

• 水平分库规则
  不跨库、不跨表，保证同一类的数据都在同一个服务器上面。

  数据在切分之前，需要考虑如何高效的进行数据获取，如果每次查询都要跨越多个节点，就需要谨慎使用。

• 水平分表规则

  • RANGE

    • 时间：按照年、月、日去切分。例如order_2020、order_202005、order_20200501

    • 地域：按照省或市去切分。例如order_beijing、order_shanghai、order_chengdu

    • 大小：从0到1000000一个表。例如1000001-2000000放一个表，每100万放一个表

  • HASH

    • 用户ID取模
      不同的业务使用的切分规则是不一样，就上面提到的切分规则，举例如下：

      • 站内信
        用户维度：用户只能看到发送给自己的消息，其他用户是不可见的，这种情况下是按照用户ID hash分库，在用户查看历史记录翻页查询时，所有的查询请求都在同一个库内

      • 用户表
        范围法：以用户ID为划分依据，将数据水平切分到两个数据库实例，如：1到1000W在一张表，1000W到2000W在一张表，这种情况会出现单表的负载较高

        按照用户ID HASH尽量保证用户数据均衡分到数据库中

        如果在登录场景下，用户输入手机号和验证码进行登录，这种情况下，登录时是不是需要扫描所有分库的信息？
        最终方案：用户信息采用ID做切分处理，同时存储用户ID和手机号的映射的关系表（新增一个关系表），关系表采用手机号进行切分。可以通过关系表根据手机号查询到对应的ID，再定位用户信息。

      • 流水表
        时间维度：可以根据每天新增的流水来判断，选择按照年份分库，还是按照月份分库，甚至也可以按照日期分库

      • 订单表
        在线招聘网站中，求职者（下面统称C端用户）投递企业（下面统称B端用户）的职位产生的记录称之为订单表。在线上的业务场景中，C端用户看自己的投递记录，每次的投递到了哪个状态，B端用户查看自己收到的简历，对于合适