概述
当单个数据库数据量达到一定程度后，我们可以采用多个从库解决读请求的系统瓶颈。 而写请求的系统瓶颈往往需要通过分库解决。
问题
以用户订单场景为例，用户会有查询订单需求，所以订单的分库需要基于userID做切分。
商家对订单统计纬度也同样有需求，所以单一的基于userID做切分的场景不满足这个场景了。
于是我们需要采用反范式设计来满足两种场景的需求。 采用两份数据冗余，即一份数据基于UserId，一份数据基于PoiId。
数据冗余实现
既然我们有了方案，需求指定具体的技术方案了。
做数据冗余常见有三种方案：
- 应用层同步双写。
- 应用层异步双写。
- 基于底层中间件数据同步。
应用层异步双写
这是最简单的实现方式，在用户下单后，基于分库规则一份请求按userId划分入库，一份请求按poiId划分入库，数据落库才进行下一步请求，数据一致性强。
但是整个请求耗时的时间是两个入库时间的总和，如果在业务高峰期，往往造成时延升高问题，不适用于对时延敏感的系统。
应用层异步双写
将两个同步入库修改为异步入库，采用MQ异步消息投递方式实现，这样可以解决两次写入库带来的时间损耗，但是会引入MQ中间件，系统复杂度有一定的提升。
既然存在了异步队列，两个库之间存在数据不一致时间窗口，不适用于对数据一致性敏感对系统。
基于底层中间件数据同步
引入数据同步中间件，屏蔽了业务层实现数据同步，数据冗余的细节，而是交由底层同步中间件实现，使得开发人员专注于业务开发。
与第二种方案相比，中间件方式基于mysql的binlog实现，所以数据一致窗口更短，可靠性更高。
数据一致性
当然以上三种方式的后两种方式都是异步方式，在分布式场景下都会存在数据一致性问题，强一致性很难，一般业务系统都采用最终一致性。
为保证数据一致性可以采用：异步检测，异步修复。
异步检测
采用离线工具，或定时任务，定时对离线数据源进行扫描，如发现数据不一致进行补偿修复。
数据源扫描粒度视对一致性要求的强度而定。但是大量的数据扫描，耗时较长，效率较低。
为降低全量数据扫描的效率问题，可以设计增量数据扫描方式，设置更适合系统负载的扫描时间窗口，提高扫描检测效率。
如果想更实时扫描，可引入同步扫描方式，引入MQ推送消息，在订阅者接收到消息时，触发数据扫描，扫描时间窗口期内数据，同时进行修正。
1500
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
