一、数据库瓶颈
不管是IO瓶颈,还是CPU瓶颈,最终都会导致数据库的活跃连接数增加,进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务Service来看就是,可用数据库连接少甚至无连接可用。接下来就可以想象了吧(并发量、吞吐量、崩溃)。
1、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,每次查询时会产生大量的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 -> 分库。
2、CPU瓶颈
- 第一种:单表数据量太大,查询时扫描的行太多,SQL效率低,CPU率先出现瓶颈 -> 水平分表。
- 第二种(不做考虑):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。
二、分库分表
1、水平分库
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。
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。
分析: 库多了,io和cpu的压力自然可以成倍缓解。
2、水平分表
概念: 以字段为依据,按照一定策略(hash、range等),将一个表中的数据拆分到多个表中。
场景: 系统绝对并发量并没有上来,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。
分析: 表的数据量少了,单次SQL执行效率高,自然减轻了CPU的负担。
3、垂直分库
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。
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。
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。再有,随着业务的发展孵化出了一套业务模式,这时可以将相关的表拆到单独的库中,甚至可以服务化。
4、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(主表和扩展表)中。
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,查询时会去读磁盘数据产生大量的随机读IO,产生IO瓶颈。
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(可能会冗余经常一起查询的数据)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,要想获得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负担并且会讲两个表耦合在一起(必须在一个数据库实例上)。关联数据,应该在业务Service层做文章,分别获取主表和扩展表数据然后用关联字段关联得到全部数据。
三、总结
按照以下两个维度来判断应该怎么选择策略
- 并发量高:分库
- 没有明确的业务归属:水平分库
- 有明确的业务归属:垂直分库
- 并发量不高:分表
- 表数据太大:水平分表
- 表字段太多:垂直分表
四、数据参考
经测试在单表1000万条记录一下,写入读取性能是比较好的. 这样再留点buffer,那么单表全是数字类型的保持在800万条记录以下, 有字符型的单表保持在500万以下.如果按 100库100表来规划。
如用户业务:500万 * 100 * 100 = 500亿记录.供参考,具体按按业务做规划。
基本指标:
- 库物理文件大小<100G
- 表<100
- 字段<200
- 单表记录数<500W
.