关于数据库分库分表方案

一、数据库瓶颈

1. IO瓶颈
2. CPU瓶颈

二、分库分表

3. 水平分表
4. 水平分库
5. 垂直分表
6. 垂直分库

三、分库分表工具

四、分库分表步骤

五、分库分表问题

1. 非partition key的查询问题（水平分库分表，拆分策略为常用的hash法）
2. 非partition key跨库跨表分页查询问题（水平分库分表，拆分策略为常用的hash法）
3. 扩容问题（水平分库分表，拆分策略为常用的hash法）

六、分库分表总结

七、分库分表示

---

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链接数增加，今儿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。接下来就是（并发量、吞吐量、崩溃）

1、IO瓶颈

第一种：磁盘读IO瓶颈，热点数据太多了，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，请求的数据太多了，网络带宽不够 — 分库

2、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，CPU率出现瓶颈 — 水平分表

二 、分库分表

1、水平分库

1、概念：以字段为一句，按照一定的策略（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；
• 每个库的数据都不一样，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，分表难以从根本上解决问题，并且还没有明显的业务归属来垂直分库。

4、分析：库多了以后IO和CPU的压力可以成倍的得到缓解。

2、水平分表

1、概念：以字段为一句，按照一定的策略（hash、range等），将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；
• 每个表的数据都不一样，没有交集；
• 所有表的并集是全量数据；

3、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，以至于成为了瓶颈。

4、分析：表的数据量少了，单次SQL执行效率高，自然减轻了CPU负担。

3、垂直分表

1、概念：以表为依据，按照业务的归属不同，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。

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，这是可以将这些表拆到单独的表中甚至可以服务化。再有随着业务的发展孵化出一套业务模式，这是可以将相关的表拆到单独的库中，甚至服务化。

4、垂直分表

1、概念：以字段为依据，按照字段的活跃性，将表中的字段拆到不同的表（主表和扩展表）中。

2、结果：

• 每个表的结构都不一样；
• 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，表的纪录并不多，但是自短多，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比较大，以至于数据库缓存的数据行减少，查询的时候去读磁盘数据产生大量的随机读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。查了以后要想获得全部数据就需要关联两个表来读取数据，但是要记住，千万千万别用join，因为join不仅会增加CPU负担并且会将两个表偶合在一起（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然后关联字段，得到全部数据。

三、分库分表工具

1. sharding-sphere: jar，前身是sharding-jdbc；
2. TDDL：jar，Taobao Distribute Data Layer；
3. Mycat：中间件。

PS：具体使用哪个工具，请自行决定，依据官网和相应社区。

四、分库分表步骤

1. 根据容量（当前容量和增长量）评估分库或者分表个数
2. 选key（均匀选取）
3. 分表规则（hash或者range等）
4. 执行（一般双写）
5. 扩容问题（尽量减少数据的移动）

五、分库分表问题

1、非partition key的查询问题（水平分库分表常用hash法）

1、端上除了partition key只有一个非partition key作为条件查询

• 映射法
  
• 基因法
  
  注：写入时，基因法生成user_id，如图。关于xbit基因，例如要分8张表，23=8，故x取3，即3bit基因。根据user_id查询时可直接取模路由到对应的分库或分表。根据user_name查询时，先通过user_name_code生成函数生成user_name_code再对其取模路由到对应的分库或分表。id生成常用snowflake算法
  2、端上除了partition key不止一个非partition key作为条件查询
• 映射法
  
• 冗余法
  
  按照order_id或者buyer_id查询时路由到db_o_buyer库中，按照seller_id查询时路由db_o_seller库中。不知道改变技术栈会不会有用？

3、后台除了partition key还有各种非partition key组合条件查询

• NoSQL法
  
• 冗余法

2、非partition key跨库跨表分页查询问题（水平分库分表，拆分策略为常用的hash法）

用NoSQL法解决（ES等）

3、扩容问题（水平分库分表，拆分策略为常用的hash法）

1、水平扩容库（升级从库法）

注：扩容是成倍的

2、水平扩容表（双写迁移法）

第一步：（同步双写）应用配置双写，部署；
第二步：（同步双写）将老库中的老数据复制到新库中；
第三步：（同步双写）以老库为准校对新库中的老数据；
第四步：（同步双写）应用去掉双写，部署

注：双写是通用方案

六、分库分表总结

分库分表首先得知道瓶颈在哪里，然后才能合理的拆分–分库还是分表？水平还是垂直？分几个？还应该注意的一点就是不能为了分库分表而拆分

1、选key很重要，既要考虑到拆分均匀，也要考虑到非partition key的查询
2、只要能满足需求，拆分规则越简单越好

七、分库分表示例

示例GitHub地址：https://github.com/littlecharacter4s/study-sharding