阅读此文你将了解：
- 什么是分库分表以及为什么分库分表
- 如何分库分表
- 分库分表常见几种方式以及优缺点
- 如何选择分库分表的方式
数据库常见优化方案
对于后端程序员来说，绕不开数据库的使用与方案选型，那么随着业务规模的逐渐扩大，其对于存储的使用上也需要随之进行升级和优化。
随着规模的扩大，数据库面临如下问题：
- 读压力：并发QPS、索引不合理、SQL语句不合理、锁粒度
- 写压力：并发QPS、事务、锁粒度
- 物理性能：磁盘瓶颈、CPU瓶颈、内存瓶颈、IO瓶颈
- 其他：宕机、网络异常
面对上述问题，常见的优化手段有：
索引优化、主从同步、缓存、分库分表每个技术手段都可以作为一个专题进行讲解，本文主要介绍分库分表的技术方案实现。
什么是分库分表？
对于阅读本文的读者来说，分库分表概念应该并不会陌生，其拆开来讲是分库和分表两个手段：
- 分表：将一个表中的数据按照某种规则分拆到多张表中，降低锁粒度以及索引树，提升数据查询效率。
- 分库：将一个数据库中的数据按照某种规则分拆到多个数据库中，以缓解单服务器的压力（CPU、内存、磁盘、IO）。
为什么分库分表？
- 性能角度：CPU、内存、磁盘、IO瓶颈
- 随着业务体量扩大，数据规模达到百万行，数据库索引树庞大，查询性能出现瓶颈。
- 用户并发流量规模扩大，由于单库(单服务器)物理性能限制也无法承载大流量。
- 可用性角度：单机故障率影响面
- 如果是单库，数据库宕机会导致100%服务不可用，N库则可以将影响面降低N倍。
分库分表带来的问题？
- 事务性问题
- 分库可能导致执行一次事务所需的数据分布在不同服务器上，数据库层面无法实现事务性操作，需要更上层业务引入分布式事务操作，难免会给业务带来一定复杂性，那么要想解决事务性问题一般有两种手段：
- 方案一：在进行分库分表方案设计过程中，从业务角度出发，尽可能保证一个事务所操作的表分布在一个库中，从而实现数据库层面的事务保证。
- 方案二：方式一无法实现的情况下，业务层引入分布式事务组件保证事务性，如事务性消息、TCC、Seata等分布式事务方式实现数据最终一致性。
- 主键(自增ID)唯一性问题
- 在数据库表设计时，经常会使用自增ID作为数据主键，这就导致后续在迁库迁表、或者分库分表操作时，会因为主键的变化或者主键不唯一产生冲突，要解决主键不唯一问题，有如下方案：
- 方案一：自增ID做主键时，设置自增步长，采用等差数列递增，避免各个库表的主键冲突。但是这个方案仍然无法解决迁库迁表、以及分库分表扩容导致主键ID变化问题
- 方案二：主键采用全局统一ID生成机制：如UUID、雪花算法、数据库号段等方式。
- 跨库多表join问题
- 首先来自大厂DBA的建议是，线上服务尽可能不要有表的join操作，join操作往往会给后续的分库分表操作带来各种问题，可能导致数据的死锁。可以采用多次查询业务层进行数据组装(需要考虑业务上多次查询的事务性的容忍度)
- 跨库聚合查询问题
什么是好的分库分表方案？
- 满足业务场景需要：根据业务场景的不同选择不同分库分表方案：比如按照时间划分、按照用户ID划分、按照业务能力划分等
- 方案可持续性：
- 何为可持续性？其实就是：业务数据量级和流量量级未来进一步达到新的量级的时候，我们的分库分表方案可以持续灵活扩容处理。
- 最小化数据迁移： 扩容时一般涉及到历史数据迁移，其扩容后需要迁移的数据量越小其可持续性越强，理想的迁移前后的状态是（同库同表>同表不同库>同库不同表>不同库不同表）
- 数据偏斜：数据在库表中分配的均衡性，尽可能保证数据流量在各个库表中保持等量分配，避免热点数据对于单库造成压力。
- 最大数据偏斜率：（数据量最大样本 - 数据量最小样本）/ 数据量最小样本。一般来说，如果我们的最大数据偏斜率在5%以内是可以接受的。
如何分库分表
垂直拆分：
- 垂直拆表
- 即大表拆小表，将一张表中数据不同”字段“分拆到多张表中，比如商品库将商品基本信息、商品库存、卖家信息等分拆到不同库表中。
- 考虑因素有将不常用的，数据较大，长度较长（比如text类型字段）的拆分到“扩展表“，表和表之间通过”主键外键“进行关联。
- 好处：降低表数据规模，提升查询效率，也避免查询时数据量太大造成的“跨页”问题。
- 垂直拆库
- 垂直拆库则在垂直拆表的基础上，将一个系统中的不同业务场景进行拆分，比如订单表、用户表、商品表。
- 好处：降低单数据库服务的压力（物理存储、内存、IO等）、降低单机故障的影响面
水平拆分：
- 操作：将总体数据按照某种维度(时间、用户)等分拆到多个库中或者表中，典型特征不同的库和表结构完全一下，如订单按照(日期、用户ID、区域)分库分表。
- 水平拆表
- 将数据按照某种维度拆分为多张表，但是由于多张表还是从属于一个库，其降低锁粒度，一定程度提升查询性能，但是仍然会有IO性能瓶颈。
- 水平拆库
- 将数据按照某种维度分拆到多个库中，降低单机单库的压力，提升读写性能。
常见水平拆分手段
range分库分表
顾名思义，该方案根据数据范围划分数据的存放位置。
思路一：时间范围分库分表
举个最简单例子，我们可以把订单表按照年份为单位，每年的数据存放在单独的库（或者表）中。
时下非常流行的分布式数据库：TiDB数据库，针对TiKV中数据的打散，也是基于Range的方式进行，将不同范围内的[StartKey,EndKey)分配到不同的Region上。
缺点：
- 需要提前建库或表。
- 数据热点问题：当前时间的数据会集中落在某个库表。
- 分页查询问题：涉及到库表中间分界线查询较复杂。
例子： 交易系统流水表则是按照天级别分表。
hash分库分表
hash分表是使用最普遍的使用方式，其根据“主键”进行hash计算数据存储的库表索引。原理可能大家都懂，但有时拍脑袋决定的分库分表方案可能会导致严重问题。
思路一：独立hash
对于分库分表，最常规的一种思路是通过主键计算hash值，然后hash值分别对库数和表数进行取余操作获取到库索引和表索引。比如：电商订单表，按照用户ID分配到10库100表中。
const (
// DbCnt 库数量
DbCnt = 10
// TableCnt 表数量
TableCnt = 100
)
// GetTableIdx 根据用户 ID 获取分库分表索引
func GetTableIdx(userID int64) (int64, int64) {
hash := hashCode(userID)
return hash % DbCnt, hash % TableCnt
}
|
上述是伪代码实现，大家可以先思考一下上述代码可能会产生什么问题？
比如1000? 1010?，1020库表索引是多少？
思考一下........
思考一下........
思考一下........
思考一下........
思考一下........
思考一下........
答：数据偏斜问题。
非互质关系导致的数据偏斜问题证明：
假设分库数分表数最大公约数为a，则分库数表示为 m*a , 分表数为 n*a （m,n为正整数）
某条数据的hash规则计算的值为H，
若某条数据在库D中，则H mod (m*a) == D 等价与 H=M*m*a+D （M为整数）
则表序号为 T = H % (n*a) = (M*m*a+D)%(n*a)
如果D==0 则T= [(M*m)%n]*a
|
思路二：统一hash
思路一中，由于库和表的hash计算中存在公共因子，导致数据偏斜问题，那么换种思考方式：10个库100张表，一共1000张表，那么从0到999排序，根据hash值对1000取余，得到[0,999]的索引，似乎就可以解决数据偏斜问题：
// GetTableIdx 根据用户 ID 获取分库分表索引
// 例子： 1123011 -> 1,1
func GetTableIdx(userID int64) (int64, int64) {
hash := hashCode(userID)
slot := DbCnt * TableCnt
return hash % slot % DbCnt, hash % slot / DbCnt
}
|
上面会带来的问题？
比如1123011号用户，扩容前是1库1表，扩容后是0库11表
扩展性问题证明。
某条数据的hash规则计算的值为H，分库数为D，分表数为T
扩容前：
分片序号K1 = H % (D*T),则H = M*DT + K1 ，且K1 一定是小于（D*T）
D1 = K1 % D
T1 = K1 / D
扩容后：
如果M为偶数，即M= 2*N
K2 = H% (2DT) = (2NDT+K1)%(2DT) = K1%(2DT) ,K1 一定小于（2DT）,所以K2=K1
D2 = K2%（2D） = K1 %（2D）
T2 = K2/(2D) = K1 / （2D）
如果M为奇数，即M = 2*N+1
K2 = H%（2DT） = (2NDT +DT +K1)%(2DT) = (DT+K1)%(2DT) = DT + K1
D2 = K2 %(2D) = (DT+K1) % (2D)
T2 = K2 /(2D) = (DT+K1) / (2D)
结论：扩容后库序号和表序号都变化
|
思路三：二次分片法
思路二中整体思路正确，只是最后计算库序号和表序号的时候，使用了库数量作为影响表序号的因子，导致扩容时表序号偏移而无法进行。事实上，我们只需要换种写法，就能得出一个比较大众化的分库分表方案。
func GetTableIdx(userId int64){
//①算Hash
hash:=hashCode(userId)
//②分片序号
slot:=hash%(DbCnt*TableCnt)
//③重新修改二次求值方案
dbIdx:=slot/TableCnt
tblIdx:=slot%TableCnt
return dbIdx,tblIdx
}
|
从上述代码中可以看出，其唯一不同是在计算库索引和表索引时，采用TableCnt作为基数（注：扩容操作时，一般采用库个数2倍扩容），这样在扩容时，表个数不变，则表索引不会变。
可以做简要的证明：
某条数据的hash规则计算的值为H，分库数为D，分表数为T
扩容前：
分片序号K1 = H % (D*T),则H = M*DT + K1 ，且K1 一定是小于（D*T）
D1 = K1 / T
T1 = K1 % T
扩容后：
如果M为偶数，即M= 2*N
K2 = H% (2DT) = (2NDT+K1)%(2DT) = K1%(2DT) ,K1 一定小于（2DT）,所以K2=K1
D2 = K2/T = K1 /T = D1
T2 = K2%T = K1 % T = T1
如果M为奇数，即M = 2*N+1
K2 = H%（2DT） = (2NDT +DT +K1)%(2DT) = (DT+K1)%(2DT) = DT + K1
D2 = K2 /T = (DT+K1) / T = D + K1/T = D + D1
T2 = K2 %T = (DT+K1) % T = K1 %T = T1
结论：
M为偶数时，扩容前后库序号和表序号都不变
M为奇数时，扩容前后表序号不变，库序号会变化。
|
思路四：基因法
由思路二启发，我们发现案例一不合理的主要原因，就是因为库序号和表序号的计算逻辑中，有公约数这个因子在影响库表的独立性。那么我们是否可以换一种思路呢？我们使用相对独立的Hash值来计算库序号和表序号呢？
func GetTableIdx(userID int64)(int64,int64){
hash := hashCode(userID)
return atoi(hash[0:4]) % DbCnt,atoi(hash[4:])%TableCnt
}
|
这也是一种常用的方案，我们称为基因法，即使用原分片键中的某些基因（例如前四位）作为库的计算因子，而使用另外一些基因作为表的计算因子。
在使用基因法时，要主要计算hash值的片段保持充分的随机性，避免造成严重数据偏斜问题。
思路五：关系表冗余
按照索引的思想，可以通过分片的键和库表索引建立一张索引表，我们把这张索引表叫做“路由关系表”。每次查询操作，先去路由表中查询到数据所在的库表索引，然后再到库表中查询详细数据。同时，对于写入操作可以采用随机选择或者顺序选择一个库表进入写入。
那么由于路由关系表的存在，我们在数据扩容时，无需迁移历史数据。同时，我们可以为每个库表指定一个权限，通过权重的比例调整来调整每个库表的写入数据量。从而实现库表数据偏斜率调整。
此种方案的缺点是每次查询操作，需要先读取一次路由关系表，所以请求耗时可能会有一定增加。本身由于写索引表和写库表操作是不同库表写操作，需要引入分布式事务保证数据一致性，极端情况可能带来数据的不一致。
且索引表本身没有分库分表，自身可能会存在性能瓶颈，可以通过存储在redis进行优化处理。
思路六：分段索引关系表
思路五中，需要将全量数据存在到路由关系表中建立索引，再结合range分库分表方案思想，其实有些场景下完全没有必要全部数据建立索引，可以按照号段式建立区间索引，我们可以将分片键的区间对应库的关系通过关系表记录下来，每次查询操作，先去路由表中查询到数据所在的库表索引，然后再到库表中查询详细数据。
思路七：一致性Hash法
一致性Hash算法也是一种比较流行的集群数据分区算法，比如RedisCluster即是通过一致性Hash算法，使用16384个虚拟槽节点进行每个分片数据的管理。关于一致性Hash的具体原理这边不再重复描述，读者可以自行翻阅资料。
其思想和思路五有异曲同工之妙。
总结
本文从5W1H角度介绍了分库分表手段，其在解决如IO瓶颈、读写性能、物理存储瓶颈、内存瓶颈、单机故障影响面等问题的同时，也带来如事务性、主键冲突、跨库join、跨库聚合查询等问题。anyway，在综合业务场景考虑，正如缓存的使用一样，非必须使用分库分表，则不应过度设计采用分库分表方案。如数据库确实成为性能瓶颈时，在设计分库分表方案时也应充分考虑方案的扩展性。或者说可以考虑采用成熟热门的分布式数据库解决方案，如TiDB。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
