很多年前，读了 子柳 老师的《淘宝技术这十年》。这本书成为了我的架构启蒙书，书中的一句话像种子一样深埋在我的脑海里： “好的架构是进化来的，不是设计来的” 。
2015 年，我加入神州专车订单研发团队，亲历了专车数据层「架构进化」的过程。这次工作经历对我而言非常有启发性，也让我经常感慨：“好的架构果然是一点点进化来的”。
产品初期，技术团队的核心目标是： “快速实现产品需求，尽早对外提供服务” 。
彼时的专车服务都连同一个 SQLServer 数据库，服务层已经按照业务领域做了一定程度的拆分。
这种架构非常简单，团队可以分开协作，效率也极高。随着专车订单量的不断增长，早晚高峰期，用户需要打车的时候，点击下单后经常无响应。
系统层面来看：
数据库瓶颈显现。频繁的磁盘操作导致数据库服务器 IO 消耗增加，同时多表关联，排序，分组，非索引字段条件查询也会让 cpu 飙升，最终都会导致数据库连接数激增；
网关大规模超时。在高并发场景下，大量请求直接操作数据库，数据库连接资源不够用，大量请求处于阻塞状态。
为了缓解主数据库的压力，很容易就想到的策略： SQL 优化 。通过性能监控平台和 DBA 同学协作分析出业务慢 SQL ，整理出优化方案：
合理添加索引；
减少多表 JOIN 关联，通过程序组装，减少数据库读压力；
减少大事务，尽快释放数据库连接。
另外一个策略是： 读写分离 。
读写分离的基本原理是让主数据库处理事务性增、改、删操作（ INSERT、UPDATE、DELETE），而从数据库处理 SELECT 查询操作。
专车架构团队提供的 框架 中，支持读写分离，于是数据层架构进化为如下图：
读写分离可以减少主库写压力，同时读从库可水平扩展。当然，读写分离依然有局限性：
读写分离可能面临主从延迟的问题，订单服务载客流程中对实时性要求较高，因为担心延迟问题，大量操作依然使用主库查询；
读写分离可以缓解读压力，但是写操作的压力随着业务爆发式的增长并没有很有效的缓解。
虽然应用层面做了优化，数据层也做了读写分离，但主库的压力依然很大。接下来，大家不约而同的想到了 业务领域分库 ，也就是：将数据库按业务领域拆分成不同的业务数据库，每个系统仅访问对应业务的数据库。
业务领域分库可以缓解核心订单库的性能压力，同时也减少系统间的相互影响，提升了系统整体稳定性。
随之而来的问题是：原来单一数据库时，简单的使用 JOIN 就可以满足需求，但拆分后的业务数据库在不同的实例上，就不能跨库使用 JOIN 了，因此需要对 系统边界重新梳理，业务系统也需要重构 。
重构重点包含两个部分：
原来需要 JOIN 关联的查询修改成 RPC 调用，程序中组装数据 ；
业务表适当冗余字段，通过消息队列或者异构工具同步。
专车服务中，订单服务是并发量和请求量最高，也是业务中最核心的服务。虽然通过业务领域分库，SQL 优化提升了不少系统性能，但订单数据库的写压力依然很大，系统的瓶颈依然很明显。
于是，订单服务引入了 缓存 和 MQ 。
乘客在用户端点击 立即叫车 ，订单服务创建订单，首先保存到数据库后，然后将订单信息同步保存到缓存中。
在订单的载客生命周期里，订单的修改操作先修改缓存，然后发送消息到 MetaQ ，订单落盘服务消费消息，并判断订单信息是否正常（比如有无乱序)，若订单数据无误，则存储到数据库中。
核心逻辑有两点：
缓存集群中存储最近七天订单详情信息，大量订单读请求直接从缓存获取；
在订单的载客生命周期里，写操作先修改缓存，通过消息队列异步落盘，这样消息队列可以起到消峰的作用，同样可以降低数据库的压力。
这次优化提升了订单服务的整体性能，也为后来订单服务库分库分表以及异构打下了坚实的基础。
业务依然在爆炸增长，每天几十万订单，订单表数据量很快将过亿，数据库天花板迟早会触及。
订单 分库分表 已成为技术团队的共识。业界很多分库分表方案都是基于 MySQL 数据库，专车技术管理层决定先将订单库整体先从 SQLServer 迁移到 MySQL 。
迁移之前， 准备工作 很重要 ：
SQLServer 和 MySQL 两种数据库语法有一些差异，订单服务必须要适配 MySQL 语法。
订单 order_id 是主键自增，但在分布式场景中并不合适，需要将订单 id 调整为分布式模式。
当准备工作完成后，才开始迁移。
迁移过程分两部分： 历史全量数据迁移 和 增量数据迁移 。
历史数据全量迁移主要是 DBA 同学通过工具将订单库同步到独立的 MySQL 数据库。
增量数据迁移：因为 SQLServer 无 binlog 日志概念，不能使用 maxwell 和 canal 等类似解决方案。订单团队重构了订单服务代码，每次订单写操作的时候，会发送一条 MQ 消息到 MetaQ 。为了确保迁移的可靠性，还需要将新库的数据同步到旧库，也就是需要做到 双向同步 。
迁移流程：
首先订单服务（SQLServer 版）发送订单变更消息到 MetaQ ，此时并不开启「旧库消息消费」，让消息先堆积在 MetaQ 里；
然后开始迁移历史全量数据，当全量迁移完成后，再开启「旧库消息消费」，这样新订单库就可以和旧订单库数据保持同步了；
开启「新库消息消费」，然后部署订单服务（ MySQL 版），此时订单服务有两个版本同时运行，检测数据无误后，逐步增加新订单服务流量，直到老订单服务完全下线。
业界分库分表一般有 proxy 和 client 两种流派。
▍ proxy 模式
代理层分片方案业界有 Mycat ， cobar 等 。
它的优点：应用零改动，和语言无关，可以通过连接共享减少连接数消耗。缺点：因为是代理层，存在额外的时延。
▍ client 模式
应用层分片方案业界有 sharding-jdbc ， TDDL 等。
它的优点：直连数据库，额外开销小，实现简单，轻量级中间件。缺点：无法减少连接数消耗，有一定的侵入性，多数只支持 Java 语言。
神州架构团队选择 自研 分库分表组件，采用了 client 模式 ，组件命名： SDDL 。
订单服务需要引入是 SDDL 的 jar 包，在配置中心配置 数据源信息 ， sharding key ， 路由规则 等，订单服务只需要配置一个 datasourceId 即可。
专车订单数据库的查询主维度是： 乘客 ，乘客端按乘客 user_id 和 订单 order_id 查询频率最高，我们选择 user_id 做为 sharding key ，相同用户的订单数据存储到同一个数据库中。
分库分表组件 SDDL 和阿里开源的数据库中间件 cobar 路由算法非常类似的。
为了便于思维扩展，先简单介绍下 cobar 的分片算法。
假设现在需要将订单表平均拆分到 4 个分库 shard0 ，shard1 ，shard2 ，shard3 。首先将 [0-1023] 平均分为 4 个区段：[0-255]，[256-511]，[512-767]，[768-1023]，然后对字符串（或子串，由用户自定义）做 hash， hash 结果对 1024 取模，最终得出的结果 slot 落入哪个区段，便路由到哪个分库。
cobar 的默认路由算法 ，可以和 雪花算法 天然融合在一起， 订单 order_id 使用雪花算法，我们可以将 slot 的值保存在 10 位工作机器 ID 里。
通过订单 order_id 可以反查出 slot , 就可以定位该用户的订单数据存储在哪个分区里。
Integer getWorkerId(Long orderId) {
Long workerId = (orderId >> 12) & 0x03ff;
return workerId.intValue();
}
专车 SDDL 分片算法和 cobar 差异点在于：
cobar 支持最大分片数是 1024，而 SDDL 最大支持分库数 1024*8=8192，同样分四个订单库，每个分片的 slot 区间范围是 2048 ；
因为要支持 8192 个分片，雪花算法要做一点微调，雪花算法的 10 位工作机器修改成 13 位工作机器，时间戳也调整为： 38 位时间戳（由某个时间点开始的毫秒数）。
虽然解决了主维度乘客分库分表问题，但专车还有另外一个查询维度，在司机客户端，司机需要查询分配给他的订单信息。
我们已经按照乘客 user_id 作为 sharding key ，若按照司机 driver_id 查询订单的话，需要广播到每一个分库并聚合返回，基于此，技术团队选择将乘客维度的订单数据 异构 到以司机维度的数据库里。
司机维度的分库分表策略和乘客维度逻辑是一样的，只不过 sharding key 变成了司机 driver_id 。
异构神器 canal 解析乘客维度四个分库的 binlog ，通过 SDDL 写入到司机维度的四个分库里。
这里大家可能有个疑问：虽然可以异构将订单同步到司机维度的分库里，毕竟有些许延迟，如何保证司机在司机端查询到最新的订单数据呢 ？
在 缓存和 MQ 这一小节里提到：缓存集群中存储最近七天订单详情信息，大量订单读请求直接从缓存获取。订单服务会缓存司机和当前订单的映射，这样司机端的大量请求就可以直接缓存中获取，而司机端查询订单列表的频率没有那么高，异构复制延迟在 10 毫秒到 30 毫秒之间，在业务上是完全可以接受的。
专车管理后台，运营人员经常需要查询订单信息，查询条件会比较复杂，专车技术团队采用的做法是：订单数据落盘在乘客维度的订单分库之后，通过 canal 把数据同步到 Elastic Search。
业务中有一些配置表，存储重要的配置，读多写少。在实际业务查询中，很多业务表会和配置表进行联合数据查询。但在数据库水平拆分后，配置表是无法拆分的。
小表广播的原理是：将小表的所有数据（包括增量更新）自动广播（即复制）到大表的机器上。这样，原来的分布式 JOIN 查询就变成单机本地查询，从而大大提高了效率。
专车场景下，小表广播是非常实用的需求。比如： 城市表 是非常重要的配置表，数据量非常小，但订单服务，派单服务，用户服务都依赖这张表。
通过 canal 将基础配置数据库城市表同步到订单数据库，派单数据库，用户数据库。
分库分表组件 SDDL 研发完成，并在生产环境得到一定程度的验证后，订单服务从单库 MySQL 模式迁移到分库分表模式条件已经成熟。
迁移思路其实和 从 SQLServer 到 MySQL 非常类似。
整体迁移流程：
DBA 同学准备乘客维度的四个分库，司机维度的四个分库 ，每个分库都是最近某个时间点的全量数据；
八个分库都是全量数据，需要按照分库分表规则删除八个分库的冗余数据 ；
开启正向同步，旧订单数据按照分库分表策略落盘到乘客维度的分库，通过 canal 将乘客维度分库订单数据异构复制到司机维度的分库中；
开启反向同步，修改订单应用的数据源配置，重启订单服务，订单服务新创建的订单会落盘到乘客维度的分库，通过 canal 将乘客维度分库订单数据异构到 全量订单库 以及司机维度的数据库；
验证数据无误后，逐步更新订单服务的数据源配置，完成整体迁移。
专车订单已完成分库分表，很多细节都值得复盘：
全量历史数据迁移需要 DBA 介入 ，技术团队没有成熟的工具或者产品轻松完成；
增量数据迁移通过 canal 来实现。随着专车业务的爆发增长，数据库镜像，实时索引构建，分库异构等需求越来越多，虽然 canal 非常优秀，但它还是有瑕疵，比如缺失任务控制台，数据源管理能力，任务级别的监控和报警，操作审计等功能。
面对这些问题，架构团队的目标是打造一个平台，满足各种异构数据源之间的实时增量同步和离线全量同步，支撑公司业务的快速发展。
基于这个目标，架构团队自研了 dataLink 用于增量数据同步，深度定制了阿里开源的 dataX 用于全量数据同步。
专车 架构进化 之路并非一帆风顺，也有波折和起伏，但一步一个脚印，专车的技术储备越来越深厚。
2017 年，瑞幸咖啡在神州优车集团内部孵化，专车的这些技术储备大大提升了瑞幸咖啡技术团队的研发效率，并支撑业务的快速发展。 比如瑞幸咖啡的订单数据库最开始规划的时候，就分别按照用户维度，门店维度各拆分了 8 个数据库实例，分库分表组件 SDDL 和 数据交换平台 都起到了关键的作用 。