1、分库分表架构

关系型数据库本身比较容易成为系统瓶颈，单机存储容量、连接数、处理能力都有限。当单表的数据量达到1000W或100G以后，由于查询维 度较多，即使添加从库、优化索引，做很多操作时性能仍下降严重。此时就要考虑对其进行切分了，切分的目的就在于减少数据库的负担，缩短查询时间。

数据库分布式核心内容无非就是数据切分（Sharding），以及切分后对数据的定位、整合。数据切分就是将数据分散存储到多个数据库中，使得单一数据库中的数据量变小，通过扩充主机的数量缓解单一数据库的性能问题，从而达到提升数据库操作性能的目的。数据切分根据其切分类型，可以分为两种方式：垂直（纵向）切分和水平（横向）切分

1.1、垂直（纵向）切分

垂直切分常见有垂直分库和垂直分表两种。

垂直分库就是根据业务耦合性，将关联度低的不同表存储在不同的数据库。做法与大系统拆分为多个小系统类似，按业务分类进行独立划分。与"微服务治理"的做法相似，每个微服务使用单独的一个数据库。如图：

垂直分表是基于数据库中的"列"进行，某个表字段较多，可以新建一张扩展表，将不经常用或字段长度较大的字段拆分出去到扩展表中。在字段很多的情况下（例 如一个大表有100多个字段），通过"大表拆小表"，更便于开发与维护，也能避免跨页问题，MySQL底层是通过数据页存储的，一条记录占用空间过大会导 致跨页，造成额外的性能开销。另外数据库以行为单位将数据加载到内存中，这样表中字段长度较短且访问频率较高，内存能加载更多的数据，命中率更高，减少了 磁盘IO，从而提升了数据库性能。

垂直切分的优点：

• 解决业务系统层面的耦合，业务清晰
• 与微服务的治理类似，也能对不同业务的数据进行分级管理、维护、监控、扩展等
• 高并发场景下，垂直切分一定程度的提升IO、数据库连接数、单机硬件资源的瓶颈

缺点：

• 部分表无法join，只能通过接口聚合方式解决，提升了开发的复杂度
• 分布式事务处理复杂
• 依然存在单表数据量过大的问题（需要水平切分）

1.2、水平（横向）切分

当一个应用难以再细粒度的垂直切分，或切分后数据量行数巨大，存在单库读写、存储性能瓶颈，这时候就需要进行水平切分了。

水平切分分为库内分表和分库分表，是根据表内数据内在的逻辑关系，将同一个表按不同的条件分散到多个数据库或多个表中，每个表中只包含一部分数据，从而使得单个表的数据量变小，达到分布式的效果。如图所示：

库内分表只解决了单一表数据量过大的问题，但没有将表分布到不同机器的库上，因此对于减轻MySQL数据库的压力来说，帮助不是很大，大家还是竞争同一个物理机的CPU、内存、网络IO，最好通过分库分表来解决。

水平切分的优点：

• 不存在单库数据量过大、高并发的性能瓶颈，提升系统稳定性和负载能力
• 应用端改造较小，不需要拆分业务模块

缺点：

• 跨分片的事务一致性难以保证
• 跨库的join关联查询性能较差
• 数据多次扩展难度和维护量极大

水平切分后同一张表会出现在多个数据库/表中，每个库/表的内容不同

2、什么时候考虑切分

2.1、能不切分尽量不要切分

并不是所有表都需要进行切分，主要还是看数据的增长速度。切分后会在某种程度上提升业务的复杂度，数据库除了承载数据的存储和查询外，协助业务更好的实现需求也是其重要工作之一。

不到万不得已不用轻易使用分库分表这个大招，避免"过度设计"和"过早优化"。分库分表之前，不要为分而分，先尽力去做力所能及的事情，例如：升级硬件、升级网络、读写分离、索引优化等等。当数据量达到单表的瓶颈时候，再考虑分库分表。

2.2、数据量过大，正常运维影响业务访问

这里说的运维，指：

1）对数据库备份，如果单表太大，备份时需要大量的磁盘IO和网络IO。例如1T的数据，网络传输占50MB时候，需要20000秒才能传输完毕，整个过程的风险都是比较高的

2）对一个很大的表进行DDL修改时，MySQL会锁住全表，这个时间会很长，这段时间业务不能访问此表，影响很大。如果使用pt- online-schema-change，使用过程中会创建触发器和影子表，也需要很长的时间。在此操作过程中，都算为风险时间。将数据表拆分，总量减 少，有助于降低这个风险。

3）大表会经常访问与更新，就更有可能出现锁等待。将数据切分，用空间换时间，变相降低访问压力

2.3、随着业务发展，需要对某些字段垂直拆分

2.4、数据量快速增长

随着业务的快速发展，单表中的数据量会持续增长，当性能接近瓶颈时，就需要考虑水平切分，做分库分表了。此时一定要选择合适的切分规则，提前预估好数据容量

2.5、安全性和可用性

鸡蛋不要放在一个篮子里。在业务层面上垂直切分，将不相关的业务的数据库分隔，因为每个业务的数据量、访问量都不同，不能因为一个业务把数 据库搞挂而牵连到其他业务。利用水平切分，当一个数据库出现问题时，不会影响到100%的用户，每个库只承担业务的一部分数据，这样整体的可用性就能提 高

3、切分策略

按照时间区间或ID区间来切分。

例如：按日期将不同月甚至是日的数据分散到不同的库中；将userId为1~9999的记录分到第一个库，10000~20000的分到第二个库，以此类推。

一般采用hash取模mod的切分方式，例如：将 Customer 表根据 cusno 字段切分到4个库中，余数为0的放到第一个库，余数为1的放到第二个库，以此类推

4、分库分表带来的问题

4.1、事务一致性问题

分布式事务

当更新内容同时分布在不同库中，不可避免会带来跨库事务问题。跨分片事务也是分布式事务，没有简单的方案，一般可使用"XA协议"和"两阶段提交"处理。

分布式事务能最大限度保证了数据库操作的原子性。但在提交事务时需要协调多个节点，推后了提交事务的时间点，延长了事务的执行时间。导致事务在访问共享资源时发生冲突或死锁的概率增高。随着数据库节点的增多，这种趋势会越来越严重，从而成为系统在数据库层面上水平扩展的枷锁。

最终一致性

对于那些性能要求很高，但对一致性要求不高的系统，往往不苛求系统的实时一致性，只要在允许的时间段内达到最终一致性即可，可采用事务补偿的方式。与事务在执行中发生错误后立即回滚的方式不同，事务补偿是一种事后检查补救的措施，一些常见的实现方法有：对数据进行对账检查，基于日志进行对比，定期同标准数据来源进行同步等等。事务补偿还要结合业务系统来考虑。

4.2、跨节点关联查询 join 问题

切分之前，系统中很多列表和详情页所需的数据可以通过sql join来完成。而切分之后，数据可能分布在不同的节点上，此时join带来的问题就比较麻烦了，考虑到性能，尽量避免使用join查询。

解决这个问题的一些方法：

1）全局表

全局表，也可看做是"数据字典表"，就是系统中所有模块都可能依赖的一些表，为了避免跨库join查询，可以将这类表在每个数据库中都保存一份。这些数据通常很少会进行修改，所以也不担心一致性的问题。

2）字段冗余

一种典型的反范式设计，利用空间换时间，为了性能而避免join查询。例如：订单表保存userId时候，也将userName冗余保存一份，这样查询订单详情时就不需要再去查询"买家user表"了。

但这种方法适用场景也有限，比较适用于依赖字段比较少的情况。而冗余字段的数据一致性也较难保证，就像上面订单表的例子，买家修改了userName后，是否需要在历史订单中同步更新呢？这也要结合实际业务场景进行考虑。

3）数据组装

在系统层面，分两次查询，第一次查询的结果集中找出关联数据id，然后根据id发起第二次请求得到关联数据。最后将获得到的数据进行字段拼装。

4）ER分片

关系型数据库中，如果可以先确定表之间的关联关系，并将那些存在关联关系的表记录存放在同一个分片上，那么就能较好的避免跨分片join问题。在1:1或1:n的情况下，通常按照主表的ID主键切分。如下图所示：

这样一来，Data Node1上面的order订单表与orderdetail订单详情表就可以通过orderId进行局部的关联查询了，Data Node2上也一样。

4.3、跨节点分页、排序、函数问题

跨节点多库进行查询时，会出现limit分页、order by排序等问题。分页需要按照指定字段进行排序，当排序字段就是分片字段时，通过分片规则就比较容易定位到指定的分片；当排序字段非分片字段时，就变得比较复杂了。需要先在不同的分片节点中将数据进行排序并返回，然后将不同分片返回的结果集进行汇总和再次排序，最终返回给用户。如图所示：

上图中只是取第一页的数据，对性能影响还不是很大。但是如果取得页数很大，情况则变得复杂很多，因为各分片节点中的数据可能是随机的，为了排序的准确性，需要将所有节点的前N页数据都排序好做合并，最后再进行整体的排序，这样的操作时很耗费CPU和内存资源的，所以页数越大，系统的性能也会越差。

在使用Max、Min、Sum、Count之类的函数进行计算的时候，也需要先在每个分片上执行相应的函数，然后将各个分片的结果集进行汇总和再次计算，最终将结果返回。如图所示：

4.4、全局主键避重问题

在分库分表环境中，由于表中数据同时存在不同数据库中，主键值平时使用的自增长将无用武之地，某个分区数据库自生成的ID无法保证全局唯一。因此需要单独设计全局主键，以避免跨库主键重复问题。有一些常见的主键生成策略：

1）UUID

UUID标准形式包含32个16进制数字，分为5段，形式为8-4-4-4-12的36个字符，例如：550e8400-e29b-41d4-a716-446655440000

UUID是主键是最简单的方案，本地生成，性能高，没有网络耗时。但缺点也很明显，由于UUID非常长，会占用大量的存储空间；另外，作为主键建立索引和基于索引进行查询时都会存在性能问题，在InnoDB下，UUID的无序性会引起数据位置频繁变动，导致分页。

2）结合数据库维护主键ID表

在数据库中建立 sequence 表：

CREATE TABLE `sequence` (  
  `id` bigint(20) unsigned NOT NULL auto_increment,  
  `stub` char(1) NOT NULL default '',  
  PRIMARY KEY  (`id`),  
  UNIQUE KEY `stub` (`stub`)  
) ENGINE=MyISAM;

stub字段设置为唯一索引，同一stub值在sequence表中只有一条记录，可以同时为多张表生成全局ID。sequence表的内容，如下所示：

+-------------------+------+  
| id                | stub |  
+-------------------+------+  
| 72157623227190423 |    a |  
+-------------------+------+  

使用 MyISAM 存储引擎而不是 InnoDB，以获取更高的性能。MyISAM使用的是表级别的锁，对表的读写是串行的，所以不用担心在并发时两次读取同一个ID值。

当需要全局唯一的64位ID时，执行：

REPLACE INTO sequence (stub) VALUES ('a');  
SELECT LAST_INSERT_ID();  

这两条语句是Connection级别的，select last_insert_id() 必须与 replace into 在同一数据库连接下才能得到刚刚插入的新ID。

使用replace into代替insert into好处是避免了表行数过大，不需要另外定期清理。

此方案较为简单，但缺点也明显：存在单点问题，强依赖DB，当DB异常时，整个系统都不可用。配置主从可以增加可用性，但当主库挂了，主从切换时，数据一致性在特殊情况下难以保证。另外性能瓶颈限制在单台MySQL的读写性能。

flickr团队使用的一种主键生成策略，与上面的sequence表方案类似，但更好的解决了单点和性能瓶颈的问题。

这一方案的整体思想是：建立2个以上的全局ID生成的服务器，每个服务器上只部署一个数据库，每个库有一张sequence表用于记录当前全局ID。表中ID增长的步长是库的数量，起始值依次错开，这样能将ID的生成散列到各个数据库上。如下图所示：

由两个数据库服务器生成ID，设置不同的auto_increment值。第一台sequence的起始值为1，每次步长增长2，另一台的sequence起始值为2，每次步长增长也是2。结果第一台生成的ID都是奇数（1, 3, 5, 7 ...），第二台生成的ID都是偶数（2, 4, 6, 8 ...）。

这种方案将生成ID的压力均匀分布在两台机器上。同时提供了系统容错，第一台出现了错误，可以自动切换到第二台机器上获取ID。但有以下几个缺点：系统添加机器，水平扩展时较复杂；每次获取ID都要读写一次DB，DB的压力还是很大，只能靠堆机器来提升性能。

可以基于flickr的方案继续优化，使用批量的方式降低数据库的写压力，每次获取一段区间的ID号段，用完之后再去数据库获取，可以大大减轻数据库的压力。如下图所示：

还是使用两台DB保证可用性，数据库中只存储当前的最大ID。ID生成服务每次批量拉取6个ID，先将max_id修改为5，当应用访问ID生成服务时，就不需要访问数据库，从号段缓存中依次派发0~5的ID。当这些ID发完后，再将max_id修改为11，下次就能派发6~11的ID。于是，数据库的压力降低为原来的1/6。

3）Snowflake分布式自增ID算法

Twitter的snowflake算法解决了分布式系统生成全局ID的需求，生成64位的Long型数字，组成部分：

• 第一位未使用
• 接下来41位是毫秒级时间，41位的长度可以表示69年的时间
• 5位datacenterId，5位workerId。10位的长度最多支持部署1024个节点
• 最后12位是毫秒内的计数，12位的计数顺序号支持每个节点每毫秒产生4096个ID序列

这样的好处是：毫秒数在高位，生成的ID整体上按时间趋势递增；不依赖第三方系统，稳定性和效率较高，理论上QPS约为409.6w/s（1000*2^12），并且整个分布式系统内不会产生ID碰撞；可根据自身业务灵活分配bit位。

不足就在于：强依赖机器时钟，如果时钟回拨，则可能导致生成ID重复。

综上

结合数据库和snowflake的唯一ID方案，可以参考业界较为成熟的解法：Leaf——美团点评分布式ID生成系统，并考虑到了高可用、容灾、分布式下时钟等问题。

4.5、数据迁移、扩容问题

当业务高速发展，面临性能和存储的瓶颈时，才会考虑分片设计，此时就不可避免的需要考虑历史数据迁移的问题。一般做法是先读出历史数据，然后按指定的分片规则再将数据写入到各个分片节点中。此外还需要根据当前的数据量和QPS，以及业务发展的速度，进行容量规划，推算出大概需要多少分片（一般建议单个分片上的单表数据量不超过1000W）

如果采用数值范围分片，只需要添加节点就可以进行扩容了，不需要对分片数据迁移。如果采用的是数值取模分片，则考虑后期的扩容问题就相对比较麻烦。

5、常用的支持分库分表中间件：

• sharding-jdbc（当当）
• TSharding（蘑菇街）
• Atlas（奇虎360）
• Cobar（阿里巴巴）
• MyCAT（基于Cobar）
• Oceanus（58同城）
• Vitess（谷歌）

目录

一、MySQL扩展方案具体的实现方式

二、单库分表实现策略

三、分库单表实现策略

四、分库分表实现策略

五、分库分表总结

六、本文总结

随着业务规模的不断扩大，需要选择合适的方案去应对数据规模的增长，以应对逐渐增长的访问压力和数据量。对于数据库的扩展方案，主要包括：业务拆分、主从复制，数据库分库与分表。这篇文章主要讲述数据库分库与分表。

一、MySQL扩展方案具体的实现方式

（1）业务拆分

业务起步初始，为了加快应用上线和快速迭代，很多应用都采用集中式的架构。随着业务系统的扩大，系统变得越来越复杂，越来越难以维护，开发效率变得越来越低，并且对资源的消耗也变得越来越大，通过硬件提高系统性能的方式带来的成本也越来越高。

因此，在选型初期，一个优良的架构设计是后期系统进行扩展的重要保障。

例如：电商平台，包含了用户、商品、评价、订单等几大模块，最简单的做法就是在一个数据库中分别创建users、shops、comment、order四张表。

 但是，随着业务规模的增大、访问量的变大，我们不得不对业务进行拆分。对于每一个模块，都使用单独的数据库来进行存储。不同的业务访问不同的数据库，将原本对一个数据库的依赖拆分为对4个数据库的依赖。这样，系统就有4个数据库同时承担压力，吞吐量自然就提高了。 

（2）主从复制

1、MySQL5.6 数据库主从（Master/Slave）同步安装与配置详解：

http://blog.csdn.net/xlgen157387/article/details/51331244

2、MySQL主从复制的常见拓扑、原理分析以及如何提高主从复制的效率总结：

http://blog.csdn.net/xlgen157387/article/details/52451613

3、使用mysqlreplicate命令快速搭建 Mysql 主从复制：

http://blog.csdn.net/xlgen157387/article/details/52452394

上述三篇文章，讲述了如何配置主从数据库，以及如何实现数据库的读写分离，这里不再赘述。有需要的同学，请自己点击查看。

下图是一张关于MySQL的Master和Slave之间数据同步的过程图。

该图主要讲述了MySQL主从复制的原理：首先，Slave从Master获取Binary log文件；然后，Slave在本地镜像地执行Binary日志中记录的操作。由于主从复制的过程是异步的，因此Slave和Master之间的数据有可能存在延迟的现象，其只能保证数据最终的一致性。 

（3）数据库分库与分表

我们知道，无论机器配置多么好，每台机器都有自身的物理上限。所以，当我们的应用已经能触及或远远超出单台机器的某个上限的时候，我们惟有寻找别的机器的帮助，或者继续升级的我们的硬件，但常见的方案还是通过添加更多的机器来共同承担压力。

当我们的业务逻辑不断增长，我们的机器能不能通过线性增长就能满足需求？使用数据库的分库分表，能够立竿见影的提升系统的性能。关于为什么要使用数据库的分库分表，这里不再赘述，主要讲解具体的实现策略。

二、单库分表实现策略

关键字：用户ID、表容量

大部分数据库的设计和业务操作，基本都与用户ID相关。因此，用户ID作为贯穿整个系统的重要字段，是最常用的分库分表的路由策略因子。因此，使用用户ID，不仅可以方便查询，还可以将数据平均分配到不同的数据库中。（当然，还可以根据类别等进行分表操作，分表的路由策略有很多方式）

接着上述电商平台假设，订单表order存放用户的订单数据，sql脚本如下（只是为了演示，省略部分细节）：

CREATE TABLE `order` (
  `order_id` bigint(32) primary key auto_increment,
  `user_id` bigint(32),
   ...
) 

当数据量比较大的时候，对数据进行分表，首先要确定将数据平均分配到多少张表中，也就是：表容量。

这里假设单库有100张表进行存储，则我们在进行存储数据的时候，首先对用户ID进行取模操作，根据 user_id%100 获取对应的表进行存储和查询操作，示意图如下：

例如，user_id = 101， 我们在获取值的时候，可以通过下边的sql语句：

select * from order_1 where user_id= 101

其中，表名order_1的后缀数值是根据 101%100 计算所得。

在实际的开发中，如果我们使用MyBatis做持久层，MyBatis已经提供了很好地支持数据库分表的功能。例如，上述sql用MyBatis实现，应该是：

 接口定义：

/**
  * 获取用户相关的订单详细信息
  * @param tableNum 具体某一个表的编号
  * @param userId 用户ID
  * @return 订单列表
  */
public List<Order> getOrder(@Param("tableNum") int tableNum,@Param("userId") int userId);

xml配置映射文件：

<select id="getOrder" resultMap="BaseResultMap">
    select * from order_${tableNum}
    where user_id = #{userId}
</select>

其中${tableNum} 含义是直接让参数加入到sql中，这是MyBatis支持的特性。

注意：
另外，在实际的开发中，我们的用户ID更多的可能是通过UUID生成的。若是这样，我们可以首先对UUID进行hash，获取到整数值；然后，对该整数值进行取模操作。

三、分库单表实现策略

单个数据库分表，能够解决“单表在数据量很大时查询数据的效率问题”，但是无法给数据库的并发操作带来效率上的提高。单库分表还是在一个数据库上进行操作，很容易受数据库IO性能的限制。

如何平均分配数据库的IO性能？显然，对数据进行分库存储，可以很好地解决单台数据库的性能问题。

分库策略与分表策略的实现相似，最简单的都是可以通过取模的方式进行路由。

还是上例，对用户ID进行取模操作，可以获取到某一个具体的数据库，同理，这种方式对关键字为：用户ID、库容量。

数据库路由的示意图如下：

 上图中，库总数为100。

同样，如果用户ID为UUID，那么：首先对用户ID进行hash取值；然后，对hash结果值进行取模。

四、分库分表实现策略

上述的配置中，单库分表可以解决“单表海量数据的查询性能问题”，分库单表可以解决“单台数据库的并发访问压力问题”。

在实际应用中，我们既需要分库操作，也需要分表操作，以便同时扩展系统的并发处理能力和提升单表的查询性能，这就是分库分表。

分库分表的策略相对复杂一些，一种常见的路由策略如下：

１、中间变量　＝ user_id%（库数量*每个库的表数量）;
２、库序号　＝　取整（中间变量／每个库的表数量）;
３、表序号　＝　中间变量％每个库的表数量;
 

例如：数据库有256 个，每一个库中有1024个数据表，用户的user_id＝262145，按照上述的路由策略，可得：

１、中间变量　＝ 262145%（256*1024）= 1;
２、库序号　＝　取整（1／1024）= 0;
３、表序号　＝　1％1024 = 1;
 

这样，对于user_id＝262145，将被路由到第０个数据库的第１个表中。

示意图如下：

五、分库分表总结

分库分表策略有很多种，根据用户ID进行分库分表是比较简单的一种。对于其他分库分表方式，比如使用号段、使用hash进行路由等，有兴趣的同学可以自行查找学习。

如果用户的ID是通过UUID方式生成的，那么：首先，我们需要单独进行一次hash操作；然后，对hash结果进行取模。其实hash本身就是一种分库分表的策略，使用hash作为路由策略的时候，我们需要知道hash路由策略的优缺点，优点是：数据分布均匀；缺点是：数据迁移的时候麻烦，不能按照机器性能分摊数据。

通过分库分表操作，系统的数据查询性能和并发能力都得到了提高。但是，还有一些需要注意的点：

（1）原本单库的事务变成了分布式事务；

（2）由于记录被切分到不同的数据库和数据表中，难以进行多表关联查询；

（3）对数据进行查询时，必须指定路由字段。

（4）分库分表之后，如果我们需要对数据库进行进一步的扩容（或者路由策略变更），将变得非常不方便，需要重新进行数据迁移。

自己开发分库分表工具的工作量是巨大的，好在业界已经有了很多比较成熟的分库分表中间件，我们可以将更多的时间放在业务实现上。

业界常用分库分表工具：

• sharding-jdbc（当当）

• TSharding（蘑菇街）

• Atlas（奇虎360）

• Cobar（阿里巴巴）

• MyCAT（基于Cobar）

• Oceanus（58同城） Vitess（谷歌）

六、本文总结

通过本文，我们学到了如何进行数据库分库分表。那么，是不是就可以实现一个可扩展、高性能、高并发的网站？很显然，还不可以！一个大型网站使用到的技术远不止这些，这些只是其中最基础的一个环节，还有很多具体的细节我们没有掌握到，比如：数据库的集群控制、集群的负载均衡、灾难恢复、故障自动切换、事务管理等。因此，还有很多需要去学习和研究的地方。

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

  • 分库分表会导致常规聚合查询操作，如group by，order by等变的异常复杂。需要复杂的业务代码才能实现上述业务逻辑，其常见操作方式有：

    • 方案一：赛道赛马机制，每次从N个库表中查询出TOP N数据，然后在业务层代码中进行聚合合并操作。

      假设： 以2库1表为例，每次分页查询N条数据。 第一次查询： ① 每个表中分别查询出N条数据： SELECT * FROM db1_table1 where $col > 0 order by $col LIMITT 0,N SELECT * FROM db2_table1 where $col > 0 order by $col LIMITT 0,N ② 业务层代码对上述两者做归并排序，假设最终取db1数据K1条，取db2数据K2条，则K1+K2 = N 此时的DB1 可以计算出OffSet为K1 ，DB2计算出Offset为K2 将获取的N条数据以及相应的Offset K1/K2返回给 端上。 第二次查询： ① 端上将上一次查询对应的数据库的Offset K1/K2 传到后端 ② 后端根据Offset构造查询语句查询分别查询出N条语句 SELECT * FROM db1_table1 where $col > 0 order by $col LIMITT $K1,N SELECT * FROM db2_table1 where $col > 0 order by $col LIMITT $K2,N ③ 再次使用归并排序，获取TOP N数据，将获取的N条数据以及相应的Offset K1/K2返回给 端上。 第三次查询: 依次类推.......

    • 方案二：可以将经常使用到groupby,orderby字段存储到一个单一库表(可以是REDIS、ES、MYSQL)中，业务代码中先到单一表中根据查询条件查询出相应数据，然后根据查询到的主键ID，到分库分表中查询详情进行返回。2次查询操作难点会带来接口耗时的增加，以及极端情况下的数据不一致问题。

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。