MySQL 常用分库分表方案，都在这里了！

一时失言乱红尘 2022-12-02 15:27 246阅读 0赞

![format_png][]

我的新课《C2C 电商系统微服务架构120天实战训练营》在公众号**儒猿技术窝**上线了，感兴趣的同学，可以长按扫描下方二维码了解课程详情：

**课程大纲请参见文末**

![format_png 1][]

![format_png 2][]

--------------------

来源：

https://www.cnblogs.com/littlecharacter/p/9342129.html

# 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：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。

第二种：单表数据量太大，查询时扫描的行太多，SQL效率低，CPU率先出现瓶颈 -> **水平分表**。

# 二、分库分表 #

## 1、水平分库 ##

![format_png 3][]

1.  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。
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；

*  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 ##
    
    ![format_png 4][]
    
      
    
    
    1.  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。
    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；
 *  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 ##
    
    ![format_png 5][]
    
      
    
    
    1.  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。
    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；
 *  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 ##
    
    ![format_png 6][]
    
      
    
    
    1.  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。
    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；
 *  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、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。
    
    注：工具的利弊，请自行调研，官网和社区优先。
    
    # 四、分库分表步骤 #
    
    根据容量（当前容量和增长量）评估分库或分表个数 -> 选key（均匀）-> 分表规则（hash或range等）-> 执行（一般双写）-> 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 ##
    
    基于水平分库分表，拆分策略为常用的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**
        
        ![format_png 7][]
     *  **基因法**
        
        ![format_png 8][]
        
        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**。
 *  **端上**除了partition key不止一个非partition key作为条件查询
 *   *  **映射法**
        
        ![format_png 9][]
     *  **冗余法**
        
        ![format_png 10][]
        
        注：按照order\_id或buyer\_id查询时路由到db\_o\_buyer库中，按照seller\_id查询时路由到db\_o\_seller库中。感觉有点本末倒置！有其他好的办法吗？改变技术栈呢？
 *  **后台**除了partition key还有各种非partition key组合条件查询
 *   *  NoSQL法
        
        ![format_png 11][]
     *  冗余法
        
        ![format_png 12][]
    
    ## 2、非partition key跨库跨表分页查询问题 ##
    
    基于水平分库分表，拆分策略为常用的hash法。
    
    注：用\*\*NoSQL法\*\*解决（ES等）。
    
    ## 3、扩容问题 ##
    
    基于水平分库分表，拆分策略为常用的hash法。
    
    1.  水平扩容库（升级从库法）
        
        ![format_png 13][]
        
        注：扩容是成倍的。
    2.  水平扩容表（双写迁移法）
        
        ![format_png 14][]
        
        第一步：（同步双写）修改应用配置和代码，加上双写，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）修改应用配置和代码，去掉双写，部署；
    
    注：**双写**是通用方案。
    
    # 六、分库分表总结 #
    
    1.  分库分表，首先得知道瓶颈在哪里，然后才能合理地拆分（分库还是分表？水平还是垂直？分几个？）。且不可为了分库分表而拆分。
    2.  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。
    3.  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
    
    **END**
    
    ![format_png 15][]
    
    ![format_png 16][]
    
    ![format_png 17][]
    
    ![format_png 18][]

[format_png]: /images/20221123/c0df45ab7fbb48df9921c418e2f15096.png
[format_png 1]: /images/20221123/dbe09dbd698c4dfc924b4b629b024371.png
[format_png 2]: /images/20221123/f3cf369a6011407f9dcabd28f8a81330.png
[format_png 3]: /images/20221123/6c405e7391984f278cd561ae6ed4d67e.png
[format_png 4]: /images/20221123/715976ff851249b4a91bffa32a81ad14.png
[format_png 5]: /images/20221123/79535911b4ec4eb98bf045be60e956f2.png
[format_png 6]: /images/20221123/fa79a2a6524f4acdb01ec8bb236bd114.png
[format_png 7]: /images/20221123/bf7c00ad157540deb3bddac0be553ac9.png
[format_png 8]: /images/20221123/c8781da6c30a410d970ec73e7eb84d13.png
[format_png 9]: /images/20221123/833aee792b304cca9fd24a767eb56e0a.png
[format_png 10]: /images/20221123/4fb968c047ac44e1b4475fad972326de.png
[format_png 11]: /images/20221123/4e539eb2e58f4d79b889d5b2d60cf063.png
[format_png 12]: /images/20221123/bc299899a6bc4673a67729bad5863195.png
[format_png 13]: /images/20221123/3f19e75567f64ad7a7a24a50a2e9ed90.png
[format_png 14]: /images/20221123/71ff3ccde0a541db9442565672a7dc65.png
[format_png 15]: /images/20221123/81bdc88b582142a982c448283cca7a5a.png
[format_png 16]: /images/20221123/4f7d9cad9a96411da138fb9bcc0144f0.png
[format_png 17]: /images/20221123/1b69eadf53064fc2af66d88723f44d5e.png
[format_png 18]: /images/20221123/1a2b2e8969e3408092601a8d9822e797.png