面试题：说一下公司常用MySQL分库分表方案

骑猪看日落 2024-02-19 10:10 58阅读 0赞

#### 文章目录 ####

*  一、数据库瓶颈
 *   *  1、IO瓶颈
     *  2、CPU瓶颈
 *  二、分库分表
 *   *  1、水平分库
     *  2、水平分表
     *  3、垂直分库
     *  4、垂直分表
 *  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
     *  2、非partition key跨库跨表分页查询问题
     *  3、扩容问题
 *  六、分库分表总结

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

## 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 ###

![图片][83173ccaf1f249c3bdb72a83ee5dc917.png]

**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。  
**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 ###

![图片][af9ab2cb0ceb4ffb9fb2e737eab19c67.png]

**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。  
**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。推荐：一次SQL查询优化原理分析  
**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 ###

![图片][5318b72f661845a3ae73250e216a0881.png]

**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。  
**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 ###

![图片][f5cce30e8f6c40f18056dd5bcaa95ef9.png]

**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。  
**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 ##

*  sharding-sphere：jar，前身是sharding-jdbc；
 *  TDDL：jar，Taobao Distribute Data Layer；
 *  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。  
**端上除了partition key只有一个非partition key作为条件查询**  
映射法  
![图片][2d458301b7fe47418bcf24404d908ab3.png]

基因法  
![图片][a1fe5535e23b4f3c852b14b7c88e5eb6.png]

> 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  
![图片][76403f5543e345b3a21975cfd60dff9d.png]

冗余法  
![图片][a6dbe3d3b79647a68ba497caabfc1804.png]

> 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  
![图片][cf0992ac72c14bdcb265820db3c1bb7c.png]

冗余法  
![图片][7a31753755da4f7eb5b52ea70d666731.png]

### 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。  
**水平扩容库（升级从库法）**  
![图片][5fd7294e5121408ca0a5c3133a15fbf8.png]

> 注：扩容是成倍的。

**水平扩容表（双写迁移法）**  
![图片][58d1c21f710d464e8cfa81b6a9e9f063.png]

*  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 ##

*  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。
 *  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。
 *  只要能满足需求，拆分规则越简单越好。

[83173ccaf1f249c3bdb72a83ee5dc917.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/4477193b81a644eaa2254bd7d902d537.png
[af9ab2cb0ceb4ffb9fb2e737eab19c67.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/15d31f834a8b4f80a2fce78e820255c3.png
[5318b72f661845a3ae73250e216a0881.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/c3cea31c8f30499485d495d456c2bb71.png
[f5cce30e8f6c40f18056dd5bcaa95ef9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/a6e0e63a5fe746b9b3f86e4f1c02b0d0.png
[2d458301b7fe47418bcf24404d908ab3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/90bfbb293060423b84cbb0bc3519a5ad.png
[a1fe5535e23b4f3c852b14b7c88e5eb6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/4bcf0879b7674adf8ea039cd56a8ff5c.png
[76403f5543e345b3a21975cfd60dff9d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/32a3a49760f048c4bd9cceca2ed63d98.png
[a6dbe3d3b79647a68ba497caabfc1804.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/a7257af5b0af409e9909e7959aef8d51.png
[cf0992ac72c14bdcb265820db3c1bb7c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/ec4dcf9c96734f939864aa9490249446.png
[7a31753755da4f7eb5b52ea70d666731.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/0f466c7d0dcf4d5089e27a348f877e46.png
[5fd7294e5121408ca0a5c3133a15fbf8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/7ddb76b80f434e02a73937bcf76e3168.png
[58d1c21f710d464e8cfa81b6a9e9f063.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/19/aa43f93d0e9f4f2aa6fbe93486931d03.png