大厂都在使用的分库分表方案

想必各位小伙伴在面试大厂的时候都遇到过这个面试题，要是提前有准备还好，没准备的话可能就被打了个措手不及，本文将从为什么使用分库分表技术、分库分表的基本概念、分库分表的好处以及分库分表的注意事项来聊一聊这个话题。

数据库架构演变

刚开始我们只用单机数据库就够了，随后面对越来越多的请求，我们将数据库的写操作和读操作进行分离，使用主库（Master）负责写，使用多个从库副本（Slaver Replication）负责读，从库从主库同步更新数据，保持数据一致。架构上就是数据库主从同步。从库可以水平扩展，所以更多的读请求不成问题。

但是当用户量级上来后，写请求越来越多，该怎么办？加一个Master是不能解决问题的，因为数据要保存一致性，写操作需要2个master之间同步，相当于是重复了，而且更加复杂。

这时就需要用到分库分表（sharding），对写操作进行切分。

为什么要使用分库分表

在业务系统中关系型数据库（以MySQL为例）本身比较容易成为系统的瓶颈，比如单机存储容量、连接数、处理能力有限等等的原因非常容易让我们的系统变得“迟缓”，甚至崩溃。即使我们的数据库架构采用主从模式也依然存在这个问题，随着系统越来越复杂，不可能去用多主多从的模式，而且多主多从模式中数据一致性的问题处理起来比较棘手，所以也依然存在很多查询不理想的情况。总的来说，分库分表是为了解决数据库存储大量数据时出现的性能瓶颈。

IO瓶颈
- 磁盘读IO瓶颈。由于热点数据太多，数据库缓存完全放不下，查询时会产生大量的磁盘IO，查询速度会比较慢，这样会导致产生大量活跃连接，最终可能会发展成无连接可用的后果。可以采用一主多从，读写分离的方案，用多个从库分摊查询流量。或者采用分库+水平分表（把一张表的数据拆成多张表来存放，比如订单表可以按user_id来拆分）的方案。
- 第二种：磁盘写IO瓶颈。由于数据库写入频繁，会产生频繁的磁盘写入IO操作，频繁的磁盘IO操作导致产生大量活跃连接，最终同样会发展成无连接可用的后果。这时只能采用分库方案，用多个库来分摊写入压力。再加上水平分表的策略，分表后，单表存储的数据量会更小，插入数据时索引查找和更新的成本会更低，插入速度自然会更快。
CPU瓶颈
- SQL问题。如果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，会对CPU产生明显的压力。这时可以考虑SQL优化，创建适当的索引，也可以把一些计算量大的SQL逻辑放到应用中处理。
- 单表数据量太大。由于单张表数据量过大，比如超过一亿，查询时遍历树的层次太深或者扫描的行太多，SQL效率会很低，也会非常消耗CPU。这时可以根据业务场景水平分表。

分库分表的基本概念

分库分表的方式有垂直切分和水平切分两种

垂直分库

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。每个库的结构都不一样，每个库的表结构也不一样，并且没有交集，最后将不同的库部署在不同的服务器上。数据库业务层面的拆分，和服务的“治理”，“降级”机制类似，也能对不同业务的数据分别的进行管理，维护，监控，扩展等。数据库往往最容易成为应用系统的瓶颈，而数据库本身属于“有状态”的，相对于Web和应用服务器来讲，是比较难实现“横向扩展”的。数据库的连接资源比较宝贵且单机处理能力也有限，在高并发场景下，垂直分库一定程度上能够突破IO、连接数及单机硬件资源的瓶颈。

垂直分表

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。一般是将热点数据作为主表，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。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“。但是查询的时候不要去join表，因为join会增加CPU的负担，而且join必须两个表在同一台实例上。正确的做法是：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。

水平分库

以字段为依据，按照一定策略（RANGE、HASH取模等），将一个库中的数据拆分到多个库中。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。一般水平分库后，多个数据库是部署到不同服务器上，这样能够有效的缓解单机和单库的性能瓶颈和压力，突破IO、连接数、硬件资源等的瓶颈。

水平分表

针对数据量巨大的单张表（比如订单表），按照某种规则（RANGE、HASH取模等），切分到多张表里面去。但是这些表还是在同一个库中，所以数据库操作还是有IO瓶颈，不建议采用。

分库分表存在的问题

当然任何解决方案方案都是有利有弊，我们应该尽量发挥它的优势，分库分表能带来的好处也是显而易见的：分库分表之后可以减少单库IO/CPU的瓶颈，解决了单表访问慢的问题，但是也不能够忽略它的劣势。

跨库join的问题

分库分表之后因为不同的表在不同的库中，我们就无法join不同库中的表。通常的解决方案是分别查询不同库中不同的表，然后在service中聚合起来。

事物的问题

因为分库分表之后不同的业务表全都分散开来了，所以也就演变成了分布式事务，那么就要对应的解决方案来处理，常见的TCC、2PC来解决。

唯一ID的问题

分库分表之后我们就不能再使用数据库自增ID，因为非常容易发生ID重复的问题。业内常见的解决方案有：UUID、雪花算法等。

新老数据兼容的问题

通常来说分库分表改造完成之后，新来的数据可以直接写入新的数据来源，而旧的数据可以通过DBA团队来帮忙处理，一点一点的清洗数据，最终同步到新的数据源。