一、數(shù)據(jù)庫瓶頸

不管是IO瓶頸，還是CPU瓶頸，最終都會導(dǎo)致數(shù)據(jù)庫的活躍連接數(shù)增加，進而逼近甚至達到數(shù)據(jù)庫可承載活躍連接數(shù)的閾值。在業(yè)務(wù)Service來看就是，可用數(shù)據(jù)庫連接少甚至無連接可用。接下來就可以想象了吧（并發(fā)量、吞吐量、崩潰）。

1、IO瓶頸

第一種：磁盤讀IO瓶頸，熱點數(shù)據(jù)太多，數(shù)據(jù)庫緩存放不下，每次查詢時會產(chǎn)生大量的IO，降低查詢速度 -> 分庫和垂直分表。

第二種：網(wǎng)絡(luò)IO瓶頸，請求的數(shù)據(jù)太多，網(wǎng)絡(luò)帶寬不夠 -> 分庫。

2、CPU瓶頸

第一種：SQL問題，如SQL中包含join，group by，order by，非索引字段條件查詢等，增加CPU運算的操作 -> SQL優(yōu)化，建立合適的索引，在業(yè)務(wù)Service層進行業(yè)務(wù)計算。

第二種：單表數(shù)據(jù)量太大，查詢時掃描的行太多，SQL效率低，CPU率先出現(xiàn)瓶頸 -> 水平分表。

二、分庫分表

1、水平分庫

1. 概念：以字段為依據(jù)，按照一定策略（hash、range等），將一個庫中的數(shù)據(jù)拆分到多個庫中。
2. 結(jié)果：
• 每個庫的結(jié)構(gòu)都一樣；
• 每個庫的數(shù)據(jù)都不一樣，沒有交集；
• 所有庫的并集是全量數(shù)據(jù)；
3. 場景：系統(tǒng)絕對并發(fā)量上來了，分表難以根本上解決問題，并且還沒有明顯的業(yè)務(wù)歸屬來垂直分庫。
4. 分析：庫多了，io和cpu的壓力自然可以成倍緩解。

2、水平分表

1. 概念：以字段為依據(jù)，按照一定策略（hash、range等），將一個表中的數(shù)據(jù)拆分到多個表中。
2. 結(jié)果：
• 每個表的結(jié)構(gòu)都一樣；
• 每個表的數(shù)據(jù)都不一樣，沒有交集；
• 所有表的并集是全量數(shù)據(jù)；
3. 場景：系統(tǒng)絕對并發(fā)量并沒有上來，只是單表的數(shù)據(jù)量太多，影響了SQL效率，加重了CPU負擔(dān)，以至于成為瓶頸。
4. 分析：表的數(shù)據(jù)量少了，單次SQL執(zhí)行效率高，自然減輕了CPU的負擔(dān)。

3、垂直分庫

1. 概念：以表為依據(jù)，按照業(yè)務(wù)歸屬不同，將不同的表拆分到不同的庫中。
2. 結(jié)果：
• 每個庫的結(jié)構(gòu)都不一樣；
• 每個庫的數(shù)據(jù)也不一樣，沒有交集；
• 所有庫的并集是全量數(shù)據(jù)；
3. 場景：系統(tǒng)絕對并發(fā)量上來了，并且可以抽象出單獨的業(yè)務(wù)模塊。
4. 分析：到這一步，基本上就可以服務(wù)化了。例如，隨著業(yè)務(wù)的發(fā)展一些公用的配置表、字典表等越來越多，這時可以將這些表拆到單獨的庫中，甚至可以服務(wù)化。再有，隨著業(yè)務(wù)的發(fā)展孵化出了一套業(yè)務(wù)模式，這時可以將相關(guān)的表拆到單獨的庫中，甚至可以服務(wù)化。

4、垂直分表

1. 概念：以字段為依據(jù)，按照字段的活躍性，將表中字段拆到不同的表（主表和擴展表）中。
2. 結(jié)果：
• 每個表的結(jié)構(gòu)都不一樣；
• 每個表的數(shù)據(jù)也不一樣，一般來說，每個表的字段至少有一列交集，一般是主鍵，用于關(guān)聯(lián)數(shù)據(jù)；
• 所有表的并集是全量數(shù)據(jù)；
3. 場景：系統(tǒng)絕對并發(fā)量并沒有上來，表的記錄并不多，但是字段多，并且熱點數(shù)據(jù)和非熱點數(shù)據(jù)在一起，單行數(shù)據(jù)所需的存儲空間較大。以至于數(shù)據(jù)庫緩存的數(shù)據(jù)行減少，查詢時會去讀磁盤數(shù)據(jù)產(chǎn)生大量的隨機讀IO，產(chǎn)生IO瓶頸。
4. 分析：可以用列表頁和詳情頁來幫助理解。垂直分表的拆分原則是將熱點數(shù)據(jù)（可能會冗余經(jīng)常一起查詢的數(shù)據(jù)）放在一起作為主表，非熱點數(shù)據(jù)放在一起作為擴展表。這樣更多的熱點數(shù)據(jù)就能被緩存下來，進而減少了隨機讀IO。拆了之后，要想獲得全部數(shù)據(jù)就需要關(guān)聯(lián)兩個表來取數(shù)據(jù)。但記住，千萬別用join，因為join不僅會增加CPU負擔(dān)并且會講兩個表耦合在一起（必須在一個數(shù)據(jù)庫實例上）。關(guān)聯(lián)數(shù)據(jù)，應(yīng)該在業(yè)務(wù)Service層做文章，分別獲取主表和擴展表數(shù)據(jù)然后用關(guān)聯(lián)字段關(guān)聯(lián)得到全部數(shù)據(jù)。

三、分庫分表工具

1. sharding-sphere：jar，前身是sharding-jdbc；
2. TDDL：jar，Taobao Distribute Data Layer；
3. Mycat：中間件。

注：工具的利弊，請自行調(diào)研，官網(wǎng)和社區(qū)優(yōu)先。

四、分庫分表步驟

根據(jù)容量（當(dāng)前容量和增長量）評估分庫或分表個數(shù) -> 選key（均勻）-> 分表規(guī)則（hash或range等）-> 執(zhí)行（一般雙寫）-> 擴容問題（盡量減少數(shù)據(jù)的移動）。

五、分庫分表問題

1、非partition key的查詢問題

基于水平分庫分表，拆分策略為常用的hash法。

1. 端上除了partition key只有一個非partition key作為條件查詢

• 映射法

• 基因法

  注：寫入時，基因法生成user_id，如圖。關(guān)于xbit基因，例如要分8張表，23=8，故x取3，即3bit基因。根據(jù)user_id查詢時可直接取模路由到對應(yīng)的分庫或分表。根據(jù)user_name查詢時，先通過user_name_code生成函數(shù)生成user_name_code再對其取模路由到對應(yīng)的分庫或分表。id生成常用snowflake算法。

2. 端上除了partition key不止一個非partition key作為條件查詢

• 映射法

• 冗余法

  注：按照order_id或buyer_id查詢時路由到db_o_buyer庫中，按照seller_id查詢時路由到db_o_seller庫中。感覺有點本末倒置！有其他好的辦法嗎？改變技術(shù)棧呢？

3. 后臺除了partition key還有各種非partition key組合條件查詢

• NoSQL法
• 冗余法

2、非partition key跨庫跨表分頁查詢問題

基于水平分庫分表，拆分策略為常用的hash法。

注：用**NoSQL法**解決（ES等）。

3、擴容問題

基于水平分庫分表，拆分策略為常用的hash法。

1. 水平擴容庫（升級從庫法）

   注：擴容是成倍的。

2. 水平擴容表（雙寫遷移法）第一步：（同步雙寫）修改應(yīng)用配置和代碼，加上雙寫，部署；第二步：（同步雙寫）將老庫中的老數(shù)據(jù)復(fù)制到新庫中；第三步：（同步雙寫）以老庫為準校對新庫中的老數(shù)據(jù)；第四步：（同步雙寫）修改應(yīng)用配置和代碼，去掉雙寫，部署；

注：雙寫是通用方案。

六、分庫分表總結(jié)

1. 分庫分表，首先得知道瓶頸在哪里，然后才能合理地拆分（分庫還是分表？水平還是垂直？分幾個？）。且不可為了分庫分表而拆分。
2. 選key很重要，既要考慮到拆分均勻，也要考慮到非partition key的查詢。
3. 只要能滿足需求，拆分規(guī)則越簡單越好。

七、分庫分表示例

示例GitHub地址：https://github.com/littlecharacter4s/study-sharding