> 參考：https://mp.weixin.qq.com/s/3ZxGq9ZpgdjQFeD2BIJ1MA 每個優秀的程序員和架構師都應該掌握分庫分表，這是我的觀點。 移動互聯網時代，海量的用戶每天產生海量的數量，比如： 1. 用戶表 2. 訂單表 3. 交易流水表 以支付寶用戶為例，8億；微信用戶更是10億。訂單表更夸張，比如美團外賣，每天都是幾千萬的訂單。淘寶的歷史訂單總量應該百億，甚至千億級別，這些海量數據遠不是一張表能Hold住的。事實上MySQL單表可以存儲10億級數據，只是這時候性能比較差，**業界公認MySQL單表容量在1KW以下是最佳狀態**，因為這時它的BTREE索引樹高在3~5之間。 既然一張表無法搞定，那么就想辦法將數據放到多個地方，目前比較普遍的方案有3個： 1. 分區； 2. 分庫分表； 3. NoSQL/NewSQL； 說明：只分庫，或者只分表，或者分庫分表融合方案都統一認為是分庫分表方案，因為分庫，或者分表只是一種特殊的分庫分表而已。NoSQL比較具有代表性的是MongoDB，es。NewSQL比較具有代表性的是TiDB。 ## Why Not NoSQL/NewSQL? 首先，為什么不選擇第三種方案NoSQL/NewSQL，我認為主要是RDBMS有以下幾個優點： - RDBMS生態完善； - RDBMS絕對穩定； - RDBMS的事務特性； NoSQL/NewSQL作為新生兒，在我們把可靠性當做首要考察對象時，它是無法與RDBMS相提并論的。RDBMS發展幾十年，只要有軟件的地方，它都是核心存儲的首選。 目前絕大部分公司的核心數據都是：以RDBMS存儲為主，NoSQL/NewSQL存儲為輔！互聯網公司又以MySQL為主，國企&銀行等不差錢的企業以Oracle/DB2為主！NoSQL/NewSQL宣傳的無論多牛逼，就現在各大公司對它的定位，都是RDBMS的補充，而不是取而代之！ ## Why Not 分區? 我們再看分區表方案。了解這個方案之前，先了解它的原理： > 分區表是由多個相關的底層表實現，這些底層表也是由句柄對象表示，所以我們也可以直接訪問各個分區，存儲引擎管理分區的各個底層表和管理普通表一樣（所有的底層表都必須使用相同的存儲引擎），分區表的索引只是在各個底層表上各自加上一個相同的索引，從存儲引擎的角度來看，底層表和一個普通表沒有任何不同，存儲引擎也無須知道這是一個普通表還是一個分區表的一部分。 事實上，這個方案也不錯，它對用戶屏蔽了sharding的細節，即使查詢條件沒有sharding column，它也能正常工作（只是這時候性能一般）。不過它的缺點很明顯：很多的資源都受到單機的限制，例如連接數，網絡吞吐等！雖然每個分區可以獨立存儲，但是分區表的總入口還是一個MySQL示例。從而導致它的并發能力非常一般，遠遠達不到互聯網高并發的要求！ 至于網上提到的一些其他缺點比如：無法使用外鍵，不支持全文索引。我認為這都不算缺點，21世紀的項目如果還是使用外鍵和數據庫的全文索引，我都懶得吐槽了！ 所以，如果使用分區表，你的業務應該具備如下兩個特點： 1. 數據不是海量（分區數有限，存儲能力就有限）； 2. 并發能力要求不高； ## Why 分庫分表? 最后要介紹的就是目前互聯網行業處理海量數據的通用方法：分庫分表。 雖然大家都是采用分庫分表方案來處理海量核心數據，但是還沒有一個一統江湖的中間件，筆者這里列舉一些有一定知名度的分庫分表中間件： * 阿里的TDDL，DRDS和cobar， * 開源社區的sharding-jdbc（3.x已經更名為sharding-sphere）； * 民間組織的MyCAT； * 360的Atlas； * 美團的zebra； > 備注：sharding-jdbc的作者張亮大神原來在當當，現在在京東金融。但是sharding-jdbc的版權屬于開源社區，不是公司的，也不是張亮個人的！ 其他比如網易，58，京東等公司都有自研的中間件。總之各自為戰，也可以說是百花齊放。 但是這么多的分庫分表中間件全部可以歸結為兩大類型： * CLIENT模式； * PROXY模式； CLIENT模式代表有阿里的TDDL，開源社區的sharding-jdbc（sharding-jdbc的3.x版本即sharding-sphere已經支持了proxy模式）。架構如下：  PROXY模式代表有阿里的cobar，民間組織的MyCAT。架構如下：  但是，無論是CLIENT模式，還是PROXY模式。幾個核心的步驟是一樣的：**SQL解析，重寫，路由，執行，結果歸并。 ** > 筆者比較傾向于CLIENT模式，架構簡單，性能損耗較小，運維成本低。 接下來，以幾個常見的大表為案例，說明分庫分表如何落地！ # 實戰案例 分庫分表第一步也是最重要的一步，即sharding column的選取，sharding column選擇的好壞將直接決定整個分庫分表方案最終是否成功。而sharding column的選取跟業務強相關，筆者認為選擇sharding column的方法最主要分析你的API流量，優先考慮流量大的API，將流量比較大的API對應的SQL提取出來，將這些SQL共同的條件作為sharding column。例如一般的OLTP系統都是對用戶提供服務，這些API對應的SQL都有條件用戶ID，那么，用戶ID就是非常好的sharding column。 這里列舉分庫分表的幾種主要處理思路： 1. 只選取一個sharding column進行分庫分表 ； 2. 多個sharding column多個分庫分表； 3. sharding column分庫分表 + es； ### 訂單表 訂單表幾個核心字段一般如下：  以阿里訂單系統為例（參考《企業IT架構轉型之道：阿里巴巴中臺戰略思想與架構實現》），它選擇了三個column作為三個獨立的sharding column，即：order_id，user_id，merchant_code。user_id和merchant_code就是買家ID和賣家ID，因為阿里的訂單系統中買家和賣家的查詢流量都比較大，并且查詢對實時性要求都很高。而根據order_id進行分庫分表，應該是根據order_id的查詢也比較多。 這里還有一點需要提及，多個sharding-column的分庫分表是冗余全量還是只冗余關系索引表，需要我們自己權衡。 冗余全量的情況如下--每個sharding列對應的表的數據都是全量的，這樣做的優點是不需要二次查詢，性能更好，缺點是比較浪費存儲空間（淺綠色字段就是sharding-column）：  冗余關系索引表的情況如下--只有一個sharding column的分庫分表的數據是全量的，其他分庫分表只是與這個sharding column的關系表，這樣做的優點是節省空間，缺點是除了第一個sharding column的查詢，其他sharding column的查詢都需要二次查詢，這三張表的關系如下圖所示（淺綠色字段就是sharding column）：  冗余全量表PK.冗余關系表 1. 速度對比：冗余全量表速度更快，冗余關系表需要二次查詢，即使有引入緩存，還是多一次網絡開銷； 2. 存儲成本：冗余全量表需要幾倍于冗余關系表的存儲成本； 3. 維護代價：冗余全量表維護代價更大，涉及到數據變更時，多張表都要進行修改。 > 總結：選擇冗余全量表還是索引關系表，這是一種架構上的trade off，兩者的優缺點明顯，阿里的訂單表是冗余全量表。 ### 用戶表 用戶表幾個核心字段一般如下：  一般用戶登錄場景既可以通過mobile_no，又可以通過email，還可以通過username進行登錄。但是一些用戶相關的API，又都包含user_id，那么可能需要根據這4個column都進行分庫分表，即4個列都是sharding-column。 ### 賬戶表 賬戶表幾個核心字段一般如下：  與賬戶表相關的API，一般條件都有account_no，所以以account_no作為sharding-column即可。 ### 復雜查詢 上面提到的都是條件中有sharding column的SQL執行。但是，總有一些查詢條件是不包含sharding column的，同時，我們也不可能為了這些請求量并不高的查詢，無限制的冗余分庫分表。那么這些條件中沒有sharding column的SQL怎么處理？以sharding-jdbc為例，有多少個分庫分表，就要并發路由到多少個分庫分表中執行，然后對結果進行合并。具體如何合并，可以看筆者sharding-jdbc系列文章，有分析源碼講解合并原理。 這種條件查詢相對于有sharding column的條件查詢性能很明顯會下降很多。如果有幾十個，甚至上百個分庫分表，只要某個表的執行由于某些因素變慢，就會導致整個SQL的執行響應變慢，這非常符合木桶理論。 更有甚者，那些運營系統中的模糊條件查詢，或者上十個條件篩選。這種情況下，即使單表都不好創建索引，更不要說分庫分表的情況下。那么怎么辦呢？這個時候大名鼎鼎的elasticsearch，即es就派上用場了。將分庫分表所有數據全量冗余到es中，將那些復雜的查詢交給es處理。 淘寶我的所有訂單頁面如下，篩選條件有多個，且商品標題可以模糊匹配，這即使是單表都解決不了的問題（索引滿足不了這種場景），更不要說分庫分表了：  所以，以訂單表為例，整個架構如下：  具體情況具體分析：多sharding column不到萬不得已的情況下最好不要使用，成本較大，上面提到的用戶表筆者就不太建議使用。因為用戶表有一個很大的特點就是它的上限是肯定的，即使全球70億人全是你的用戶，這點數據量也不大，所以筆者更建議采用單sharding column + es的模式簡化架構。 ### es+HBase簡要 這里需要提前說明的是，solr+HBase結合的方案在社區中出現的頻率可能更高，本篇文章為了保持一致性，所有全文索引方案選型都是es。至于es+HBase和solr+HBase孰優孰劣，或者說es和solr孰優孰劣，不是本文需要討論的范疇，事實上也沒有太多討論的意義。es和solr本就是兩個非常優秀且旗鼓相當的中間件。最近幾年es更火爆：  如果拋開選型過程中所有歷史包袱，單論es+HBase和solr+HBase的優劣，很明顯后者是更好的選擇。solr+HBase高度集成，引入索引服務后我們最關心，也是最重要的索引一致性問題，solr+HBase已經有了非常成熟的解決方案一一Lily HBase Indexer。 ### 延伸閱讀 阿里云上的云數據庫HBase版也是借助solr實現全文索引，有興趣的同學可以戳鏈接了解更多：https://help.aliyun.com/product/49055.html?spm=5176.124785.631202.con1.603452c0cz7bj2。  ### es+HBase原理 剛剛討論到上面的以MySQL為核心，分庫分表+es的方案，隨著數據量越來越來，雖然分庫分表可以繼續成倍擴容，但是這時候壓力又落到了es這里，這個架構也會慢慢暴露出問題！ 一般訂單表，積分明細表等需要分庫分表的核心表都會有好幾十列，甚至上百列（假設有50列），但是整個表真正需要參與條件索引的可能就不到10個條件（假設有10列）。這時候把50個列所有字段的數據全量索引到es中，對es集群有很大的壓力，后面的es分片故障恢復也會需要很長的時間。 這個時候我們可以考慮減少es的壓力，讓es集群有限的資源盡可能保存條件檢索時最需要的最有價值的數據，即只把可能參與條件檢索的字段索引到es中，這樣整個es集群壓力減少到原來的1/5（核心表50個字段，只有10個字段參與條件），而50個字段的全量數據保存到HBase中，這就是經典的es+HBase組合方案，即索引與數據存儲隔離的方案。 Hadoop體系下的HBase存儲能力我們都知道是海量的，而且根據它的rowkey查詢性能那叫一個快如閃電。而es的多條件檢索能力非常強大。這個方案把es和HBase的優點發揮的淋漓盡致，同時又規避了它們的缺點，可以說是一個揚長避免的最佳實踐。 它們之間的交互大概是這樣的：先根據用戶輸入的條件去es查詢獲取符合過濾條件的rowkey值，然后用rowkey值去HBase查詢，后面這一查詢步驟的時間幾乎可以忽略，因為這是HBase最擅長的場景，交互圖如下所示：  ### HBase檢索能力擴展  ## 總結 最后，對幾種方案總結如下（sharding column簡稱為sc）：  總之，對于海量數據，且有一定的并發量的分庫分表，絕不是引入某一個分庫分表中間件就能解決問題，而是一項系統的工程。需要分析整個表相關的業務，讓合適的中間件做它最擅長的事情。例如有sharding column的查詢走分庫分表，一些模糊查詢，或者多個不固定條件篩選則走es，海量存儲則交給HBase。 做了這么多事情后，后面還會有很多的工作要做，比如數據同步的一致性問題，還有運行一段時間后，某些表的數據量慢慢達到單表瓶頸，這時候還需要做冷數據遷移。總之，分庫分表是一項非常復雜的系統工程。任何海量數據的處理，都不是簡單的事情，做好戰斗的準備吧！