这四种情况下才是考虑分库分表的时候.docx
- 文档编号:4985557
- 上传时间:2022-12-12
- 格式:DOCX
- 页数:10
- 大小:152.09KB
这四种情况下才是考虑分库分表的时候.docx
《这四种情况下才是考虑分库分表的时候.docx》由会员分享,可在线阅读,更多相关《这四种情况下才是考虑分库分表的时候.docx(10页珍藏版)》请在冰豆网上搜索。
这四种情况下才是考虑分库分表的时候
这四种情况下,才是考虑分库分表的时候!
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添加,进而靠近甚至达到数据库可承载的活跃连接数的阈值。
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(并发量、吞吐量、崩溃)。
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,每次查询会产生大量的IO,降低查询速度->分库和垂直分表
∙其次种:
网络IO瓶颈,恳求的数据太多,网络带宽不够->分库
CPU瓶颈
∙第一种:
SQl问题:
如SQL中包含join,groupby,orderby,非索引字段条件查询等,添加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。
∙其次种:
单表数据量太大,查询时扫描的行太多,SQl效率低,添加CPU运算的操作。
->水平分表。
水平分库
∙1、概念:
以字段为依据,依据肯定策略(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
▪每个库中的数据不一样,没有交集
▪全部库的数据并集是全量数据
∙3、场景:
系统确定并发量上来了,分表难以根本上处理问题,并且还没有明显的业务归属来垂直分库的情况下。
∙4、分析:
库多了,io和cpu的压力自然可以成倍缓解
水平分表
∙1、概念:
以字段为依据,依据肯定策略(hash、range等),讲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
▪每个表的数据不一样,没有交集,全部表的并集是全量数据。
∙3、场景:
系统确定并发量没有上来,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,可以考虑水平分表。
∙4、分析:
单表的数据量少了,单次执行SQL执行效率高了,自然减轻了CPU的负担。
垂直分库
∙1、概念:
以表为依据,依据业务归属不同,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
▪全部库的并集是全量数据
∙3、场景:
系统确定并发量上来了,并且可以笼统出单独的业务模块的情况下。
∙4、分析:
到这一步,基本上就可以服务化了。
例如:
随着业务的进展,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。
再者,随着业务的进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。
垂直分表
∙1、概念:
以字段为依据,依据字段的活跃性,将表中字段拆到不同的表中(主表和扩展表)。
∙2、结果:
▪每个表的结构不一样。
▪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。
▪全部表的并集是全量数据。
∙3、场景:
系统确定并发量并没有上来,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削减,查询时回去读磁盘数据产生大量随机读IO,产生IO瓶颈。
∙4、分析:
可以用列表页和详情页来挂念理解。
垂直分表的拆分准绳是将热点数据(可能经常会查询的数据)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,进而削减了随机读IO。
拆了之后,要想猎取全部数据就需要关联两个表来取数据。
但记住千万别用join,由于Join不只会添加CPU负担并且会将两个表耦合在一起(必需在一个数据库实例上)。
关联数据应当在service层进行,分别猎取主表和扩展表的数据,然后用关联字段关联得到全部数据。
分库分表工具
∙sharding-jdbc(当当)
∙TSharding(蘑菇街)
∙Atlas(奇虎360)
∙Cobar(阿里巴巴)
∙MyCAT(基于Cobar)
∙Oceanus(58同城)
∙Vitess(谷歌)各种工具的利弊自查
分库分表带来的问题
分库分表能有效缓解单机和单表带来的功能瓶颈和压力,突破网络IO、硬件资源、连接数的瓶颈,同时也带来一些问题,下面将描述这些问题和处理思路。
事务全都性问题
分布式事务
当更新内容同时存在于不同库找那个,不行避开会带来跨库事务问题。
跨分片事务也是分布式事务,没有简约的方案,一般可使用“XA协议”和“两阶段提交”处理。
分布式事务能最大限度保证了数据库操作的原子性。
但在提交事务时需要协调多个节点,推后了提交事务的时间点,延长了事务的执行时间,导致事务在访问共享资源时发生冲突或死锁的概率增高。
随着数据库节点的增多,这种趋势会越来越严峻,从而成为系统在数据库层面上水平扩展的枷锁。
最终全都性
对于那些功能要求很高,但对全都性要求不高的系统,往往不苛求系统的实时全都性,只需在允许的时间段内达到最终全都性即可,可接受事务补偿的方式。
与事务在执行中发生错误马上回滚的方式不同,事务补偿是一种事后检查补救的措施,一些常见的实现方法有:
对数据进行对账检查,基于日志进行对比,定期同标准数据来源进行同步等。
跨节点关联查询join问题
切分之前,系统中很多列表和详情表的数据可以通过join来完成,但是切分之后,数据可能分布在不同的节点上,此时join带来的问题就比较麻烦了,考虑到功能,尽量避开使用Join查询。
处理的一些方法:
全局表
全局表,也可看做“数据字典表”,就是系统中全部模块都可能依靠的一些表,为了避开库join查询,可以将这类表在每个数据库中都保存一份。
这些数据通常很少修改,所以不必担忧全都性的问题。
字段冗余
一种典型的反范式设计,利用空间换时间,为了功能而避开join查询。
例如,订单表在保存userId的时候,也将userName也冗余的保存一份,这样查询订单详情顺表就可以查到用户名userName,就不用查询买家user表了。
但这种方法适用场景也有限,比较适用依靠字段比较少的情况,而冗余字段的全都性也较难保证。
数据组装
在系统service业务层面,分两次查询,第一次查询的结果集找出关联的数据id,然后依据id发起器二次恳求得到关联数据,最终将获得的结果进行字段组装。
这是比较常用的方法。
ER分片
关系型数据库中,假如已经确定了表之间的关联关系(如订单表和订单详情表),并且将那些存在关联关系的表记录存放在同一个分片上,那么就能较好地避开跨分片join的问题,可以在一个分片内进行join。
在1:
1或1:
n的情况下,通常依据主表的ID进行主键切分。
跨节点分页、排序、函数问题
跨节点多库进行查询时,会消灭limit分页、orderby排序等问题。
分页需要依据指定字段进行排序,当排序字段就是分页字段时,通过分片规章就比较简商定位到指定的分片;当排序字段非分片字段时,就变得比较简单.
需要先在不同的分片节点中将数据进行排序并前往,然后将不同分片前往的结果集进行汇总和再次排序,最终前往给用户如下图:
上图只是取第一页的数据,对功能影响还不是很大。
但是假如取得页数很大,情况就变得简单的多,由于各分片节点中的数据可能是随机的,为了排序的精确 性,需要将全部节点的前N页数据都排序好做合并,最终再进行全体排序,这样的操作很耗费CPU和内存资源,所以页数越大,系统功能就会越差。
在使用Max、Min、Sum、Count之类的函数进行计算的时候,也需要先在每个分片上执行相应的函数,然后将各个分片的结果集进行汇总再次计算。
全局主键避重问题
在分库分表环境中,由于表中数据同时存在不同数据库中,主键值平常使用的自增长将无用武之地,某个分区数据库自生成ID无法保证全局独一。
因而需要单独设计全局主键,避开跨库主键反复问题。
这里有一些策略:
UUID
UUID标准方式是32个16进制数字,分为5段,方式是8-4-4-4-12的36个字符。
UUID是最简约的方案,本地生成,功能高,没有网络耗时,但是缺点明显,占用存储空间多,另外作为主键建立索引和基于索引进行查询都存在功能问题,尤其是InnoDb引擎下,UUID的无序性会导致索引位置频繁变动,导致分页。
结合数据库维护主键ID表
在数据库中建立sequence表:
CREATE TABLE `sequence` (
`id` bigint(20) unsigned NOT NULL auto_increment,
`stub` char
(1) NOT NULL default '',
PRIMARY KEY (`id`),
UNIQUE KEY `stub` (`stub`)
) ENGINE=MyISAM;
stub字段设置为独一索引,同一stub值在sequence表中只要一条记录,可以同时为多张表生辰全局ID。
使用MyISAM引擎而不是InnoDb,已获得更高的功能。
MyISAM使用的是表锁,对表的读写是串行的,所以不用担忧并发时两次读取同一个ID。
当需要全局独一的ID时,执行:
REPLACE INTO sequence (stub) VALUES ('a');
SELECT 1561439;
此方案较为简约,但缺点较为明显:
存在单点问题,强依靠DB,当DB特别时,整个系统不行用。
配置主从可以添加可用性。
另外功能瓶颈限制在单台Mysql的读写功能。
另有一种主键生成策略,类似sequence表方案,更好的处理了单点和功能瓶颈问题。
这一方案的全体思想是:
建立2个以上的全局ID生成的服务器,每个服务器上只部署一个数据库,每个库有一张sequence表用于记录当前全局ID。
表中增长的步长是库的数量,起始值依次错开,这样就能将ID的生成散列到各个数据库上
这种方案将生成ID的压力均匀分布在两台机器上,同时供应了系统容错,第一台消灭了错误,可以自动切换到其次台猎取ID。
但有几个缺点:
系统添加机器,水平扩展较简单;每次猎取ID都要读取一次DB,DB的压力还是很大,只能通过堆机器来提升功能。
Snowflake分布式自增ID算法
Twitter的snowfalke算法处理了分布式系统生成全局ID的需求,生成64位Long型数字,组成部分:
∙第一位未使用
∙接下来的41位是毫秒级时间,41位的长度可以表示69年的时间
∙5位datacenterId,5位workerId。
10位长度最多支持部署1024个节点
∙最终12位是毫秒内计数,12位的计数挨次号支持每个节点每毫秒产生4096个ID序列。
数据迁移、扩容问题
当业务高速进展、面临功能和存储瓶颈时,才会考虑分片设计,此时就不行避开的需要考虑历史数据的迁移问题。
一般做法是先读出历史数据,然后依据指定的分片规章再将数据写入到各分片节点中。
此外还需要依据当前的数据量个QPS,以及业务进展速度,进行容量规划,推算出或许需要多少分片(一般建议单个分片的单表数据量不超过1000W)。
什么时候考虑分库分表
∙能不分就不分
并不是全部表都需要切分,次要还是看数据的增长速度。
切分后在某种程度上提升了业务的简单程度。
不到万不得已不要轻易使用分库分表这个“大招”,避开“过度设计”和“过早优化”。
分库分表之前,先尽力做力所能及的优化:
升级硬件、升级网络、读写分别、索引优化等。
当数据量达到单表瓶颈后,在考虑分库分表。
∙数据量过大,正常运维影响业务访问
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 这四种 情况 才是 考虑 分库分表 时候
![提示](https://static.bdocx.com/images/bang_tan.gif)