一文读懂数据库优化之分库分表

见贤思齐

作者：tayroctang，腾讯PCG后台开发工程师本文从5W1H角度介绍了分库分表手段，其在解决如IO瓶颈、读写性能、物理存储瓶颈、内存瓶颈、单机故障影响面等问题的同时也带来如事务性、主键冲突、跨库join、跨库聚合查询等问题。anyway，在综合业务场景考虑，正如缓存的使用一样，本着非必须勿使用原则。如数据库确实成为性能瓶颈时，在设计分库分表方案时也应充分考虑方案的扩展性，或者考虑采用成熟热门的分布式数据库解决方案，如TiDB。阅读此文你将了解：什么是分库分表以及为什么分库分表如何分库分表分库分表常见几种方式以及优缺点如何选择分库分表的方式数据库常见优化方案对于后端程序员来说，绕不开数据库的使用与方案选型，那么随着业务规模的逐渐扩大，其对于存储的使用上也需要随之进行升级和优化。随着规模的扩大，数据库面临如下问题：读压力：并发QPS、索引不合理、SQL语句不合理、锁粒度写压力：并发QPS、事务、锁粒度物理性能：磁盘瓶颈、CPU瓶颈、内存瓶颈、IO瓶颈其他：宕机、网络异常面对上述问题，常见的优化手段有：索引优化、主从同步、缓存、分库分表每个技术手段都可以作为一个专题进行讲解，本文主要介绍分库分表的技术方案实现。什么是分库分表？对于阅读本文的读者来说，分库分表概念应该并不会陌生，其拆开来讲是分库和分表两个手段：分表：将一个表中的数据按照某种规则分拆到多张表中，降低锁粒度以及索引树，提升数据查询效率。分库：将一个数据库中的数据按照某种规则分拆到多个数据库中，以缓解单服务器的压力（CPU、内存、磁盘、IO）。为什么分库分表？性能角度：CPU、内存、磁盘、IO瓶颈随着业务体量扩大，数据规模达到百万行，数据库索引树庞大，查询性能出现瓶颈。用户并发流量规模扩大，由于单库(单服务器)物理性能限制也无法承载大流量。可用性角度：单机故障率影响面如果是单库，数据库宕机会导致100%服务不可用，N库则可以将影响面降低N倍。分库分表带来的问题？事务性问题方案一：在进行分库分表方案设计过程中，从业务角度出发，尽可能保证一个事务所操作的表分布在一个库中，从而实现数据库层面的事务保证。方案二：方式一无法实现的情况下，业务层引入分布式事务组件保证事务性，如事务性消息、TCC、Seata等分布式事务方式实现数据最终一致性。分库可能导致执行一次事务所需的数据分布在不同服务器上，数据库层面无法实现事务性操作，需要更上层业务引入分布式事务操作，难免会给业务带来一定复杂性，那么要想解决事务性问题一般有两种手段：主键(自增ID)唯一性问题在数据库表设计时，经常会使用自增ID作为数据主键，这就导致后续在迁库迁表、或者分库分表操作时，会因为主键的变化或者主键不唯一产生冲突，要解决主键不唯一问题，有如下方案：方案一：自增ID做主键时，设置自增步长，采用等差数列递增，避免各个库表的主键冲突。但是这个方案仍然无法解决迁库迁表、以及分库分表扩容导致主键ID变化问题方案二：主键采用全局统一ID生成机制：如UUID、雪花算法、数据库号段等方式。跨库多表join问题首先来自大厂DBA的建议是，线上服务尽可能不要有表的join操作，join操作往往会给后续的分库分表操作带来各种问题，可能导致数据的死锁。可以采用多次查询业务层进行数据组装(需要考虑业务上多次查询的事务性的容忍度)跨库聚合查询问题分库分表会导致常规聚合查询操作，如groupby，orderby等变的异常复杂。需要复杂的业务代码才能实现上述业务逻辑，其常见操作方式有：§方案一：赛道赛马机制，每次从N个库表中查询出TOPN数据，然后在业务层代码中进行聚合合并操作。§  假设： 以2库1表为例，每次分页查询N条数据。§§  第一次查询：§  ① 每个表中分别查询出N条数据：§  SELECT * FROM db1_table1 where $col > 0 order by $col   LIMITT  0,N§  SELECT * FROM db2_table1 where $col > 0 order by $col   LIMITT  0,N§  ② 业务层代码对上述两者做归并排序，假设最终取db1数据K1条，取db2数据K2条，则K1+K2 = N§  此时的DB1 可以计算出OffSet为K1 ，DB2计算出Offset为K2§  将获取的N条数据以及相应的OffsetK1/K2返回给 端上。§§  第二次查询：§  ① 端上将上一次查询对应的数据库的Offset  K1/K2 传到后端§  ② 后端根据Offset构造查询语句查询分别查询出N条语句§  SELECT * FROM db1_table1 where $col > 0 order by $col   LIMITT  $K1,N§  SELECT * FROM db2_table1 where $col > 0 order by $col   LIMITT  $K2,N§  ③ 再次使用归并排序，获取TOPN数据，将获取的N条数据以及相应的OffsetK1/K2返回给 端上。§§  第三次查询:依次类推.......§方案二：可以将经常使用到groupby,orderby字段存储到一个单一库表(可以是REDIS、ES、MYSQL)中，业务代码中先到单一表中根据查询条件查询出相应数据，然后根据查询到的主键ID，到分库分表中查询详情进行返回。2次查询操作难点会带来接口耗时的增加，以及极端情况下的数据不一致问题。什么是好的分库分表方案？满足业务场景需要：根据业务场景的不同选择不同分库分表方案：比如按照时间划分、按照用户ID划分、按照业务能力划分等方案可持续性：何为可持续性？其实就是：业务数据量级和流量量级未来进一步达到新的量级的时候，我们的分库分表方案可以持续灵活扩容处理。最小化数据迁移：扩容时一般涉及到历史数据迁移，其扩容后需要迁移的数据量越小其可持续性越强，理想的迁移前后的状态是（同库同表>同表不同库>同库不同表>不同库不同表）数据偏斜：数据在库表中分配的均衡性，尽可能保证数据流量在各个库表中保持等量分配，避免热点数据对于单库造成压力。最大数据偏斜率：（数据量最大样本-数据量最小样本）/数据量最小样本。一般来说，如果我们的最大数据偏斜率在5%以内是可以接受的。如何分库分表垂直拆分：垂直拆表即大表拆小表，将一张表中数据不同”字段“分拆到多张表中，比如商品库将商品基本信息、商品库存、卖家信息等分拆到不同库表中。考虑因素有将不常用的，数据较大，长度较长（比如text类型字段）的拆分到“扩展表“，表和表之间通过”主键外键“进行关联。好处：降低表数据规模，提升查询效率，也避免查询时数据量太大造成的“跨页”问题。垂直拆库垂直拆库则在垂直拆表的基础上，将一个系统中的不同业务场景进行拆分，比如订单表、用户表、商品表。好处：降低单数据库服务的压力（物理存储、内存、IO等）、降低单机故障的影响面水平拆分：操作：将总体数据按照某种维度(时间、用户)等分拆到多个库中或者表中，典型特征不同的库和表结构完全一下，如订单按照(日期、用户ID、区域)分库分表。水平拆表将数据按照某种维度拆分为多张表，但是由于多张表还是从属于一个库，其降低锁粒度，一定程度提升查询性能，但是仍然会有IO性能瓶颈。水平拆库将数据按照某种维度分拆到多个库中，降低单机单库的压力，提升读写性能。常见水平拆分手段range分库分表顾名思义，该方案根据数据范围划分数据的存放位置。思路一：时间范围分库分表举个最简单例子，我们可以把订单表按照年份为单位，每年的数据存放在单独的库（或者表）中。时下非常流行的分布式数据库：TiDB数据库，针对TiKV中数据的打散，也是基于Range的方式进行，将不同范围内的[StartKey,EndKey)分配到不同的Region上。缺点：需要提前建库或表。数据热点问题：当前时间的数据会集中落在某个库表。分页查询问题：涉及到库表中间分界线查询较复杂。例子：交易系统流水表则是按照天级别分表。hash分库分表hash分表是使用最普遍的使用方式，其根据“主键”进行hash计算数据存储的库表索引。原理可能大家都懂，但有时拍脑袋决定的分库分表方案可能会导致严重问题。思路一：独立hash对于分库分表，最常规的一种思路是通过主键计算hash值，然后hash值分别对库数和表数进行取余操作获取到库索引和表索引。比如：电商订单表，按照用户ID分配到10库100表中。const (        // DbCnt 库数量        DbCnt = 10        // TableCnt 表数量        TableCnt = 100)// GetTableIdx 根据用户 ID 获取分库分表索引func GetTableIdx(userID int64) (int64, int64) {    hash := hashCode(userID)        return hash % DbCnt, hash % TableCnt}上述是伪代码实现，大家可以先思考一下上述代码可能会产生什么问题？比如1000?1010?，1020库表索引是多少？思考一下........思考一下........思考一下........思考一下........思考一下........思考一下........答：数据偏斜问题。非互质关系导致的数据偏斜问题证明：假设分库数分表数最大公约数为a，则分库数表示为 m*a , 分表数为 n*a （m,n为正整数）某条数据的hash规则计算的值为H，若某条数据在库D中，则H mod (m*a) == D 等价与  H=M*m*a+D （M为整数）则表序号为 T = H % (n*a) = (M*m*a+D)%(n*a)如果D==0 则T= [(M*m)%n]*a思路二：统一hash思路一中，由于库和表的hash计算中存在公共因子，导致数据偏斜问题，那么换种思考方式：10个库100张表，一共1000张表，那么从0到999排序，根据hash值对1000取余，得到[0,999]的索引，似乎就可以解决数据偏斜问题：// GetTableIdx 根据用户 ID 获取分库分表索引// 例子：1123011->1,1func GetTableIdx(userID int64) (int64, int64) {    hash := hashCode(userID)    slot := DbCnt * TableCnt        return hash % slot % DbCnt, hash % slot / DbCnt}上面会带来的问题？比如1123011号用户，扩容前是1库1表，扩容后是0库11表扩展性问题证明。某条数据的hash规则计算的值为H，分库数为D，分表数为T扩容前：分片序号K1 = H % (D*T),则H = M*DT + K1 ，且K1 一定是小于（D*T）D1 = K1 % DT1 = K1 / D扩容后：如果M为偶数，即M= 2*NK2 = H% (2DT) = (2NDT+K1)%(2DT) = K1%(2DT) ,K1 一定小于（2DT）,所以K2=K1D2 = K2%（2D） = K1 %（2D）T2 = K2/(2D) = K1 / （2D）如果M为奇数，即M = 2*N+1K2 = H%（2DT） = (2NDT +DT +K1)%(2DT) = (DT+K1)%(2DT) = DT + K1D2 = K2 %(2D) = (DT+K1) % (2D)T2 = K2 /(2D) = (DT+K1) / (2D)结论：扩容后库序号和表序号都变化思路三：二次分片法思路二中整体思路正确，只是最后计算库序号和表序号的时候，使用了库数量作为影响表序号的因子，导致扩容时表序号偏移而无法进行。事实上，我们只需要换种写法，就能得出一个比较大众化的分库分表方案。func GetTableIdx(userId int64){        //①算Hash        hash:=hashCode(userId)        //②分片序号        slot:=hash%(DbCnt*TableCnt)        //③重新修改二次求值方案        dbIdx:=slot/TableCnt        tblIdx:=slot%TableCnt        return dbIdx,tblIdx}从上述代码中可以看出，其唯一不同是在计算库索引和表索引时，采用TableCnt作为基数（注：扩容操作时，一般采用库个数2倍扩容），这样在扩容时，表个数不变，则表索引不会变。可以做简要的证明：某条数据的hash规则计算的值为H，分库数为D，分表数为T扩容前：分片序号K1 = H % (D*T),则H =  M*DT + K1 ，且K1 一定是小于（D*T）D1 = K1 / TT1 = K1 % T扩容后：如果M为偶数，即M= 2*NK2 =  H% (2DT) = (2NDT+K1)%(2DT) = K1%(2DT) ,K1 一定小于（2DT）,所以K2=K1D2 = K2/T  = K1 /T = D1T2 = K2%T = K1 % T = T1如果M为奇数，即M = 2*N+1K2 = H%（2DT） = (2NDT +DT +K1)%(2DT) = (DT+K1)%(2DT) = DT + K1D2 = K2 /T = (DT+K1) / T = D + K1/T = D + D1T2 = K2 %T = (DT+K1) % T = K1 %T = T1结论：M为偶数时，扩容前后库序号和表序号都不变M为奇数时，扩容前后表序号不变，库序号会变化。思路四：基因法由思路二启发，我们发现案例一不合理的主要原因，就是因为库序号和表序号的计算逻辑中，有公约数这个因子在影响库表的独立性。那么我们是否可以换一种思路呢？我们使用相对独立的Hash值来计算库序号和表序号呢？func GetTableIdx(userID int64)(int64,int64){        hash := hashCode(userID)        return atoi(hash[0:4]) % DbCnt,atoi(hash[4:])%TableCnt}这也是一种常用的方案，我们称为基因法，即使用原分片键中的某些基因（例如前四位）作为库的计算因子，而使用另外一些基因作为表的计算因子。在使用基因法时，要主要计算hash值的片段保持充分的随机性，避免造成严重数据偏斜问题。思路五：关系表冗余按照索引的思想，可以通过分片的键和库表索引建立一张索引表，我们把这张索引表叫做“路由关系表”。每次查询操作，先去路由表中查询到数据所在的库表索引，然后再到库表中查询详细数据。同时，对于写入操作可以采用随机选择或者顺序选择一个库表进入写入。那么由于路由关系表的存在，我们在数据扩容时，无需迁移历史数据。同时，我们可以为每个库表指定一个权限，通过权重的比例调整来调整每个库表的写入数据量。从而实现库表数据偏斜率调整。此种方案的缺点是每次查询操作，需要先读取一次路由关系表，所以请求耗时可能会有一定增加。本身由于写索引表和写库表操作是不同库表写操作，需要引入分布式事务保证数据一致性，极端情况可能带来数据的不一致。且索引表本身没有分库分表，自身可能会存在性能瓶颈，可以通过存储在redis进行优化处理。思路六：分段索引关系表思路五中，需要将全量数据存在到路由关系表中建立索引，再结合range分库分表方案思想，其实有些场景下完全没有必要全部数据建立索引，可以按照号段式建立区间索引，我们可以将分片键的区间对应库的关系通过关系表记录下来，每次查询操作，先去路由表中查询到数据所在的库表索引，然后再到库表中查询详细数据。思路七：一致性Hash法一致性Hash算法也是一种比较流行的集群数据分区算法，比如RedisCluster即是通过一致性Hash算法，使用16384个虚拟槽节点进行每个分片数据的管理。关于一致性Hash的具体原理这边不再重复描述，读者可以自行翻阅资料。其思想和思路五有异曲同工之妙。总结本文从5W1H角度介绍了分库分表手段，其在解决如IO瓶颈、读写性能、物理存储瓶颈、内存瓶颈、单机故障影响面等问题的同时，也带来如事务性、主键冲突、跨库join、跨库聚合查询等问题。anyway，在综合业务场景考虑，正如缓存的使用一样，非必须使用分库分表，则不应过度设计采用分库分表方案。如数据库确实成为性能瓶颈时，在设计分库分表方案时也应充分考虑方案的扩展性。或者说可以考虑采用成熟热门的分布式数据库解决方案，如TiDB。左下角阅读原文也可直达