MySQL 分庫分表及其平滑擴容方案
作者：王克鋒
出處：https://kefeng.wang/2018/07/22/mysql-sharding/
版權：自由轉載-非商用-非衍生-保持署名，轉載請標明作者和出處。
1 分庫分表概述
在業務量不大時，單庫單表即可支撐。
當數據量過大存儲不下、或者併發量過大負荷不起時，就要考慮分庫分表。
1.1 分庫分表相關術語
- 讀寫分離: 不同的數據庫，同步相同的數據，分別只負責數據的讀和寫；
- 分區: 指定分區列表達式，把記錄拆分到不同的區域中(必須是同一服務器，可以是不同硬盤)，應用看來還是同一張表，沒有變化；
- 分庫：一個系統的多張數據表，存儲到多個數據庫實例中；
- 分表: 對於一張多行(記錄)多列(字段)的二維數據表，又分兩種情形：
(1) 垂直分表: 豎向切分，不同分表存儲不同的字段，可以把不常用或者大容量、或者不同業務的字段拆分出去；
(2) 水平分表(最複雜): 橫向切分，按照特定分片算法，不同分表存儲不同的記錄。
1.2 真的要採用分庫分表？
需要注意的是，分庫分表會爲數據庫維護和業務邏輯帶來一系列複雜性和性能損耗，除非預估的業務量大到萬不得已，切莫過度設計、過早優化。
規劃期內的數據量和性能問題，嘗試能否用下列方式解決：
- 當前數據量：如果沒有達到幾百萬，通常無需分庫分表；
- 數據量問題：增加磁盤、增加分庫(不同的業務功能表，整表拆分至不同的數據庫)；
- 性能問題：升級CPU/內存、讀寫分離、優化數據庫系統配置、優化數據表/索引、優化 SQL、分區、數據表的垂直切分；
- 如果仍未能奏效，才考慮最複雜的方案：數據表的水平切分。
2 全局ID生成策略
2.1 自動增長列
優點：數據庫自帶功能，有序，性能佳。
缺點：單庫單表無妨，分庫分表時如果沒有規劃，ID可能重複。解決方案：
2.1.1 設置自增偏移和步長
## 假設總共有 10 個分表
## 級別可選: SESSION(會話級), GLOBAL(全局)
SET @@SESSION.auto_increment_offset = 1; ## 起始值, 分別取值爲 1~10
SET @@SESSION.auto_increment_increment = 10; ## 步長增量- 1
- 2
- 3
- 4
如果採用該方案，在擴容時需要遷移已有數據至新的所屬分片。
2.1.2 全局ID映射表
在全局 Redis 中爲每張數據表創建一個 ID 的鍵，記錄該表當前最大 ID；
每次申請 ID 時，都自增 1 並返回給應用；
Redis 要定期持久至全局數據庫。
2.2 UUID(128位)
在一臺機器上生成的數字，它保證對在同一時空中的所有機器都是唯一的。通常平臺會提供生成UUID的API。
UUID 由4個連字號(-)將32個字節長的字符串分隔後生成的字符串，總共36個字節長。形如：550e8400-e29b-41d4-a716-446655440000。
UUID 的計算因子包括：以太網卡地址、納秒級時間、芯片ID碼和許多可能的數字。
UUID 是個標準，其實現有幾種，最常用的是微軟的 GUID(Globals Unique Identifiers)。
優點：簡單，全球唯一；
缺點：存儲和傳輸空間大，無序，性能欠佳。
2.3 COMB(組合)
參考資料：The Cost of GUIDs as Primary Keys
組合 GUID(10字節) 和時間(6字節)，達到有序的效果，提高索引性能。
2.4 Snowflake(雪花) 算法
參考資料：twitter/snowflake，Snowflake 算法詳解
Snowflake 是 Twitter 開源的分佈式 ID 生成算法，其結果爲 long(64bit) 的數值。
其特性是各節點無需協調、按時間大致有序、且整個集羣各節點單不重複。
該數值的默認組成如下(符號位之外的三部分允許個性化調整)：
- 1bit: 符號位，總是 0(爲了保證數值是正數)。
- 41bit: 毫秒數(可用 69 年)；
- 10bit: 節點ID(5bit數據中心 + 5bit節點ID，支持 32 * 32 = 1024 個節點)
- 12bit: 流水號(每個節點每毫秒內支持 4096 個 ID，相當於 409萬的 QPS，相同時間內如 ID 遇翻轉，則等待至下一毫秒)
3 分片策略
3.1 連續分片
根據特定字段(比如用戶ID、訂單時間)的範圍，值在該區間的，劃分到特定節點。
優點：集羣擴容後，指定新的範圍落在新節點即可，無需進行數據遷移。
缺點：如果按時間劃分，數據熱點分佈不均(歷史數冷當前數據熱)，導致節點負荷不均。
3.3 ID取模分片
缺點：擴容後需要遷移數據。
3.2 一致性Hash算法
優點：擴容後無需遷移數據。
3.4 Snowflake 分片
優點：擴容後無需遷移數據。
4 分庫分表引入的問題
4.1 分佈式事務
參見 分佈式事務的解決方案
由於兩階段/三階段提交對性能損耗大，可改用事務補償機制。
4.2 跨節點 JOIN
對於單庫 JOIN，MySQL 原生就支持；
對於多庫，出於性能考慮，不建議使用 MySQL 自帶的 JOIN，可以用以下方案避免跨節點 JOIN：
- 全局表: 一些穩定的共用數據表，在各個數據庫中都保存一份；
- 字段冗餘: 一些常用的共用字段，在各個數據表中都保存一份；
- 應用組裝：應用獲取數據後再組裝。
另外，某個 ID 的用戶信息在哪個節點，他的關聯數據(比如訂單)也在哪個節點，可以避免分佈式查詢。
4.3 跨節點聚合
只能在應用程序端完成。
但對於分頁查詢，每次大量聚合後再分頁，性能欠佳。
4.4 節點擴容
節點擴容後，新的分片規則導致數據所屬分片有變，因而需要遷移數據。
5 節點擴容方案
相關資料: 數據庫秒級平滑擴容架構方案
5.1 常規方案
如果增加的節點數和擴容操作沒有規劃，那麼絕大部分數據所屬的分片都有變化，需要在分片間遷移：
- 預估遷移耗時，發佈停服公告；
- 停服(用戶無法使用服務)，使用事先準備的遷移腳本，進行數據遷移；
- 修改爲新的分片規則；
- 啓動服務器。
5.2 免遷移擴容
採用雙倍擴容策略，避免數據遷移。擴容前每個節點的數據，有一半要遷移至一個新增節點中，對應關係比較簡單。
具體操作如下(假設已有 2 個節點 A/B，要雙倍擴容至 A/A2/B/B2 這 4 個節點)：
- 無需停止應用服務器；
- 新增兩個數據庫 A2/B2 作爲從庫，設置主從同步關係爲：A=>A2、B=>B2，直至主從數據同步完畢(早期數據可手工同步)；
- 調整分片規則並使之生效：
原ID%2=0 => A改爲ID%4=0 => A, ID%4=2 => A2；
原ID%2=1 => B改爲ID%4=1 => B, ID%4=3 => B2。 - 解除數據庫實例的主從同步關係，並使之生效；
- 此時，四個節點的數據都已完整，只是有冗餘(多存了和自己配對的節點的那部分數據)，擇機清除即可(過後隨時進行，不影響業務)。
6 分庫分表方案
6.1 代理層方式
部署一臺代理服務器僞裝成 MySQL 服務器，代理服務器負責與真實 MySQL 節點的對接，應用程序只和代理服務器對接。對應用程序是透明的。
比如 MyCAT，官網，源碼，參考文檔：MyCAT+MySQL 讀寫分離部署
MyCAT 後端可以支持 MySQL, SQL Server, Oracle, DB2, PostgreSQL等主流數據庫，也支持MongoDB這種新型NoSQL方式的存儲，未來還會支持更多類型的存儲。
MyCAT 不僅僅可以用作讀寫分離，以及分表分庫、容災管理，而且可以用於多租戶應用開發、雲平臺基礎設施，讓你的架構具備很強的適應性和靈活性。
6.2 應用層方式
處於業務層和 JDBC 層中間，是以 JAR 包方式提供給應用調用，對代碼有侵入性。主要方案有：
(1)淘寶網的 TDDL: 已於 2012 年關閉了維護通道，建議不要使用。
(2)噹噹網的 Sharding-JDBC: 仍在活躍維護中：
是噹噹應用框架 ddframe 中，從關係型數據庫模塊 dd-rdb 中分離出來的數據庫水平分片框架，實現透明化數據庫分庫分表訪問，實現了 Snowflake 分片算法；
Sharding-JDBC定位爲輕量Java框架，使用客戶端直連數據庫，無需額外部署，無其他依賴，DBA也無需改變原有的運維方式。
Sharding-JDBC分片策略靈活，可支持等號、between、in等多維度分片，也可支持多分片鍵。
SQL解析功能完善，支持聚合、分組、排序、limit、or等查詢，並支持Binding Table以及笛卡爾積表查詢。
Sharding-JDBC直接封裝JDBC API，可以理解爲增強版的JDBC驅動，舊代碼遷移成本幾乎爲零：
- 可適用於任何基於Java的ORM框架，如JPA、Hibernate、Mybatis、Spring JDBC Template或直接使用JDBC。
- 可基於任何第三方的數據庫連接池，如DBCP、C3P0、 BoneCP、Druid等。
- 理論上可支持任意實現JDBC規範的數據庫。雖然目前僅支持MySQL，但已有支持Oracle、SQLServer等數據庫的計劃。
<script>
(function(){
function setArticleH(btnReadmore,posi){
var winH = $(window).height();
var articleBox = $("div.article_content");
var artH = articleBox.height();
if(artH > winH*posi){
articleBox.css({
'height':winH*posi+'px',
'overflow':'hidden'
})
btnReadmore.click(function(){
if(typeof window.localStorage === "object" && typeof window.csdn.anonymousUserLimit === "object"){
if(!window.csdn.anonymousUserLimit.judgment()){
window.csdn.anonymousUserLimit.Jumplogin();
return false;
}else if(!currentUserName){
window.csdn.anonymousUserLimit.updata();
}
}
articleBox.removeAttr("style");
$(this).parent().remove();
})
}else{
btnReadmore.parent().remove();
}
}
var btnReadmore = $("#btn-readmore");
if(btnReadmore.length>0){
if(currentUserName){
setArticleH(btnReadmore,3);
}else{
setArticleH(btnReadmore,1.2);
}
}
})()
</script>
</article>