數據切分
關係型數據庫本身比較容易成爲系統瓶頸,單機存儲容量、連接數、處理能力都有限。
當單表的數據量達到 1000W 或 100G 以後,由於查詢維度較多,即使添加從庫、優化索引,做很多操作時性能仍下降嚴重。
此時就要考慮對其進行切分了,切分的目的就在於減少數據庫的負擔,縮短查詢時間。
數據庫分佈式核心內容無非就是數據切分(Sharding),以及切分後對數據的定位、整合。
數據切分就是將數據分散存儲到多個數據庫中,使得單一數據庫中的數據量變小,通過擴充主機的數量緩解單一數據庫的性能問題,從而達到提升數據庫操作性能的目的。
數據切分根據其切分類型,可以分爲兩種方式:
-
垂直(縱向)切分
-
水平(橫向)切分
垂直(縱向)切分
垂直切分常見有垂直分庫和垂直分表兩種。
垂直分庫就是根據業務耦合性,將關聯度低的不同表存儲在不同的數據庫。做法與大系統拆分爲多個小系統類似,按業務分類進行獨立劃分。
與"微服務治理"的做法相似,每個微服務使用單獨的一個數據庫,如下圖:
垂直分表是基於數據庫中的"列"進行,某個表字段較多,可以新建一張擴展表,將不經常用或字段長度較大的字段拆分出去到擴展表中。
在字段很多的情況下(例如一個大表有 100 多個字段),通過"大表拆小表",更便於開發與維護,也能避免跨頁問題,MySQL 底層是通過數據頁存儲的,一條記錄佔用空間過大會導致跨頁,造成額外的性能開銷。
另外數據庫以行爲單位將數據加載到內存中,這樣表中字段長度較短且訪問頻率較高,內存能加載更多的數據,命中率更高,減少了磁盤 IO,從而提升了數據庫性能。
垂直切分的優點如下:
-
解決業務系統層面的耦合,業務清晰
-
與微服務的治理類似,也能對不同業務的數據進行分級管理、維護、監控、擴展等
-
高併發場景下,垂直切分一定程度的提升 IO、數據庫連接數、單機硬件資源的瓶頸
垂直切分的缺點如下:
-
部分表無法 join,只能通過接口聚合方式解決,提升了開發的複雜度
-
分佈式事務處理複雜
-
依然存在單表數據量過大的問題(需要水平切分)
水平(橫向)切分
當一個應用難以再細粒度的垂直切分,或切分後數據量行數巨大,存在單庫讀寫、存儲性能瓶頸,這時候就需要進行水平切分了。
水平切分分爲庫內分表和分庫分表,是根據表內數據內在的邏輯關係,將同一個表按不同的條件分散到多個數據庫或多個表中,每個表中只包含一部分數據,從而使得單個表的數據量變小,達到分佈式的效果。
如圖所示:
庫內分表只解決了單一表數據量過大的問題,但沒有將表分佈到不同機器的庫上。
因此對於減輕 MySQL 數據庫的壓力來說,幫助不是很大,大家還是競爭同一個物理機的 CPU、內存、網絡 IO,最好通過分庫分表來解決。
水平切分的優點如下:
-
不存在單庫數據量過大、高併發的性能瓶頸,提升系統穩定性和負載能力
-
應用端改造較小,不需要拆分業務模塊
水平切分的缺點:
-
跨分片的事務一致性難以保證
-
跨庫的 join 關聯查詢性能較差
-
數據多次擴展難度和維護量極大
水平切分後同一張表會出現在多個數據庫/表中,每個庫/表的內容不同。幾種典型的數據分片規則爲:
①根據數值範圍:按照時間區間或 ID 區間來切分。
例如:按日期將不同月甚至是日的數據分散到不同的庫中;將 userId 爲 1~9999 的記錄分到第一個庫,10000~20000 的分到第二個庫,以此類推。
某種意義上,某些系統中使用的"冷熱數據分離",將一些使用較少的歷史數據遷移到其他庫中,業務功能上只提供熱點數據的查詢,也是類似的實踐。
這樣的優點在於:
-
單表大小可控
-
天然便於水平擴展,後期如果想對整個分片集羣擴容時,只需要添加節點即可,無需對其他分片的數據進行遷移
-
使用分片字段進行範圍查找時,連續分片可快速定位分片進行快速查詢,有效避免跨分片查詢的問題。
缺點在於:熱點數據成爲性能瓶頸。連續分片可能存在數據熱點,例如按時間字段分片,有些分片存儲最近時間段內的數據,可能會被頻繁的讀寫,而有些分片存儲的歷史數據,則很少被查詢。
②根據數值取模:一般採用 hash 取模 mod 的切分方式。
例如:將 Customer 表根據 cusno 字段切分到 4 個庫中,餘數爲 0 的放到第一個庫,餘數爲 1 的放到第二個庫,以此類推。
這樣同一個用戶的數據會分散到同一個庫中,如果查詢條件帶有 cusno 字段,則可明確定位到相應庫去查詢。
優點:數據分片相對比較均勻,不容易出現熱點和併發訪問的瓶頸
缺點如下:
-
後期分片集羣擴容時,需要遷移舊的數據(使用一致性 hash 算法能較好的避免這個問題)
-
容易面臨跨分片查詢的複雜問題。比如上例中,如果頻繁用到的查詢條件中不帶 cusno 時,將會導致無法定位數據庫,從而需要同時向 4 個庫發起查詢,再在內存中合併數據,取最小集返回給應用,分庫反而成爲拖累。
分庫分錶帶來的問題
分庫分表能有效的緩解單機和單庫帶來的性能瓶頸和壓力,突破網絡 IO、硬件資源、連接數的瓶頸,同時也帶來了一些問題。下面將描述這些技術挑戰以及對應的解決思路。
事務一致性問題
①分佈式事務
當更新內容同時分佈在不同庫中,不可避免會帶來跨庫事務問題。跨分片事務也是分佈式事務,沒有簡單的方案,一般可使用"XA 協議"和"兩階段提交"處理。
分佈式事務能最大限度保證了數據庫操作的原子性。但在提交事務時需要協調多個節點,推後了提交事務的時間點,延長了事務的執行時間。導致事務在訪問共享資源時發生衝突或死鎖的概率增高。
隨着數據庫節點的增多,這種趨勢會越來越嚴重,從而成爲系統在數據庫層面上水平擴展的枷鎖。
②最終一致性
對於那些性能要求很高,但對一致性要求不高的系統,往往不苛求系統的實時一致性,只要在允許的時間段內達到最終一致性即可,可採用事務補償的方式。
與事務在執行中發生錯誤後立即回滾的方式不同,事務補償是一種事後檢查補救的措施。
一些常見的實現方法有:對數據進行對賬檢查,基於日誌進行對比,定期同標準數據來源進行同步等等。事務補償還要結合業務系統來考慮。
跨節點關聯查詢 join 問題
切分之前,系統中很多列表和詳情頁所需的數據可以通過 sql join 來完成。
而切分之後,數據可能分佈在不同的節點上,此時 join 帶來的問題就比較麻煩了,考慮到性能,儘量避免使用 join 查詢。
解決這個問題的一些方法:
①全局表:全局表,也可看做是"數據字典表",就是系統中所有模塊都可能依賴的一些表,爲了避免跨庫 join 查詢,可以將這類表在每個數據庫中都保存一份。這些數據通常很少會進行修改,所以也不擔心一致性的問題。
②字段冗餘:一種典型的反範式設計,利用空間換時間,爲了性能而避免 join 查詢。
例如:訂單表保存 userId 時候,也將 userName 冗餘保存一份,這樣查詢訂單詳情時就不需要再去查詢"買家 user 表"了。
但這種方法適用場景也有限,比較適用於依賴字段比較少的情況。而冗餘字段的數據一致性也較難保證,就像上面訂單表的例子,買家修改了 userName 後,是否需要在歷史訂單中同步更新呢?這也要結合實際業務場景進行考慮。
③數據組裝:在系統層面,分兩次查詢,第一次查詢的結果集中找出關聯數據 id,然後根據 id 發起第二次請求得到關聯數據。最後將獲得到的數據進行字段拼裝。
④ER 分片:關係型數據庫中,如果可以先確定表之間的關聯關係,並將那些存在關聯關係的表記錄存放在同一個分片上,那麼就能較好的避免跨分片 join 問題。在 1:1 或 1:n 的情況下,通常按照主表的 ID 主鍵切分。
如下圖所示:
這樣一來,Data Node1 上面的 order 訂單表與 orderdetail 訂單詳情表就可以通過 orderId 進行局部的關聯查詢了,Data Node2 上也一樣。
跨節點分頁、排序、函數問題
跨節點多庫進行查詢時,會出現 limit 分頁、order by 排序等問題。分頁需要按照指定字段進行排序,當排序字段就是分片字段時,通過分片規則就比較容易定位到指定的分片;當排序字段非分片字段時,就變得比較複雜了。
需要先在不同的分片節點中將數據進行排序並返回,然後將不同分片返回的結果集進行彙總和再次排序,最終返回給用戶。
如圖所示:
上圖中只是取第一頁的數據,對性能影響還不是很大。但是如果取得頁數很大,情況則變得複雜很多。
因爲各分片節點中的數據可能是隨機的,爲了排序的準確性,需要將所有節點的前 N 頁數據都排序好做合併,最後再進行整體的排序,這樣的操作是很耗費 CPU 和內存資源的,所以頁數越大,系統的性能也會越差。
在使用 Max、Min、Sum、Count 之類的函數進行計算的時候,也需要先在每個分片上執行相應的函數,然後將各個分片的結果集進行彙總和再次計算,最終將結果返回。
如圖所示:
全局主鍵避重問題
在分庫分表環境中,由於表中數據同時存在不同數據庫中,主鍵值平時使用的自增長將無用武之地,某個分區數據庫自生成的 ID 無法保證全局唯一。
因此需要單獨設計全局主鍵,以避免跨庫主鍵重複問題。有一些常見的主鍵生成策略:
①UUID
UUID 標準形式包含 32 個 16 進制數字,分爲 5 段,形式爲 8-4-4-4-12 的 36 個字符,例如:550e8400-e29b-41d4-a716-446655440000。
UUID 是主鍵是最簡單的方案,本地生成,性能高,沒有網絡耗時。但缺點也很明顯,由於 UUID 非常長,會佔用大量的存儲空間。
另外,作爲主鍵建立索引和基於索引進行查詢時都會存在性能問題,在 InnoDB 下,UUID 的無序性會引起數據位置頻繁變動,導致分頁。
②結合數據庫維護主鍵 ID 表
在數據庫中建立 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 字段設置爲唯一索引,同一 stub 值在 sequence 表中只有一條記錄,可以同時爲多張表生成全局 ID。
sequence 表的內容,如下所示:
+-------------------+------+
| id | stub |
+-------------------+------+
| 72157623227190423 | a |
+-------------------+------+
使用 MyISAM 存儲引擎而不是 InnoDB,以獲取更高的性能。MyISAM 使用的是表級別的鎖,對錶的讀寫是串行的,所以不用擔心在併發時兩次讀取同一個 ID 值。
當需要全局唯一的 64 位 ID 時,執行:
REPLACE INTO sequence (stub) VALUES ('a');
SELECT LAST_INSERT_ID();
這兩條語句是 Connection 級別的,select last_insert_id() 必須與 replace into 在同一數據庫連接下才能得到剛剛插入的新 ID。
使用 replace into 代替 insert into 好處是避免了錶行數過大,不需要另外定期清理。
此方案較爲簡單,但缺點也明顯:存在單點問題,強依賴 DB,當 DB 異常時,整個系統都不可用。
配置主從可以增加可用性,但當主庫掛了,主從切換時,數據一致性在特殊情況下難以保證。另外性能瓶頸限制在單臺 MySQL 的讀寫性能。
flickr 團隊使用的一種主鍵生成策略,與上面的 sequence 表方案類似,但更好的解決了單點和性能瓶頸的問題。
這一方案的整體思想是:建立 2 個以上的全局 ID 生成的服務器,每個服務器上只部署一個數據庫,每個庫有一張 sequence 表用於記錄當前全局 ID。
表中 ID 增長的步長是庫的數量,起始值依次錯開,這樣能將 ID 的生成散列到各個數據庫上。
如下圖所示:
由兩個數據庫服務器生成 ID,設置不同的 auto_increment 值。第一臺 sequence 的起始值爲 1,每次步長增長 2,另一臺的 sequence 起始值爲 2,每次步長增長也是 2。
結果第一臺生成的 ID 都是奇數(1, 3, 5, 7 ...),第二臺生成的 ID 都是偶數(2, 4, 6, 8 ...)。
這種方案將生成 ID 的壓力均勻分佈在兩臺機器上。同時提供了系統容錯,第一臺出現了錯誤,可以自動切換到第二臺機器上獲取 ID。
但有以下幾個缺點:系統添加機器,水平擴展時較複雜;每次獲取 ID 都要讀寫一次 DB,DB 的壓力還是很大,只能靠堆機器來提升性能。
可以基於 flickr 的方案繼續優化,使用批量的方式降低數據庫的寫壓力,每次獲取一段區間的 ID 號段,用完之後再去數據庫獲取,可以大大減輕數據庫的壓力。
如下圖所示:
還是使用兩臺 DB 保證可用性,數據庫中只存儲當前的最大 ID。ID 生成服務每次批量拉取 6 個 ID,先將 max_id 修改爲 5,當應用訪問 ID 生成服務時,就不需要訪問數據庫,從號段緩存中依次派發 0~5 的 ID。
當這些 ID 發完後,再將 max_id 修改爲 11,下次就能派發 6~11 的 ID。於是,數據庫的壓力降低爲原來的 1/6。
③Snowflake 分佈式自增 ID 算法
Twitter 的 Snowflake 算法解決了分佈式系統生成全局 ID 的需求,生成 64 位的 Long 型數字。
組成部分:
-
第一位未使用。
-
接下來 41 位是毫秒級時間,41 位的長度可以表示 69 年的時間。
-
5 位 datacenterId,5 位 workerId。10 位的長度最多支持部署 1024 個節點。
-
最後 12 位是毫秒內的計數,12 位的計數順序號支持每個節點每毫秒產生 4096 個 ID 序列。
這樣的好處是:毫秒數在高位,生成的 ID 整體上按時間趨勢遞增;不依賴第三方系統,穩定性和效率較高。
理論上 QPS 約爲 409.6w/s(1000*2^12),並且整個分佈式系統內不會產生 ID 碰撞;可根據自身業務靈活分配 bit 位。
不足就在於:強依賴機器時鐘,如果時鐘回撥,則可能導致生成 ID 重複。
綜上結合數據庫和 Snowflake 的唯一 ID 方案,可以參考業界較爲成熟的解法:Leaf——美團點評分佈式 ID 生成系統,並考慮到了高可用、容災、分佈式下時鐘等問題:
https://tech.meituan.com/2017/04/21/mt-leaf.html
數據遷移、擴容問題
當業務高速發展,面臨性能和存儲的瓶頸時,纔會考慮分片設計,此時就不可避免的需要考慮歷史數據遷移的問題。
一般做法是先讀出歷史數據,然後按指定的分片規則再將數據寫入到各個分片節點中。
此外還需要根據當前的數據量和 QPS,以及業務發展的速度,進行容量規劃,推算出大概需要多少分片(一般建議單個分片上的單表數據量不超過 1000W)。
如果採用數值範圍分片,只需要添加節點就可以進行擴容了,不需要對分片數據遷移。如果採用的是數值取模分片,則考慮後期的擴容問題就相對比較麻煩。
什麼時候考慮切分
下面講述一下什麼時候需要考慮做數據切分。
①能不切分儘量不要切分
並不是所有表都需要進行切分,主要還是看數據的增長速度。切分後會在某種程度上提升業務的複雜度,數據庫除了承載數據的存儲和查詢外,協助業務更好的實現需求也是其重要工作之一。
不到萬不得已不用輕易使用分庫分表這個大招,避免"過度設計"和"過早優化"。
分庫分表之前,不要爲分而分,先盡力去做力所能及的事情,例如:升級硬件、升級網絡、讀寫分離、索引優化等等。當數據量達到單表的瓶頸時候,再考慮分庫分表。
②數據量過大,正常運維影響業務訪問
這裏說的運維指:
-
對數據庫備份,如果單表太大,備份時需要大量的磁盤 IO 和網絡 IO。例如 1T 的數據,網絡傳輸佔 50MB 時候,需要 20000 秒才能傳輸完畢,整個過程的風險都是比較高的。
-
對一個很大的表進行 DDL 修改時,MySQL 會鎖住全表,這個時間會很長,這段時間業務不能訪問此表,影響很大。
如果使用 pt-online-schema-change,使用過程中會創建觸發器和影子表,也需要很長的時間。在此操作過程中,都算爲風險時間。將數據表拆分,總量減少,有助於降低這個風險。
-
大表會經常訪問與更新,就更有可能出現鎖等待。將數據切分,用空間換時間,變相降低訪問壓力。
③隨着業務發展,需要對某些字段垂直拆分
舉個例子,假如項目一開始設計的用戶表如下:
id bigint #用戶的ID
name varchar #用戶的名字
last_login_time datetime #最近登錄時間
personal_info text #私人信息
..... #其他信息字段
在項目初始階段,這種設計是滿足簡單的業務需求的,也方便快速迭代開發。
而當業務快速發展時,用戶量從 10w 激增到 10 億,用戶非常的活躍,每次登錄會更新 last_login_name 字段,使得 user 表被不斷 update,壓力很大。
而其他字段:id,name,personal_info 是不變的或很少更新的,此時在業務角度,就要將 last_login_time 拆分出去,新建一個 user_time 表。
personal_info 屬性是更新和查詢頻率較低的,並且 text 字段佔據了太多的空間。這時候,就要對此垂直拆分出 user_ext 表了。
④數據量快速增長
隨着業務的快速發展,單表中的數據量會持續增長,當性能接近瓶頸時,就需要考慮水平切分,做分庫分表了。此時一定要選擇合適的切分規則,提前預估好數據容量。
⑤安全性和可用性
雞蛋不要放在一個籃子裏。在業務層面上垂直切分,將不相關的業務的數據庫分隔,因爲每個業務的數據量、訪問量都不同,不能因爲一個業務把數據庫搞掛而牽連到其他業務。
利用水平切分,當一個數據庫出現問題時,不會影響到 100% 的用戶,每個庫只承擔業務的一部分數據,這樣整體的可用性就能提高。
案例分析
用戶中心業務場景
用戶中心是一個非常常見的業務,主要提供用戶註冊、登錄、查詢/修改等功能,其核心表爲:
User(uid, login_name, passwd, sex, age, nickname)
uid爲用戶ID, 主鍵
login_name, passwd, sex, age, nickname, 用戶屬性
任何脫離業務的架構設計都是耍流氓,在進行分庫分表前,需要對業務場景需求進行梳理:
用戶側:前臺訪問,訪問量較大,需要保證高可用和高一致性。
主要有兩類需求:
-
用戶登錄:通過 login_name/phone/email 查詢用戶信息,1% 請求屬於這種類型。
-
用戶信息查詢:登錄之後,通過 uid 來查詢用戶信息,99% 請求屬這種類型。
運營側:後臺訪問,支持運營需求,按照年齡、性別、登陸時間、註冊時間等進行分頁的查詢。是內部系統,訪問量較低,對可用性、一致性的要求不高。
水平切分方法
當數據量越來越大時,需要對數據庫進行水平切分,上文描述的切分方法有"根據數值範圍"和"根據數值取模"。
"根據數值範圍":以主鍵 uid 爲劃分依據,按 uid 的範圍將數據水平切分到多個數據庫上。
例如:user-db1 存儲 uid 範圍爲 0~1000w 的數據,user-db2 存儲 uid 範圍爲 1000w~2000w uid 數據。
優點是:擴容簡單,如果容量不夠,只要增加新 DB 即可。
不足是:請求量不均勻,一般新註冊的用戶活躍度會比較高,所以新的 user-db2 會比 user-db1 負載高,導致服務器利用率不平衡。
"根據數值取模":也是以主鍵 uid 爲劃分依據,按 uid 取模的值將數據水平切分到多個數據庫上。
例如:user-db1 存儲 uid 取模得 1 的數據,user-db2 存儲 uid 取模得 0 的 uid 數據。
優點是:數據量和請求量分佈均勻。
不足是:擴容麻煩,當容量不夠時,新增加 DB,需要 rehash。需要考慮對數據進行平滑的遷移。
非 uid 的查詢方法
水平切分後,對於按 uid 查詢的需求能很好的滿足,可以直接路由到具體數據庫。
而按非 uid 的查詢,例如 login_name,就不知道具體該訪問哪個庫了,此時需要遍歷所有庫,性能會降低很多。
對於用戶側,可以採用"建立非 uid 屬性到 uid 的映射關係"的方案;對於運營側,可以採用"前臺與後臺分離"的方案。
①建立非 uid 屬性到 uid 的映射關係
映射關係:例如:login_name 不能直接定位到數據庫,可以建立 login_name→uid 的映射關係,用索引表或緩存來存儲。
當訪問 login_name 時,先通過映射表查詢出 login_name 對應的 uid,再通過 uid 定位到具體的庫。
映射表只有兩列,可以承載很多數據,當數據量過大時,也可以對映射表再做水平切分。
這類 kv 格式的索引結構,可以很好的使用 cache 來優化查詢性能,而且映射關係不會頻繁變更,緩存命中率會很高。
基因法:分庫基因,假如通過 uid 分庫,分爲 8 個庫,採用 uid%8 的方式進行路由,此時是由 uid 的最後 3bit 來決定這行 User 數據具體落到哪個庫上,那麼這 3bit 可以看爲分庫基因。
上面的映射關係的方法需要額外存儲映射表,按非 uid 字段查詢時,還需要多一次數據庫或 cache 的訪問。
如果想要消除多餘的存儲和查詢,可以通過 f 函數取 login_name 的基因作爲 uid 的分庫基因。
生成 uid 時,參考上文所述的分佈式唯一 ID 生成方案,再加上最後 3 位 bit 值=f(login_name)。
當查詢 login_name 時,只需計算 f(login_name)%8 的值,就可以定位到具體的庫。
不過這樣需要提前做好容量規劃,預估未來幾年的數據量需要分多少庫,要預留一定 bit 的分庫基因。
②前臺與後臺分離
對於用戶側,主要需求是以單行查詢爲主,需要建立 login_name/phone/email 到 uid 的映射關係,可以解決這些字段的查詢問題。
而對於運營側,很多批量分頁且條件多樣的查詢,這類查詢計算量大,返回數據量大,對數據庫的性能消耗較高。
此時,如果和用戶側共用同一批服務或數據庫,可能因爲後臺的少量請求,佔用大量數據庫資源,而導致用戶側訪問性能降低或超時。
這類業務最好採用"前臺與後臺分離"的方案,運營側後臺業務抽取獨立的 service 和 DB,解決和前臺業務系統的耦合。
由於運營側對可用性、一致性的要求不高,可以不訪問實時庫,而是通過 binlog 異步同步數據到運營庫進行訪問。
在數據量很大的情況下,還可以使用 ES 搜索引擎或 Hive 來滿足後臺複雜的查詢方式。
支持分庫分表中間件
站在巨人的肩膀上能省力很多,目前分庫分表已經有一些較爲成熟的開源解決方案:
-
sharding-jdbc(噹噹)
https://github.com/shardingjdbc
-
TSharding(蘑菇街)
https://github.com/baihui212/tsharding
-
Atlas(奇虎360)
https://github.com/Qihoo360/Atlas
-
Cobar(阿里巴巴)
https://github.com/alibaba/cobar
-
MyCAT(基於 Cobar)
http://www.mycat.io/
-
Oceanus(58 同城)
https://github.com/58code/Oceanus
-
Vitess(谷歌)
https://github.com/vitessio/vitess