目錄
1、數據庫瓶頸 - 爲什麼要分庫分表
不管是IO瓶頸，還是CPU瓶頸，最終都會導致數據庫的活躍連接數增加，進而逼近甚至達到數據庫可承載活躍連接數的閾值。在業務Service來看就是，可用數據庫連接少甚至無連接可用。接下來就可以想象了吧（併發量、吞吐量、崩潰）。
1.1、IO瓶頸
第一種：磁盤讀IO瓶頸，熱點數據太多，數據庫緩存放不下，每次查詢時會產生大量的IO，降低查詢速度 -> 分庫和垂直分表。
第二種：網絡IO瓶頸，請求的數據太多，網絡帶寬不夠 -> 分庫。
1.2、CPU瓶頸
第一種：SQL問題，如SQL中包含join，group by，order by，非索引字段條件查詢等，增加CPU運算的操作 -> SQL優化，建立合適的索引，在業務Service層進行業務計算。
第二種：單表數據量太大，查詢時掃描的行太多，SQL效率低，CPU率先出現瓶頸 -> 水平分表。二、分庫分表二、分庫分表
2、分庫分表 - 4種方式
2.1、水平分庫
- 概念：以 字段爲依據 ，按照一定策略（hash、range等），將一個 庫中的數據拆分到多個 庫中。
- 結果：
- 每個 庫的 結構都一樣；
- 每個 庫的 數據都不一樣，沒有交集；
- 所有 庫的 並集是全量數據；
- 場景：系統絕對併發量上來了，分表難以根本上解決問題，並且還沒有明顯的業務歸屬來垂直分庫。
- 分析：庫多了，io和cpu的壓力自然可以成倍緩解。
2.2、水平分表
- 概念：以 字段爲依據 ，按照一定策略（hash、range等），將一個 表中的數據拆分到多個 表中。
- 結果：
- 每個 表的 結構都一樣；
- 每個 表的 數據都不一樣，沒有交集；
- 所有 表的 並集是全量數據；
- 場景：系統絕對併發量並沒有上來，只是單表的數據量太多，影響了SQL效率，加重了CPU負擔，以至於成爲瓶頸。
- 分析：表的數據量少了，單次SQL執行效率高，自然減輕了CPU的負擔。
2.3、垂直分庫
- 概念：以 表爲依據，按照業務歸屬不同，將不同的 表拆分到不同的 庫中 。
- 結果：
- 每個 庫的 結構都不一樣；
- 每個 庫的 數據也不一樣，沒有交集；
- 所有 庫的 並集是全量數據；
- 場景：系統絕對併發量上來了，並且可以抽象出單獨的業務模塊。
- 分析：到這一步，基本上就可以服務化了。例如，隨着業務的發展一些公用的配置表、字典表等越來越多，這時可以將這些表拆到單獨的庫中，甚至可以服務化。再有，隨着業務的發展孵化出了一套業務模式，這時可以將相關的表拆到單獨的庫中，甚至可以服務化。
2.4、垂直分表
- 概念：以 字段爲依據，按照字段的活躍性，將 表中字段拆到不同的 表（主表和擴展表）中。
- 結果：
- 每個 表的 結構都不一樣；
- 每個 表的 數據也不一樣，一般來說，每個表的 字段至少有一列交集，一般是主鍵，用於關聯數據；
- 所有 表的 並集是全量數據；
- 場景：系統絕對併發量並沒有上來，表的記錄並不多，但是字段多，並且熱點數據和非熱點數據在一起，單行數據所需的存儲空間較大。以至於數據庫緩存的數據行減少，查詢時會去讀磁盤數據產生大量的隨機讀IO，產生IO瓶頸。
- 分析：可以用列表頁和詳情頁來幫助理解。垂直分表的拆分原則是將熱點數據（可能會冗餘經常一起查詢的數據）放在一起作爲主表，非熱點數據放在一起作爲擴展表。這樣更多的熱點數據就能被緩存下來，進而減少了隨機讀IO。拆了之後，要想獲得全部數據就需要關聯兩個表來取數據。但記住，千萬別用join，因爲join不僅會增加CPU負擔並且會講兩個表耦合在一起（必須在一個數據庫實例上）。關聯數據，應該在業務Service層做文章，分別獲取主表和擴展表數據然後用關聯字段關聯得到全部數據。
3、數據庫分庫分表思路（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）切分和水平（橫向）切分
3.1、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：
- 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
缺點：
- 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）
3.2、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：
- 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
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：
- 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：
- 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。
4、分庫分表步驟
根據容量（當前容量和增長量）評估分庫或分表個數 -> 選key（均勻）-> 分表規則（hash或range等）-> 執行（一般雙寫）-> 擴容問題（儘量減少數據的移動）。
5、分庫分錶帶來的問題
分庫分表能有效的環節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。
5.1、事務一致性問題
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。
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。
5.2、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。
4）ER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。
5.3、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，這樣的操作時很耗費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：
5.4、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：
1）UUID
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。
3）Snowflake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。
5.5、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。
6、 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。
6.1、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。
6.2、數據量過大，正常運維影響業務訪問
這裏說的運維，指：
1）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
2）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。
3）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
6.3、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。
6.4、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
6.5、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。
7、分庫分表總結
- 垂直分表：可以把一個寬表的字段按訪問頻次、是否是大字段的原則拆分爲多個表，這樣既能使業務清晰，還能提升部分性能。拆分後，儘量從業務角度避免聯查，否則性能方面將得不償失。
- 垂直分庫：可以把多個表按業務耦合鬆緊歸類，分別存放在不同的庫，這些庫可以分佈在不同服務器，從而使訪問壓力被多服務器負載，大大提升性能，同時能提高整體架構的業務清晰度，不同的業務庫可根據自身情況定製優化方案。但是它需要解決跨庫帶來的所有複雜問題。
- 水平分庫：可以把一個表的數據(按數據行)分到多個不同的庫，每個庫只有這個表的部分數據，這些庫可以分佈在不同服務器，從而使訪問壓力被多服務器負載，大大提升性能。它不僅需要解決跨庫帶來的所有複雜問題，還要解決數據路由的問題(數據路由問題後邊介紹)。
- 水平分表：可以把一個表的數據(按數據行)分到多個同一個數據庫的多張表中，每個表只有這個表的部分數據，這樣做能小幅提升性能，它僅僅作爲水平分庫的一個補充優化。
- 分庫分表，首先得知道瓶頸在哪裏，然後才能合理地拆分（分庫還是分表？水平還是垂直？分幾個？）。且不可爲了分庫分表而拆分。
- 選key很重要，既要考慮到拆分均勻，也要考慮到非partition key的查詢。
- 只要能滿足需求，拆分規則越簡單越好。
一般來說，在系統設計階段就應該根據業務耦合鬆緊來確定垂直分庫，垂直分表方案，在數據量及訪問壓力不是特別大的情況，首先考慮緩存、讀寫分離、索引技術等方案。若數據量極大，且持續增長，再考慮水平分庫水平分表方案。
8、分庫分表工具 - 按需選擇即可
- sharding-sphere：jar，前身是sharding-jdbc；
-
TDDL：jar，Taobao Distribute Data Layer；
- Mycat：中間件。
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】
注：工具的利弊，請自行調研，官網和社區優先。
轉自：http://blog.itpub.net/26736162/viewspace-2651606/