做网站大概一个月多少工资,政务信息网站建设方案,怎样建自己的网站,天眼查询个人信息官网作者 | butterfly100来源 | cnblogs.com/butterfly100/p/9034281.html一. 数据切分关系型数据库本身比较容易成为系统瓶颈#xff0c;单机存储容量、连接数、处理能力都有限。当单表的数据量达到1000W或100G以后#xff0c;由于查询维度较多#xff0c;即使添加从库、优化索… 作者 | butterfly100来源 | cnblogs.com/butterfly100/p/9034281.html一. 数据切分关系型数据库本身比较容易成为系统瓶颈单机存储容量、连接数、处理能力都有限。当单表的数据量达到1000W或100G以后由于查询维度较多即使添加从库、优化索引做很多操作时性能仍下降严重。此时就要考虑对其进行切分了切分的目的就在于减少数据库的负担缩短查询时间。数据库分布式核心内容无非就是数据切分Sharding以及切分后对数据的定位、整合。数据切分就是将数据分散存储到多个数据库中使得单一数据库中的数据量变小通过扩充主机的数量缓解单一数据库的性能问题从而达到提升数据库操作性能的目的。数据切分根据其切分类型可以分为两种方式垂直纵向切分和水平横向切分。1、垂直纵向切分垂直切分常见有垂直分库和垂直分表两种。垂直分库就是根据业务耦合性将关联度低的不同表存储在不同的数据库。做法与大系统拆分为多个小系统类似按业务分类进行独立划分。与微服务治理的做法相似每个微服务使用单独的一个数据库。如图垂直分表是基于数据库中的列进行某个表字段较多可以新建一张扩展表将不经常用或字段长度较大的字段拆分出去到扩展表中。在字段很多的情况下例如一个大表有100多个字段通过大表拆小表更便于开发与维护也能避免跨页问题MySQL底层是通过数据页存储的一条记录占用空间过大会导致跨页造成额外的性能开销。另外数据库以行为单位将数据加载到内存中这样表中字段长度较短且访问频率较高内存能加载更多的数据命中率更高减少了磁盘IO从而提升了数据库性能。垂直切分的优点解决业务系统层面的耦合业务清晰与微服务的治理类似也能对不同业务的数据进行分级管理、维护、监控、扩展等高并发场景下垂直切分一定程度的提升IO、数据库连接数、单机硬件资源的瓶颈缺点部分表无法join只能通过接口聚合方式解决提升了开发的复杂度分布式事务处理复杂依然存在单表数据量过大的问题需要水平切分2、水平横向切分当一个应用难以再细粒度的垂直切分或切分后数据量行数巨大存在单库读写、存储性能瓶颈这时候就需要进行水平切分了。水平切分分为库内分表和分库分表是根据表内数据内在的逻辑关系将同一个表按不同的条件分散到多个数据库或多个表中每个表中只包含一部分数据从而使得单个表的数据量变小达到分布式的效果。如图所示 库内分表只解决了单一表数据量过大的问题但没有将表分布到不同机器的库上因此对于减轻MySQL数据库的压力来说帮助不是很大大家还是竞争同一个物理机的CPU、内存、网络IO最好通过分库分表来解决。水平切分的优点不存在单库数据量过大、高并发的性能瓶颈提升系统稳定性和负载能力应用端改造较小不需要拆分业务模块缺点跨分片的事务一致性难以保证跨库的join关联查询性能较差数据多次扩展难度和维护量极大水平切分后同一张表会出现在多个数据库/表中每个库/表的内容不同。几种典型的数据分片规则为1、根据数值范围按照时间区间或ID区间来切分。例如按日期将不同月甚至是日的数据分散到不同的库中将userId为1~9999的记录分到第一个库10000~20000的分到第二个库以此类推。某种意义上某些系统中使用的冷热数据分离将一些使用较少的历史数据迁移到其他库中业务功能上只提供热点数据的查询也是类似的实践。这样的优点在于单表大小可控天然便于水平扩展后期如果想对整个分片集群扩容时只需要添加节点即可无需对其他分片的数据进行迁移使用分片字段进行范围查找时连续分片可快速定位分片进行快速查询有效避免跨分片查询的问题。缺点热点数据成为性能瓶颈。连续分片可能存在数据热点例如按时间字段分片有些分片存储最近时间段内的数据可能会被频繁的读写而有些分片存储的历史数据则很少被查询2、根据数值取模一般采用hash取模mod的切分方式例如将 Customer 表根据 cusno 字段切分到4个库中余数为0的放到第一个库余数为1的放到第二个库以此类推。这样同一个用户的数据会分散到同一个库中如果查询条件带有cusno字段则可明确定位到相应库去查询。优点数据分片相对比较均匀不容易出现热点和并发访问的瓶颈缺点后期分片集群扩容时需要迁移旧的数据使用一致性hash算法能较好的避免这个问题容易面临跨分片查询的复杂问题。比如上例中如果频繁用到的查询条件中不带cusno时将会导致无法定位数据库从而需要同时向4个库发起查询再在内存中合并数据取最小集返回给应用分库反而成为拖累。二. 分库分表带来的问题分库分表能有效的缓解单机和单库带来的性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了一些问题。下面将描述这些技术挑战以及对应的解决思路。 1、事务一致性问题分布式事务当更新内容同时分布在不同库中不可避免会带来跨库事务问题。跨分片事务也是分布式事务没有简单的方案一般可使用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重从而成为系统在数据库层面上水平扩展的枷锁。最终一致性对于那些性能要求很高但对一致性要求不高的系统往往不苛求系统的实时一致性只要在允许的时间段内达到最终一致性即可可采用事务补偿的方式。与事务在执行中发生错误后立即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等。事务补偿还要结合业务系统来考虑。2、跨节点关联查询 join 问题切分之前系统中很多列表和详情页所需的数据可以通过sql join来完成。而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性能尽量避免使用join查询。解决这个问题的一些方法1全局表全局表也可看做是数据字典表就是系统中所有模块都可能依赖的一些表为了避免跨库join查询可以将这类表在每个数据库中都保存一份。这些数据通常很少会进行修改所以也不担心一致性的问题。2字段冗余一种典型的反范式设计利用空间换时间为了性能而避免join查询。例如订单表保存userId时候也将userName冗余保存一份这样查询订单详情时就不需要再去查询买家user表了。但这种方法适用场景也有限比较适用于依赖字段比较少的情况。而冗余字段的数据一致性也较难保证就像上面订单表的例子买家修改了userName后是否需要在历史订单中同步更新呢这也要结合实际业务场景进行考虑。3数据组装在系统层面分两次查询第一次查询的结果集中找出关联数据id然后根据id发起第二次请求得到关联数据。最后将获得到的数据进行字段拼装。4ER分片关系型数据库中如果可以先确定表之间的关联关系并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的避免跨分片join问题。在1:1或1:n的情况下通常按照主表的ID主键切分。如下图所示这样一来Data Node1上面的order订单表与orderdetail订单详情表就可以通过orderId进行局部的关联查询了Data Node2上也一样。3、跨节点分页、排序、函数问题跨节点多库进行查询时会出现limit分页、order by排序等问题。分页需要按照指定字段进行排序当排序字段就是分片字段时通过分片规则就比较容易定位到指定的分片当排序字段非分片字段时就变得比较复杂了。需要先在不同的分片节点中将数据进行排序并返回然后将不同分片返回的结果集进行汇总和再次排序最终返回给用户。如图所示上图中只是取第一页的数据对性能影响还不是很大。但是如果取得页数很大情况则变得复杂很多因为各分片节点中的数据可能是随机的为了排序的准确性需要将所有节点的前N页数据都排序好做合并最后再进行整体的排序这样的操作是很耗费CPU和内存资源的所以页数越大系统的性能也会越差。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和再次计算最终将结果返回。如图所示4、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时使用的自增长将无用武之地某个分区数据库自生成的ID无法保证全局唯一。因此需要单独设计全局主键以避免跨库主键重复问题。有一些常见的主键生成策略1UUIDUUID标准形式包含32个16进制数字分为5段形式为8-4-4-4-12的36个字符例如550e8400-e29b-41d4-a716-446655440000UUID是主键是最简单的方案本地生成性能高没有网络耗时。但缺点也很明显由于UUID非常长会占用大量的存储空间另外作为主键建立索引和基于索引进行查询时都会存在性能问题在InnoDB下UUID的无序性会引起数据位置频繁变动导致分页。2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) ) ENGINEMyISAM;stub字段设置为唯一索引同一stub值在sequence表中只有一条记录可以同时为多张表生成全局ID。sequence表的内容如下所示------------------------- | id | stub | ------------------------- | 72157623227190423 | a | -------------------------使用 MyISAM 存储引擎而不是 InnoDB以获取更高的性能。MyISAM使用的是表级别的锁对表的读写是串行的所以不用担心在并发时两次读取同一个ID值。当需要全局唯一的64位ID时执行REPLACE INTO sequence (stub) VALUES (a); SELECT LAST_INSERT_ID();这两条语句是Connection级别的select last_insert_id() 必须与 replace into 在同一数据库连接下才能得到刚刚插入的新ID。使用replace into代替insert into好处是避免了表行数过大不需要另外定期清理。此方案较为简单但缺点也明显存在单点问题强依赖DB当DB异常时整个系统都不可用。配置主从可以增加可用性但当主库挂了主从切换时数据一致性在特殊情况下难以保证。另外性能瓶颈限制在单台MySQL的读写性能。flickr团队使用的一种主键生成策略与上面的sequence表方案类似但更好的解决了单点和性能瓶颈的问题。这一方案的整体思想是建立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ID增长的步长是库的数量起始值依次错开这样能将ID的生成散列到各个数据库上。如下图所示由两个数据库服务器生成ID设置不同的auto_increment值。第一台sequence的起始值为1每次步长增长2另一台的sequence起始值为2每次步长增长也是2。结果第一台生成的ID都是奇数1, 3, 5, 7 ...第二台生成的ID都是偶数2, 4, 6, 8 ...。这种方案将生成ID的压力均匀分布在两台机器上。同时提供了系统容错第一台出现了错误可以自动切换到第二台机器上获取ID。但有以下几个缺点系统添加机器水平扩展时较复杂每次获取ID都要读写一次DBDB的压力还是很大只能靠堆机器来提升性能。可以基于flickr的方案继续优化使用批量的方式降低数据库的写压力每次获取一段区间的ID号段用完之后再去数据库获取可以大大减轻数据库的压力。如下图所示还是使用两台DB保证可用性数据库中只存储当前的最大ID。ID生成服务每次批量拉取6个ID先将max_id修改为5当应用访问ID生成服务时就不需要访问数据库从号段缓存中依次派发0~5的ID。当这些ID发完后再将max_id修改为11下次就能派发6~11的ID。于是数据库的压力降低为原来的1/6。3Snowflake分布式自增ID算法Twitter的snowflake算法解决了分布式系统生成全局ID的需求生成64位的Long型数字组成部分第一位未使用接下来41位是毫秒级时间41位的长度可以表示69年的时间5位datacenterId5位workerId。10位的长度最多支持部署1024个节点最后12位是毫秒内的计数12位的计数顺序号支持每个节点每毫秒产生4096个ID序列这样的好处是毫秒数在高位生成的ID整体上按时间趋势递增不依赖第三方系统稳定性和效率较高理论上QPS约为409.6w/s1000*2^12并且整个分布式系统内不会产生ID碰撞可根据自身业务灵活分配bit位。不足就在于强依赖机器时钟如果时钟回拨则可能导致生成ID重复。综上结合数据库和snowflake的唯一ID方案可以参考业界较为成熟的解法Leaf——美团点评分布式ID生成系统并考虑到了高可用、容灾、分布式下时钟等问题。5、数据迁移、扩容问题当业务高速发展面临性能和存储的瓶颈时才会考虑分片设计此时就不可避免的需要考虑历史数据迁移的问题。一般做法是先读出历史数据然后按指定的分片规则再将数据写入到各个分片节点中。此外还需要根据当前的数据量和QPS以及业务发展的速度进行容量规划推算出大概需要多少分片一般建议单个分片上的单表数据量不超过1000W。如果采用数值范围分片只需要添加节点就可以进行扩容了不需要对分片数据迁移。如果采用的是数值取模分片则考虑后期的扩容问题就相对比较麻烦。三. 什么时候考虑切分下面讲述一下什么时候需要考虑做数据切分。1、能不切分尽量不要切分并不是所有表都需要进行切分主要还是看数据的增长速度。切分后会在某种程度上提升业务的复杂度数据库除了承载数据的存储和查询外协助业务更好的实现需求也是其重要工作之一。不到万不得已不用轻易使用分库分表这个大招避免过度设计和过早优化。分库分表之前不要为分而分先尽力去做力所能及的事情例如升级硬件、升级网络、读写分离、索引优化等等。当数据量达到单表的瓶颈时候再考虑分库分表。2、数据量过大正常运维影响业务访问这里说的运维指1对数据库备份如果单表太大备份时需要大量的磁盘IO和网络IO。例如1T的数据网络传输占50MB时候需要20000秒才能传输完毕整个过程的风险都是比较高的2对一个很大的表进行DDL修改时MySQL会锁住全表这个时间会很长这段时间业务不能访问此表影响很大。如果使用pt-online-schema-change使用过程中会创建触发器和影子表也需要很长的时间。在此操作过程中都算为风险时间。将数据表拆分总量减少有助于降低这个风险。3大表会经常访问与更新就更有可能出现锁等待。将数据切分用空间换时间变相降低访问压力3、随着业务发展需要对某些字段垂直拆分举个例子假如项目一开始设计的用户表如下id                   bigint #用户的ID name varchar #用户的名字 last_login_time datetime #最近登录时间 personal_info text #私人信息 ..... #其他信息字段在项目初始阶段这种设计是满足简单的业务需求的也方便快速迭代开发。而当业务快速发展时用户量从10w激增到10亿用户非常的活跃每次登录会更新 last_login_name 字段使得 user 表被不断update压力很大。而其他字段id, name, personal_info 是不变的或很少更新的此时在业务角度就要将 last_login_time 拆分出去新建一个 user_time 表。personal_info 属性是更新和查询频率较低的并且text字段占据了太多的空间。这时候就要对此垂直拆分出 user_ext 表了。4、数据量快速增长随着业务的快速发展单表中的数据量会持续增长当性能接近瓶颈时就需要考虑水平切分做分库分表了。此时一定要选择合适的切分规则提前预估好数据容量。5、安全性和可用性鸡蛋不要放在一个篮子里。在业务层面上垂直切分将不相关的业务的数据库分隔因为每个业务的数据量、访问量都不同不能因为一个业务把数据库搞挂而牵连到其他业务。利用水平切分当一个数据库出现问题时不会影响到100%的用户每个库只承担业务的一部分数据这样整体的可用性就能提高。四. 案例分析1、用户中心业务场景用户中心是一个非常常见的业务主要提供用户注册、登录、查询/修改等功能其核心表为User(uid, login_name, passwd, sex, age, nickname)uid为用户ID,  主键login_name, passwd, sex, age, nickname, 用户属性任何脱离业务的架构设计都是耍流氓在进行分库分表前需要对业务场景需求进行梳理用户侧前台访问访问量较大需要保证高可用和高一致性。主要有两类需求用户登录通过login_name/phone/email查询用户信息1%请求属于这种类型用户信息查询登录之后通过uid来查询用户信息99%请求属这种类型运营侧后台访问支持运营需求按照年龄、性别、登陆时间、注册时间等进行分页的查询。是内部系统访问量较低对可用性、一致性的要求不高。2、水平切分方法当数据量越来越大时需要对数据库进行水平切分上文描述的切分方法有根据数值范围和根据数值取模。根据数值范围以主键uid为划分依据按uid的范围将数据水平切分到多个数据库上。例如user-db1存储uid范围为0~1000w的数据user-db2存储uid范围为1000w~2000wuid数据。优点是扩容简单如果容量不够只要增加新db即可。不足是请求量不均匀一般新注册的用户活跃度会比较高所以新的user-db2会比user-db1负载高导致服务器利用率不平衡根据数值取模也是以主键uid为划分依据按uid取模的值将数据水平切分到多个数据库上。例如user-db1存储uid取模得1的数据user-db2存储uid取模得0的uid数据。优点是数据量和请求量分布均均匀不足是扩容麻烦当容量不够时新增加db需要rehash。需要考虑对数据进行平滑的迁移。3、非uid的查询方法水平切分后对于按uid查询的需求能很好的满足可以直接路由到具体数据库。而按非uid的查询例如login_name就不知道具体该访问哪个库了此时需要遍历所有库性能会降低很多。对于用户侧可以采用建立非uid属性到uid的映射关系的方案对于运营侧可以采用前台与后台分离的方案。3.1、建立非uid属性到uid的映射关系1映射关系例如login_name不能直接定位到数据库可以建立login_name→uid的映射关系用索引表或缓存来存储。当访问login_name时先通过映射表查询出login_name对应的uid再通过uid定位到具体的库。映射表只有两列可以承载很多数据当数据量过大时也可以对映射表再做水平切分。这类kv格式的索引结构可以很好的使用cache来优化查询性能而且映射关系不会频繁变更缓存命中率会很高。2基因法分库基因假如通过uid分库分为8个库采用uid%8的方式进行路由此时是由uid的最后3bit来决定这行User数据具体落到哪个库上那么这3bit可以看为分库基因。上面的映射关系的方法需要额外存储映射表按非uid字段查询时还需要多一次数据库或cache的访问。如果想要消除多余的存储和查询可以通过f函数取login_name的基因作为uid的分库基因。生成uid时参考上文所述的分布式唯一ID生成方案再加上最后3位bit值f(login_name)。当查询login_name时只需计算f(login_name)%8的值就可以定位到具体的库。不过这样需要提前做好容量规划预估未来几年的数据量需要分多少库要预留一定bit的分库基因。3.2、前台与后台分离对于用户侧主要需求是以单行查询为主需要建立login_name/phone/email到uid的映射关系可以解决这些字段的查询问题。而对于运营侧很多批量分页且条件多样的查询这类查询计算量大返回数据量大对数据库的性能消耗较高。此时如果和用户侧共用同一批服务或数据库可能因为后台的少量请求占用大量数据库资源而导致用户侧访问性能降低或超时。这类业务最好采用前台与后台分离的方案运营侧后台业务抽取独立的service和db解决和前台业务系统的耦合。由于运营侧对可用性、一致性的要求不高可以不访问实时库而是通过binlog异步同步数据到运营库进行访问。在数据量很大的情况下还可以使用ES搜索引擎或Hive来满足后台复杂的查询方式。五. 支持分库分表中间件站在巨人的肩膀上能省力很多目前分库分表已经有一些较为成熟的开源解决方案sharding-jdbc当当TSharding蘑菇街Atlas奇虎360Cobar阿里巴巴MyCAT基于CobarOceanus58同城Vitess谷歌六. 参考[1] 数据库分布式架构扫盲——分库分表及银行核心系统适用性思考 [2] 分库分表的思想 [3] 水平分库分表的关键步骤以及可能遇到的问题 [4] 从原则、方案、策略及难点阐述分库分表 [5] Leaf——美团点评分布式ID生成系统 [6] 架构师之路公众号往期推荐Java面试题汇总208道【END】关注下方二维码订阅更多精彩内容朕已阅