面试题 MySQL 分库分表

分库分表相关概念

随着用户量的激增和时间的堆砌,存在数据库里面的数据越来越多,此时的数据库就会产生瓶颈,出现资源报警、查询慢等场景。
首先单机数据库所能承载的连接数、I/O及网络的吞吐等都是有限的,所以当并发量上来了之后,数据库就渐渐顶不住了。
2021-05-19-08-08-47-597220.png
再则,如果单表的数据量过大,查询的性能也会下降。因为数据越多 B+ 树就越高,树越高则查询 I/O 的次数就越多,那么性能也就越差。
因为上述的原因,不得已就得上分库分表了。
把以前存在一个数据库实例里的数据拆分成多个数据库实例,部署在不同的服务器中,这是分库。
把以前存在一张表里面的数据拆分成多张表,这是分表。
一般而言:

  • 分表:是为了解决由于单张表数据量多大,而导致查询慢的问题。大致三、四千万行数据就得拆分,不过具体还是得看每一行的数据量大小,有些字段都很小的可能支持更多行数,有些字段大的可能一千万就顶不住了。
  • 分库:是为了解决服务器资源受单机限制,顶不住高并发访问的问题,把请求分配到多台服务器上,降低服务器压力。

    一般怎么分库的

    一般分库都是按照业务划分的,比如订单库、用户库等等。
    有时候会针对一些特殊的库再作切分,比如一些活动相关的库都做了拆分。
    因为做活动的时候并发可能会比较高,怕影响现有的核心业务,所以即使有关联,也会单独做拆分。
    2021-05-19-08-08-47-750686.png

    分库会带来什么问题

    事务的问题

    使用关系型数据库,有很大一点在于它保证事务完整性。
    而分库之后单机事务就用不上了,必须使用分布式事务来解决,而分布式事务基本的都是残缺的。这是很重要的一点需要考虑。

    连表 JOIN 问题

    在一个库中的时候还可以利用 JOIN 来连表查询,而跨库了之后就无法使用 JOIN 了。
    此时的解决方案就是在业务代码中进行关联,也就是先把一个表的数据查出来,然后通过得到的结果再去查另一张表,然后利用代码来关联得到最终的结果。
    这种方式实现起来稍微比较复杂,不过也是可以接受的。
    还有可以适当的冗余一些字段。比如以前的表就存储一个关联 ID,但是业务时常要求返回对应的 Name 或者其他字段。这时候就可以把这些字段冗余到当前表中,来去除需要关联的操作。

    怎么实现分表

    分表其实有两种:

  • 垂直分表

  • 水平分表

垂直分表,来看个图,很直观:
2021-05-19-08-08-48-122223.png

垂直分表

就是把一些不常用的大字段剥离出去。
像上面的例子:用户名是很常见的搜索结果,性别和年龄占用的空间又不大,而地址和个人简介占用的空间相对而言就较大,一个数据页的空间是有限的,把一些无用的数据拆分出去,一页就能存放更多行的数据。
内存存放更多有用的数据,就减少了磁盘的访问次数,性能就得到提升。

水平分表

则是因为一张表内的数据太多了,上文也提到了数据越多 B+ 树就越高,访问的性能就差,所以进行水平拆分。
2021-05-19-08-08-48-579028.png
其实不管这些,浅显的理解下,在一百个数据里面找一个数据快,还是在一万个数据里面找一个数据快?
即使有索引,那厚的书目录多,翻目录也慢~

分表带来的问题

垂直分表还好,就是需要关联一下,而水平分表就有点麻烦了。
排序、count、分页问题
如果一个用户的数据被拆分到多个表中,那查询结果分页就不像以前单张表那样直接就能查出来了,像 count 操作也是一样的。
只能由业务代码来实现或者用中间件将各表中的数据汇总、排序、分页然后返回。
像 count 操作的结果其实可以缓存下来,然后每次数据增删都更新计数。
路由问题
分表的路由可以分:

  • Hash 路由
  • 范围路由
  • 路由表

    Hash 路由

    其实就是选择表中的某一列,然后进行 Hash 运算,将 Hash 运算得到的结果再对子表数进行取模,这样就能均匀的将数据分到不同的子表上。
    这跟 HashMap 选哪个桶是一样的原理。
    优点就是数据分布均匀。
    缺点就是增加子表的时候麻烦,想想 HashMap的扩容,是不是得搬迁数据?这个分表也是一样的,都知道数据迁移一件麻烦事!

    范围路由

    其实很简单,可以是时间,也可以是地址,表示一定的范围的即可。
    比如本来一张 User 表,可以分 User_HZ、User_BJ、User_SH,按照地名来划分 User。
    再比如 log 表,可以将表分为 log_202103、 log_202104,把日志按照年月来划分。
    优点就是相对而言比较容易扩展,比如现在来个 GZ,那就加个 User_GZ。如果到了 5 月,那就建个 log_202105。
    缺点就是数据可能分布不均匀,例如 BJ 的用户特别多或者某个月搞了促销,日志量特别大,等等。

    路由表

    就是专门用个表来记录路由信息,来看个图就很清楚了。
    2021-05-19-08-08-48-696713.png
    从图中就能得知,UserID 为 2 的用户数据在要去 User_3 这个用户表查询。
    优点就是灵活,如果要迁移数据,直接迁移然后路由表一改就完事儿了~
    缺点就是得多查一次,每次查询都需要访问路由表,不过这个一般会做缓存的。
    全局主键问题
    以前单表的时候很简单,就是主键自增,现在分表了之后就有点尴尬了。
    所以需要一些手段来保证全局主键唯一。
  1. 还是自增,只不过自增步长设置一下。比如现在有三张表,步长设置为3,三张表 ID 初始值分别是1、2、3。这样第一张表的 ID 增长是 1、4、7。第二张表是2、5、8。第三张表是3、6、9,这样就不会重复了。
  2. UUID,这种最简单,但是不连续的主键插入会导致严重的页分裂,性能比较差。
  3. 分布式 ID,比较出名的就是 Twitter 开源的 sonwflake 雪花算法,具体就不展开了,不然就又是一篇文章了,简单点利用 redis 来递增也行。

    路由问题的 Sharding-Key 如何设计

    分表是按照某个列来拆分的,那个列就是 Sharding-Key,查询的时候必须带上这个列才行。
    例如上面提到的 log_202103,那表明查询条件一定得带上日期,这样才能找到正确的表。
    所以设计上得考虑查询的条件来作为 Sharding-Key。
    举个常常会被问的订单表 Sharding-Key 例子。
    你想着查找订单的时候会通过订单号去找,所以应该利用订单 ID 来作为 Sharding-Key。
    但是你想想,打开外卖软件想查找历史订单的时候,是没有订单 ID 的,只有 UserID,那此时只能把所有子表都通过 UserID 遍历一遍,这样效率就很低了!
    所以你想着那用 UserID 来作为 Sharding-Key 吧!
    但是,商家呢?商家肯定关心自己今天卖了多少单,所以他也要查找订单,但他只有自己的商家 ID,所以如果要查询订单,只能把所有子表都通过商家 ID 遍历一遍,这样效率就很低了!
    所以 Sharding-Key 是满足不了所有查询需求的,只能曲线救国。
    一般做法就是冗余数据。
    将订单同步到另一张表中给商家使用,这个表按商家 ID 来作为 Sharding-Key,也可以将数据同步到 ES 中。一般而言这里的数据同步都是异步处理,不会影响正常流程。