什么时候进行分库分表？

一时失言乱红尘 2021-07-31 13:36 442阅读 0赞

点击上方 **蓝色字体** ，选择“标星公众号”

优质文章，第一时间送达

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg]

作者 | 尜尜人物

链接 | cnblogs.com/littlecharacter/p/9342129.html

### **一、数据库瓶颈**    ###

不管是IO瓶颈，还是CPU瓶颈，最终都会导致数据库的活跃连接数增加，进而逼近甚至达到数据库可承载活跃连接数的阈值。

在业务Service来看就是，可用数据库连接少甚至无连接可用。接下来就可以想象了吧（并发量、吞吐量、崩溃）。

#### **1、IO瓶颈** ####

第一种：磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询时会产生大量的IO，降低查询速度 -> 分库和垂直分表。

第二种：网络IO瓶颈，请求的数据太多，网络带宽不够 -> 分库。

#### **2、CPU瓶颈** ####

第一种：SQL问题，如SQL中包含join，group by，order by，非索引字段条件查询等，增加CPU运算的操作 -> SQL优化，建立合适的索引，在业务Service层进行业务计算。

第二种：单表数据量太大，查询时扫描的行太多，SQL效率低，CPU率先出现瓶颈 -> 水平分表。

### **二、分库分表** ###

#### **1、水平分库** ####

![640?wx\_fmt=png][640_wx_fmt_png]

1.概念：以字段为依据，按照一定策略（hash、range等），将一个库中的数据拆分到多个库中。

2.结果：

*  每个库的结构都一样;
 *  每个库的数据都不一样，没有交集;
 *  所有库的并集是全量数据;

3.场景： 系统绝对并发量上来了，分表难以根本上解决问题，并且还没有明显的业务归属来垂直分库。

4.分析： 库多了，io和cpu的压力自然可以成倍缓解。

#### **2、水平分表** ####

![640?wx\_fmt=png][640_wx_fmt_png 1]

1.概念： 以字段为依据，按照一定策略（hash、range等），将一个表中的数据拆分到多个表中。

2.结果：

*  每个表的结构都一样
 *  每个表的数据都不一样，没有交集;
 *  所有表的并集是全量数据;

3.场景： 系统绝对并发量并没有上来，只是单表的数据量太多，影响了SQL效率，加重了CPU负担，以至于成为瓶颈。推荐阅读：

4.分析： 表的数据量少了，单次SQL执行效率高，自然减轻了CPU的负担。

#### **3、垂直分库** ####

![640?wx\_fmt=png][640_wx_fmt_png 2]

1.概念： 以表为依据，按照业务归属不同，将不同的表拆分到不同的库中。

2.结果：

*  每个库的结构都不一样；
 *  每个库的数据也不一样，没有交集；
 *  所有库的并集是全量数据；

3.场景： 系统绝对并发量上来了，并且可以抽象出单独的业务模块。4.分析：到这一步，基本上就可以服务化了。

例如，随着业务的发展一些公用的配置表、字典表等越来越多，这时可以将这些表拆到单独的库中，甚至可以服务化。 再有，随着业务的发展孵化出了一套业务模式，这时可以将相关的表拆到单独的库中，甚至可以服务化。

#### **4、垂直分表** ####

![640?wx\_fmt=png][640_wx_fmt_png 3]

1.概念： 以字段为依据，按照字段的活跃性，将表中字段拆到不同的表（主表和扩展表）中。

2.结果：

*  每个表的结构都不一样；
 *  每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据；
 *  所有表的并集是全量数据；

3.场景： 系统绝对并发量并没有上来，表的记录并不多，但是字段多，并且热点数据和非热点数据在一起，单行数据所需的存储空间较大。以至于数据库缓存的数据行减少，查询时会去读磁盘数据产生大量的随机读IO，产生IO瓶颈。

4.分析： 可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据（可能会冗余经常一起查询的数据）放在一起作为主表，非热点数据放在一起作为扩展表。

这样更多的热点数据就能被缓存下来，进而减少了随机读IO。 拆了之后，要想获得全部数据就需要关联两个表来取数据。但记住，千万别用join，因为join不仅会增加CPU负担并且会讲两个表耦合在一起（必须在一个数据库实例上）。关联数据，应该在业务Service层做文章，分别获取主表和扩展表数据然后用关联字段关联得到全部数据。

### **三、分库分表工具** ###

1.  sharding-sphere： jar，前身是sharding-jdbc；
2.  TDDL： jar，Taobao Distribute Data Layer；
3.  Mycat： 中间件。

注： 工具的利弊，请自行调研，官网和社区优先。

### **四、分库分表步骤** ###

根据容量（当前容量和增长量）评估分库或分表个数 -> 选key（均匀）-> 分表规则（hash或range等）-> 执行（一般双写）-> 扩容问题（尽量减少数据的移动）。

### **五、分库分表问题** ###

#### 1、非partition key的查询问题（水平分库分表，拆分策略为常用的hash法） ####

1.  端上除了partition key只有一个非partition key作为条件查询

*  映射法

![640?wx\_fmt=png][640_wx_fmt_png 4]

*  基因法

![640?wx\_fmt=png][640_wx_fmt_png 5]

注： 写入时，基因法生成userid，如图。关于xbit基因，例如要分8张表，23=8，故x取3，即3bit基因。根据userid查询时可直接取模路由到对应的分库或分表。

根据username查询时，先通过usernamecode生成函数生成username\_code再对其取模路由到对应的分库或分表。 id生成常用snowflake算法。

1.  端上除了partition key不止一个非partition key作为条件查询

*  映射法

![640?wx\_fmt=png][640_wx_fmt_png 6]

*  冗余法

![640?wx\_fmt=png][640_wx_fmt_png 7]

注： 按照orderid或buyerid查询时路由到dbobuyer库中，按照sellerid查询时路由到dbo\_seller库中。感觉有点本末倒置！有其他好的办法吗？改变技术栈呢？

1.  后台除了partition key还有各种非partition key组合条件查询

*  NoSQL法

![640?wx\_fmt=png][640_wx_fmt_png 8]

*  冗余法

![640?wx\_fmt=png][640_wx_fmt_png 9]

#### 2、非partition key跨库跨表分页查询问题（水平分库分表，拆分策略为常用的hash法） ####

注： 用NoSQL法解决（ES等）。

#### 3、扩容问题（水平分库分表，拆分策略为常用的hash法） ####

1.水平扩容库（升级从库法）

![640?wx\_fmt=png][640_wx_fmt_png 10]

注： 扩容是成倍的。

2.水平扩容表（双写迁移法）

![640?wx\_fmt=png][640_wx_fmt_png 11]

第一步： （同步双写）应用配置双写，部署；第二步：（同步双写）将老库中的老数据复制到新库中；第三步：（同步双写）以老库为准校对新库中的老数据；第四步：（同步双写）应用去掉双写，部署；

注： 双写是通用方案。

### **六、分库分表总结** ###

1.  分库分表，首先得知道瓶颈在哪里，然后才能合理地拆分（分库还是分表？ 水平还是垂直？分几个？）。且不可为了分库分表而拆分。
2.  选key很重要，既要考虑到拆分均匀，也要考虑到非partition key的查询。
3.  只要能满足需求，拆分规则越简单越好。

### **七、分库分表示例** ###

示例GitHub址:

https://github.com/LiHaodong888/SpringBootLear

如果喜欢本篇文章，欢迎转发、点赞。关注订阅号「Web项目聚集地」，回复「全栈」即可获取 2019 年最新 Java、Python、前端学习视频资源。

--------------------

**推荐阅读**

***1.***

***2. ***

***3.***

***4. ***

***5.***

***6.***

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 1]

**喜欢文章，点个** **在看** ** ** ![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 2]

[640_wx_fmt_jpeg]: /images/20210731/0bf45888d8f94c47b2dc8f1fa80da0e6.png?wx_fmt=jpeg
[640_wx_fmt_png]: /images/20210731/723a2cdfa6884a529b2df96e0c627d1c.png?wx_fmt=png
[640_wx_fmt_png 1]: /images/20210731/3a18e1e7969a49a096db633ffa01fb50.png?wx_fmt=png
[640_wx_fmt_png 2]: /images/20210731/1931f646d1d2420c895edb6471863a50.png?wx_fmt=png
[640_wx_fmt_png 3]: /images/20210731/c7480e6cfe1a495e945567a7b1f4cf32.png?wx_fmt=png
[640_wx_fmt_png 4]: /images/20210731/4f4212c47616442ab3a7cab0b33a2ccc.png?wx_fmt=png
[640_wx_fmt_png 5]: /images/20210731/ee9adc4685424e47abdebf75bd3cd10a.png?wx_fmt=png
[640_wx_fmt_png 6]: /images/20210731/0444e4f1fb914000a40858c181b5c3d8.png?wx_fmt=png
[640_wx_fmt_png 7]: /images/20210731/bd3f621950b04194a6ed496cdd23017e.png?wx_fmt=png
[640_wx_fmt_png 8]: /images/20210731/5aed6eb87a434ccd80f3fa11ba8548ed.png?wx_fmt=png
[640_wx_fmt_png 9]: /images/20210731/09a5241786bb444ba314e4feab6548fd.png?wx_fmt=png
[640_wx_fmt_png 10]: /images/20210731/9658cf4573674782ba06e64a866e6993.png?wx_fmt=png
[640_wx_fmt_png 11]: /images/20210731/e197315978124ded8598b82fba4505e3.png?wx_fmt=png
[640_wx_fmt_jpeg 1]: /images/20210731/2c9445b105424a18a322930bcd914309.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 2]: /images/20210731/328b9ab21d4a49ed96e6d77fa17ab0aa.png?wx_fmt=jpeg