数据库分库分表解决方案汇总

公司业主高速增长后，除了业主划分、主从备份，数据库的分库分表，也是重要的解决方案之一。

本文重点介绍数据库的分库分表解决方案。

一、数据切分

关系型数据库本身比较容易成为系统单点瓶颈，单机存储容量、连接数、IO处理能力都有限。

当单表的数据量达到 1000W行或 100GB 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、汇总。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。

Sharding的基本思想就要把一个数据库切分成多个部分放到不同的数据库(server)上，从而缓解单一数据库的性能问题。不太严格的讲，对于海量数据的数据库，如果是因为表多而数据多，这时候适合使用垂直切分，即把关系紧密（比如同一模块）的表切分出来放在一个server上。如果表并不多，但每张表的数据非常多，这时候适合水平切分，即把表的数据按某种规则（比如按ID散列）切分到多个数据库(server)上。当然，现实中更多是这两种情况混杂在一起，这时候需要根据实际情况做出选择，也可能会综合使用垂直与水平切分，从而将原有数据库切分成类似矩阵一样可以无限扩充的数据库(server)阵列。

需要特别说明的是：当同时进行垂直和水平切分时，切分策略会发生一些微妙的变化。比如：在只考虑垂直切分的时候，被划分到一起的表之间可以保持任意的关联关系，因此你可以按“功能模块”划分表格，但是一旦引入水平切分之后，表间关联关系就会受到很大的制约，通常只能允许一个主表（以该表ID进行散列的表）和其多个次表之间保留关联关系，也就是说：当同时进行垂直和水平切分时，在垂直方向上的切分将不再以“功能模块”进行划分，而是需要更加细粒度的垂直切分，而这个粒度与领域驱动设计中的“聚合”概念不谋而合，甚至可以说是完全一致，每个shard的主表正是一个聚合中的聚合根！这样切分下来你会发现数据库分被切分地过于分散了（shard的数量会比较多，但是shard里的表却不多），为了避免管理过多的数据源，充分利用每一个数据库服务器的资源，可以考虑将业务上相近，并且具有相近数据增长速率（主表数据量在同一数量级上）的两个或多个shard放到同一个数据源里，每个shard依然是独立的，它们有各自的主表，并使用各自主表ID进行散列，不同的只是它们的散列取模（即节点数量）必需是一致的。

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：

1）解决业务系统层面的耦合，业务清晰

2）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

3）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：

1）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

2）分布式事务处理复杂，数据的一致性维护难度大

3）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，例如：10亿用户的用户表 tbl_user，不可能在一张表里存10亿行 user_id，因为MySQL单表的行数大约500万行，100GB的大小，查询效率才会比较高。行数再多了，如10亿行，查询效率会急剧的下降，甚至无法查询。

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、高并发的瓶颈，最好通过分库分表来解决。

水平切分的优点：

1）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

2）应用端改造较小，不需要拆分业务模块

缺点：

1）跨分片的事务一致性难以保证

2）跨库的join关联查询性能较差

3）数据多次扩展难度、迁移、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：

订单表，按日期将不同月甚至是日的数据分散到不同的库中；

用户表，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：

1）单表大小可控，前期物理机服务器投入不大，随着用户、订单量增长来扩容，节约早期的成本

2）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

3）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：

1）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：

1）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）

2）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。

行文至此，分库分表的基本思路应该明了，紧接着有一箩筐的棘手问题还需要处理：

问题1：关联查询问题

数据切分后的第一个大难题就是关联查询，跨库关联查询的想法最好打消掉，目前没有好的解决方案。

简单一些的办法就是根据E-R图来切分，将同一族的数据都存放在本地库内，这样将跨库数据关联变成跨库数据拼接。

基于上述表间关系，同一客户的账户及账户的余额都在同一库，

当查询条件未使用切分字段时，则将向4个库分别发起查询，以得到全部结果。

若希望查询某一客户的所有账户及余额时，将根据切分字段CUS_ID值直接定位到DB1库查询。

问题2：分页查询问题

正如前面提到的分库并行查询时，若需要分页查询则将出现悲剧，每个库返回的结果集本身是无序的，无法确定应该如何返回数据给用户。目前像MyCat这类中间件要求分页查询时必须带上ORDER BY字段，好使得多库查询结果全部出来后，再在内存中根据排序字段单独进行排序，最后返回最小结果集。可以想像，当查询的总结果集过大时，这一排序过程对CPU资源和时间的消耗相当可观。

问题3：事务一致性问题

当我们需要更新的内容同时分布在不同库时，不可避免会带来跨库事务问题，在JavaEE体系下使用XA事务进行协调解决，但XA事务目前也并非完全安全，在最后确认提交这一步若某个库失败时，并不能确保所有库都能成功roolback。目前针对此种情况尚无简单的方案，需要采用日志分析、事后补偿的方式来解决，以达到互联网类系统宣称的“最终一致性”。

问题4：主键避重问题

由于表同时存在于多个数据库内，主键值我们平时常用的自增序列将无用武之地，因此需要单独设计全局主键，以避免跨库主键重复问题。

问题5：公共表问题

前方主要谈分表相关的内容，实际应用中大量的参数表、产品表等都数据量较小，而且属于高频联合查询的依赖表，这类表的所有数据都需要同时出现在各个库中。

一种办法就是我们对公共表的所有更新操作都同时发送到所有分库执行，然后指定一个主库，若主库成功我们就认为操作成功，然后再定期对其它库的数据进行同步操作。

小结

上面所列的五大问题只是我们从宏观层面所看到的，还有许多实操环节的细节问题、分布式数据库中间件自身局限问题，例如SQL阻塞、死锁等导致全库无法工作等都会存在，特别是在主从模式下带来的数据不一致等问题。一旦你选择了数据切分，这些问题便接踵而来，如何构建相应的数据修复机制、避免全局故障等问题将伴随整个应用生命周期。

最后来点个人意见，作为我等传统银行，在非关键业务应用中可以尝试，原则上能不分表就不分表。我愿意相信，在数据膨胀的时代驱动下，成熟的商业化分布式数据库问世的时间将不会太久，像传统银行核心这类系统不妨等等看。

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。

值得提到的是，MySQL5.5x 和 5.6x 中的 xa 支持是存在问题的，会导致主从数据不一致。直到 5.7x 版本中才得到修复。Java 应用程序可以采用 Atomikos 框架来实现 XA 事务（J2EE 中 JTA）。感兴趣的读者可以自行参考《分布式事务一致性解决方案》

关于分布式事务、两阶段提交、一阶段提交、Best Efforts 1PC模式和事务补偿机制的研究

1）两阶段提交

优点

基于两阶段提交，最大限度地保证了跨数据库操作的“原子性”，是分布式系统下最严格的事务实现方式。

实现简单，工作量小。由于多数应用服务器以及一些独立的分布式事务协调器做了大量的封装工作，使得项目中引入分布式事务的难度和工作量基本上可以忽略不计。

缺点

系统“水平”伸缩的死敌。基于两阶段提交的分布式事务在提交事务时需要在多个节点之间进行协调，最大限度地推后了提交事务的时间点，客观上延长了事务的执行时间，这会导致事务在访问共享资源时发生冲突和死锁的概率增高，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伸缩的"枷锁"，这是很多Sharding系统不采用分布式事务的主要原因。

2）基于Best Efforts 1PC模式的事务

参考spring-data-neo4j的实现。

鉴于Best Efforts 1PC模式的性能优势，以及相对简单的实现方式，它被大多数的sharding框架和项目采用

3）事务补偿（幂等值）

对于那些对性能要求很高，但对一致性要求并不高的系统，往往并不苛求系统的实时一致性，只要在一个允许的时间周期内达到最终一致性即可，这使得事务补偿机制成为一种可行的方案。事务补偿机制最初被提出是在“长事务”的处理中，但是对于分布式系统确保一致性也有很好的参考意义。笼统地讲，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并补救的措施，它只期望在一个容许时间周期内得到最终一致的结果就可以了。事务补偿的实现与系统业务紧密相关，并没有一种标准的处理方式。一些常见的实现方式有：对数据进行对帐检查，基于日志进行比对，定期与标准数据来源进行同步，等等。

小结

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。

解决事务问题目前有两种可行的方案：

方案1：使用分布式事务

优点：交由数据库管理，简单有效

缺点：性能代价高，特别是shard越来越多时

方案2：由应用程序和数据库共同控制

原理：将一个跨多个数据库的分布式事务分拆成多个仅处于单个数据库上面的小事务，并通过应用程序来总控各个小事务。

优点：性能上有优势

缺点：需要应用程序在事务控制上做灵活设计。如果使用了Spring的事务管理，改动起来会面临一定的困难。

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。

4）ER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。基于 ER 分片的这种方式，能够有效避免大多数业务场景中的跨分片 join 问题。

内存计算

随着 spark 内存计算的兴起，理论上来讲，很多跨数据源的操作问题看起来似乎都能够得到解决。

可以将数据丢给 spark 集群进行内存计算，最后将计算结果返回。

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：

1）UUID

UUID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（包含4个横杠"-"字符），

例如：550e8400-e29b-41d4-a716-446655440000

UUID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（不是以主键的聚簇顺序存储），导致分页。

简单介绍几种 ID 生成算法

1）Twitter 的 Snowflake（又名“雪花算法”）

2）UUID/GUID（一般应用程序和数据库均支持，32位十六进制，例如："550e8400-e29b-41d4-a716-446655440000"）

3）MongoDB ObjectID（类似 UUID 的方式，12个字节24位十六进制，例如："507f1f77bcf86cd799439011"）

4）Ticket Server（数据库生成方式，Flickr 采用的就是这种方式）

其中，Twitter 的 Snowflake 算法是笔者近几年在分布式系统项目中使用最多的，未发现重复或并发的问题。

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`)  
) ENGINE=MyISAM;

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。

优化1：两台或多台服务器，设置步长，产生唯一不同的 userId

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（步长）。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DB，DB的压力还是很大，只能靠堆机器来提升性能。

优化2：两台或多台服务器，一次提取多个ID号段备用，减少读写次数

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。

3）Snowflake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：

1）第一位未使用

2）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

3）5位datacenterId，5位workerId。10位的长度最多支持部署1024个节点（ 2^10 = 1024 ）

4）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：

1）毫秒数在高位，生成的ID整体上按时间趋势递增，解决了 hash(UUID)不连续的存储的跨页问题；

2）不依赖第三方系统，稳定性和效率较高，理论上QPS约为409.6w/s（1000*2^12），并且整个分布式系统内不会产生ID碰撞；

3）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（毫秒数），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和100GB）。

如果采用数值范围分片，只需要添加服务器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hash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。

1）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"。

2）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。

3）当数据量达到单表的瓶颈时候，再考虑分库分表。

依照经验，一般 MySQL 单表 1000W 左右的数据是没有问题的（前提是应用系统和数据库等层面设计和优化的比较好）。当然，除了考虑当前的数据量和性能情况时，作为架构师，我们需要提前考虑系统半年到一年左右的业务增长情况，对数据库服务器的 QPS、连接数、带宽IO、容量等做合理评估和规划，并提前做好相应的准备工作。如果单机无法满足，且很难再从其他方面优化，那么说明是需要考虑分片的。这种情况可以先去掉数据库中自增 ID，为分片和后面的数据迁移工作提前做准备。很多人觉得“分库分表”是宜早不宜迟，应该尽早进行，因为担心越往后公司业务发展越快、系统越来越复杂、系统重构和扩展越困难…这种话听起来是有那么一点道理，但我的观点恰好相反，对于关系型数据库来讲，我认为“能不分片就别分片”，除非是系统真正需要，因为数据库分片并非低成本或者免费的。

这里笔者推荐一个比较靠谱的过渡技术–“表分区”，主流的关系型数据库中基本都支持。不同的分区在逻辑上仍是一张表，但是物理上却是分开的，能在一定程度上提高查询性能，而且对应用程序透明，无需修改任何代码。笔者曾经负责优化过一个系统，主业务表有大约 8000W 左右的数据，考虑到成本问题，当时就是采用“表分区”来做的，效果比较明显，且系统运行的很稳定。

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（5.55个小时）才能传输完毕，整个过程的风险都是比较高的，即使在晚上24点做数据迁移，也要加班到凌晨5、6点钟，风险极高。

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_time 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/删除等功能，其核心表为：

User(uid, login_name, passwd, sex, age, nickname)

上面语句中，说明如下：

1）uid为用户ID, 主键

2）login_name, passwd, sex, age, nickname, 用户属性

数据库设计上，在业务初期单库单表就能够搞定这个需求，典型的架构设计为：

user-center：用户中心服务，对调用者提供友好的RPC接口

user-db：对用户进行数据存储

用户中心水平切分方法

当数据量越来越大时，需要对数据库进行水平切分，常见的水平切分算法有“范围法”和“哈希法”。

1）范围法

以用户中心的业务主键uid为划分依据，将数据水平切分到两个数据库实例上去：

user-db1：存储0到1千万的uid数据

user-db2：存储1到2千万的uid数据

优点：

1）切分策略简单，根据uid，按照范围，user- center很快能够定位到数据在哪个库上

2）扩容简单，如果容量不够，只要增加user-db3即可

缺点：

1）uid必须要满足递增的特性

2）数据量不均，新增的user-db3，在初期的数据会比较少

3）请求量不均，一般来说，新注册的用户活跃度会比较高，故user-db2往往会比user-db1负载要高，导致服务器利用率不平衡

2）哈希法

也是以用户中心的业务主键uid为划分依据，将数据水平切分到两个数据库实例上去：

user-db1：存储uid取模得1的uid数据

user-db2：存储uid取模得0的uid数据

优点：

1）切分策略简单，根据uid，按照hash，user-center很快能够定位到数据在哪个库上

2）数据量均衡，只要uid是均匀的，数据在各个库上的分布一定是均衡的

3）请求量均衡，只要uid是均匀的，负载在各个库上的分布一定是均衡的

缺点：

扩容麻烦，如果容量不够，要增加一个库，重新hash可能会导致数据迁移，如何平滑的进行数据迁移，是一个需要解决的问题

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"。

1）"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

2）"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。

用户中心水平切分后带来的问题

使用uid来进行水平切分之后，整个用户中心的业务访问会遇到什么问题呢？

对于uid属性上的查询可以直接路由到库，假设访问uid=124的数据，取模后能够直接定位db-user1：

uid % 3 = 124 % 3 = 1，即取模后能够直接定位db-user1

对于非uid属性上的查询，例如 login_name属性上的查询，就悲剧了：

假设访问login_name=shenjian的数据，由于不知道数据落在哪个库上，往往需要遍历所有库，当分库数量多起来，性能会显著降低。

如何解决分库后，非uid属性上的查询问题，是后文要重点讨论的内容。

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：

1）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：

a）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

b）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

用户侧的查询基本上是单条记录的查询，访问量较大，服务需要高可用，并且对一致性的要求较高

2）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。

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、用户侧：建立非uid属性到uid的映射关系

1）索引表法

思路：uid能直接定位到库，login_name不能直接定位到库，如果通过login_name能查询到uid，问题解决

解决方案：

建立一个索引表记录login_name->uid的映射关系
用login_name来访问时，先通过索引表查询到uid，再定位相应的库
索引表属性较少，可以容纳非常多数据，一般不需要分库
如果数据量过大，可以通过login_name来分库

缺点：多一次数据库查询，性能下降一倍

2）缓存映射法

思路：访问索引表性能较低，把映射关系放在缓存里性能更佳

解决方案：

login_name查询先到cache中查询uid，再根据uid定位数据库
假设cache miss，采用扫全库法获取login_name对应的uid，放入cache
login_name到uid的映射关系不会变化，映射关系一旦放入缓存，不会更改，无需淘汰，缓存命中率超高
如果数据量过大，可以通过login_name进行cache水平切分

缺点：多一次cache查询

小结

核心思路是 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。

3）基因法

通过 login_name 生成 uid

思路：不进行远程查询，由login_name直接得到uid

解决方案：

在用户注册时，设计函数login_name生成uid，uid=f(login_name)，按uid分库插入数据
用login_name来访问时，先通过函数计算出uid，即uid=f(login_name)再来一遍，由uid路由到对应库

缺点：该函数设计需要非常讲究技巧，有uid生成冲突风险

把 login_name基因融入uid

思路：不能用login_name生成uid，可以从login_name抽取“基因”，融入uid中

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，即由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。

解决方案：

在用户注册时，设计函数login_name生成3bit基因，login_name_gene=f(login_name)，如上图粉色部分
同时，生成61bit的全局唯一id，作为用户的标识，如上图绿色部分
接着把3bit的login_name_gene也作为uid的一部分，如上图屎黄色部分
生成64bit的uid，由id和login_name_gene拼装而成，并按照uid分库插入数据
用login_name来访问时，先通过函数由login_name再次复原3bit基因，login_name_gene=f(login_name)，通过login_name_gene%8直接定位到库

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、运营侧：前台与后台分离

对于前台用户侧，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。

对于后台运营侧，业务需求各异，基本是批量分页的访问，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“少数几个请求”的“批量查询”的“低效”访问，占用大量数据库CPU计算资源，CPU瞬时占用100%，而导致前台用户侧访问性能降低或超时，影响前台正常用户的访问（例如登录超时、查询超时等严重故障）。

而且，为了满足后台业务各类“奇形怪状”的需求，往往会在数据库上建立各种索引，这些索引占用大量内存，会使得用户侧前台业务uid/login_name上的查询性能与写入性能大幅度降低，处理时间增长。