數據庫瓶頸

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的活躍連接數的閾值。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（并發量、吞吐量、崩潰）。

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

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，增加CPU運算的操作。->水平分表。

分庫分表

水平分庫

1、概念：以字段為依據，按照一定策略（hash、range等），將一個庫中的數據拆分到多個庫中。
2、結果：

每個庫的結構都一樣
每個庫中的數據不一樣，沒有交集
所有庫的數據并集是全量數據
3、場景：系統絕對并發量上來了，分表難以根本上解決問題，并且還沒有明顯的業務歸屬來垂直分庫的情況下。
4、分析：庫多了，io和cpu的壓力自然可以成倍緩解

水平分表

1、概念：以字段為依據，按照一定策略（hash、range等），講一個表中的數據拆分到多個表中。
2、結果：

每個表的結構都一樣
每個表的數據不一樣，沒有交集，所有表的并集是全量數據。
3、場景：系統絕對并發量沒有上來，只是單表的數據量太多，影響了SQL效率，加重了CPU負擔，以至于成為瓶頸，可以考慮水平分表。
4、分析：單表的數據量少了，單次執行SQL執行效率高了，自然減輕了CPU的負擔。

垂直分庫

1、概念：以表為依據，按照業務歸屬不同，將不同的表拆分到不同的庫中。
2、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
所有庫的并集是全量數據
3、場景：系統絕對并發量上來了，并且可以抽象出單獨的業務模塊的情況下。
4、分析：到這一步，基本上就可以服務化了。例如：隨著業務的發展，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。再者，隨著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。

垂直分表

1、概念：以字段為依據，按照字段的活躍性，將表中字段拆到不同的表中（主表和擴展表）。
2、結果：

每個表的結構不一樣。
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，用于關聯數據。
所有表的并集是全量數據。 3、場景：系統絕對并發量并沒有上來，表的記錄并不多，但是字段多，并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，以至于數據庫緩存的數據行減少，查詢時回去讀磁盤數據產生大量隨機讀IO，產生IO瓶頸。
4、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（可能經常會查詢的數據）放在一起作為主表，非熱點數據放在一起作為擴展表，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。拆了之后，要想獲取全部數據就需要關聯兩個表來取數據。
但記住千萬別用join，因為Join不僅會增加CPU負擔并且會將兩個表耦合在一起（必須在一個數據庫實例上）。關聯數據應該在service層進行，分別獲取主表和擴展表的數據，然后用關聯字段關聯得到全部數據。

分庫分表工具

sharding-jdbc（當當）
TSharding（蘑菇街）
Atlas（奇虎360）
Cobar（阿里巴巴）
MyCAT（基于Cobar）
Oceanus（58同城）
Vitess（谷歌）各種工具的利弊自查

分庫分表帶來的問題

分庫分表能有效緩解單機和單表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，同時也帶來一些問題，下面將描述這些問題和解決思路。

事務一致性問題

分布式事務

當更新內容同時存在于不同庫找那個，不可避免會帶來跨庫事務問題。跨分片事務也是分布式事務，沒有簡單的方案，一般可使用“XA協議”和“兩階段提交”處理。分布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，推后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沖突或死鎖的概率增高。隨著數據庫節點的增多，這種趨勢會越來越嚴重，從而成為系統在數據庫層面上水平擴展的枷鎖。

最終一致性

對于那些性能要求很高，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，可采用事務補償的方式。與事務在執行中發生錯誤立刻回滾的方式不同，事務補償是一種事后檢查補救的措施，一些常見的實現方法有：對數據進行對賬檢查，基于日志進行對比，定期同標準數據來源進行同步等。

跨節點關聯查詢join問題

切分之前，系統中很多列表和詳情表的數據可以通過join來完成，但是切分之后，數據可能分布在不同的節點上，此時join帶來的問題就比較麻煩了，考慮到性能，盡量避免使用Join查詢。解決的一些方法：

全局表

全局表，也可看做“數據字典表”，就是系統中所有模塊都可能依賴的一些表，為了避免庫join查詢，可以將這類表在每個數據庫中都保存一份。這些數據通常很少修改，所以不必擔心一致性的問題。

字段冗余

一種典型的反范式設計，利用空間換時間，為了性能而避免join查詢。例如，訂單表在保存userId的時候，也將userName也冗余的保存一份，這樣查詢訂單詳情順表就可以查到用戶名userName，就不用查詢買家user表了。但這種方法適用場景也有限，比較適用依賴字段比較少的情況，而冗余字段的一致性也較難保證。

數據組裝

在系統service業務層面，分兩次查詢，第一次查詢的結果集找出關聯的數據id，然后根據id發起器二次請求得到關聯數據，最后將獲得的結果進行字段組裝。這是比較常用的方法。

ER分片

關系型數據庫中，如果已經確定了表之間的關聯關系（如訂單表和訂單詳情表），并且將那些存在關聯關系的表記錄存放在同一個分片上，那么就能較好地避免跨分片join的問題，可以在一個分片內進行join。在1:1或1：n的情況下，通常按照主表的ID進行主鍵切分。

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，當排序字段就是分頁字段時，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，就變得比較復雜.需要先在不同的分片節點中將數據進行排序并返回，然后將不同分片返回的結果集進行匯總和再次排序，最終返回給用戶如下圖：

上圖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，情況就變得復雜的多，因為各分片節點中的數據可能是隨機的，為了排序的準確性，需要將所有節點的前N頁數據都排序好做合并，最后再進行整體排序，這樣的操作很耗費CPU和內存資源，所以頁數越大，系統性能就會越差。
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，然后將各個分片的結果集進行匯總再次計算。

全局主鍵避重問題

在分庫分表環境中，由于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ID無法保證全局唯一。因此需要單獨設計全局主鍵，避免跨庫主鍵重復問題。這里有一些策略：

UUID

UUID標準形式是32個16進制數字，分為5段，形式是8-4-4-4-12的36個字符。 UUID是最簡單的方案，本地生成，性能高，沒有網絡耗時，但是缺點明顯，占用存儲空間多，另外作為主鍵建立索引和基于索引進行查詢都存在性能問題，尤其是InnoDb引擎下，UUID的無序性會導致索引位置頻繁變動，導致分頁。

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;
復制代碼

stub字段設置為唯一索引，同一stub值在sequence表中只有一條記錄，可以同時為多張表生辰全局ID。使用MyISAM引擎而不是InnoDb，已獲得更高的性能。MyISAM使用的是表鎖，對表的讀寫是串行的，所以不用擔心并發時兩次讀取同一個ID。當需要全局唯一的ID時，執行：

REPLACE INTO sequence (stub) VALUES ('a');  
SELECT LAST_INSERT_ID();  
復制代碼

此方案較為簡單，但缺點較為明顯：存在單點問題，強依賴DB，當DB異常時，整個系統不可用。配置主從可以增加可用性。另外性能瓶頸限制在單臺MySQL的讀寫性能。另有一種主鍵生成策略，類似sequence表方案，更好的解決了單點和性能瓶頸問題。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表用于記錄當前全局ID。 表中增長的步長是庫的數量，起始值依次錯開，這樣就能將ID的生成散列到各個數據庫上

這種方案將生成ID的壓力均勻分布在兩臺機器上，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獲取ID。但有幾個缺點：系統添加機器，水平擴展較復雜；每次獲取ID都要讀取一次DB，DB的壓力還是很大，只能通過堆機器來提升性能。

Snowflake分布式自增ID算法

Twitter的snowfalke算法解決了分布式系統生成全局ID的需求，生成64位Long型數字，組成部分：

第一位未使用
接下來的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位長度最多支持部署1024個節點
最后12位是毫秒內計數，12位的計數順序號支持每個節點每毫秒產生4096個ID序列。

數據遷移、擴容問題

當業務高速發展、面臨性能和存儲瓶頸時，才會考慮分片設計，此時就不可避免的需要考慮歷史數據的遷移問題。一般做法是先讀出歷史數據，然后按照指定的分片規則再將數據寫入到各分片節點中。此外還需要根據當前的數據量個QPS，以及業務發展速度，進行容量規劃，推算出大概需要多少分片（一般建議單個分片的單表數據量不超過1000W）