每個優秀的程序員和架構師都應該掌握分庫分表，這是我的觀點。
移動互聯網時代，海量的用戶每天產生海量的數量，比如：
- 用戶表
- 訂單表
- 交易流水表
以支付寶用戶為例，8億；微信用戶更是10億。訂單表更夸張，比如美團外賣，每天都是幾千萬的訂單。淘寶的歷史訂單總量應該百億，甚至千億級別，這些海量數據遠不是一張表能Hold住的。事實上MySQL單表可以存儲10億級數據，只是這時候性能比較差，業界公認MySQL單表容量在1KW以下是最佳狀態，因為這時它的BTREE索引樹高在3~5之間。
既然一張表無法搞定，那么就想辦法將數據放到多個地方，目前比較普遍的方案有3個：
- 分區；
- 分庫分表；
- NoSQL/NewSQL；
說明：只分庫，或者只分表，或者分庫分表融合方案都統一認為是分庫分表方案，因為分庫，或者分表只是一種特殊的分庫分表而已。NoSQL比較具有代表性的是MongoDB，es。NewSQL比較具有代表性的是TiDB。
Why Not NoSQL/NewSQL?
首先，為什么不選擇第三種方案NoSQL/NewSQL，我認為主要是RDBMS有以下幾個優點： - RDBMS生態完善； - RDBMS絕對穩定； - RDBMS的事務特性；
NoSQL/NewSQL作為新生兒，在我們把可靠性當做首要考察對象時，它是無法與RDBMS相提并論的。RDBMS發展幾十年，只要有軟件的地方，它都是核心存儲的首選。
目前絕大部分公司的核心數據都是：以RDBMS存儲為主，NoSQL/NewSQL存儲為輔！互聯網公司又以MySQL為主，國企&銀行等不差錢的企業以Oracle/DB2為主！NoSQL/NewSQL宣傳的無論多牛逼，就現在各大公司對它的定位，都是RDBMS的補充，而不是取而代之！
Why Not 分區?
我們再看分區表方案。了解這個方案之前，先了解它的原理：
分區表是由多個相關的底層表實現，這些底層表也是由句柄對象表示，所以我們也可以直接訪問各個分區，存儲引擎管理分區的各個底層表和管理普通表一樣（所有的底層表都必須使用相同的存儲引擎），分區表的索引只是在各個底層表上各自加上一個相同的索引，從存儲引擎的角度來看，底層表和一個普通表沒有任何不同，存儲引擎也無須知道這是一個普通表還是一個分區表的一部分。
事實上，這個方案也不錯，它對用戶屏蔽了sharding的細節，即使查詢條件沒有sharding column，它也能正常工作（只是這時候性能一般）。不過它的缺點很明顯：很多的資源都受到單機的限制，例如連接數，網絡吞吐等！雖然每個分區可以獨立存儲，但是分區表的總入口還是一個MySQL示例。從而導致它的并發能力非常一般，遠遠達不到互聯網高并發的要求！
至于網上提到的一些其他缺點比如：無法使用外鍵，不支持全文索引。我認為這都不算缺點，21世紀的項目如果還是使用外鍵和數據庫的全文索引，我都懶得吐槽了！
所以，如果使用分區表，你的業務應該具備如下兩個特點：
- 數據不是海量（分區數有限，存儲能力就有限）；
- 并發能力要求不高；
Why 分庫分表?
最后要介紹的就是目前互聯網行業處理海量數據的通用方法：分庫分表。
雖然大家都是采用分庫分表方案來處理海量核心數據，但是還沒有一個一統江湖的中間件，筆者這里列舉一些有一定知名度的分庫分表中間件：
- 阿里的TDDL，DRDS和cobar，
- 開源社區的sharding-jdbc（3.x已經更名為sharding-sphere）；
- 民間組織的MyCAT；
- 360的Atlas；
- 美團的zebra；
備注：sharding-jdbc的作者張亮大神原來在當當，現在在京東金融。但是sharding-jdbc的版權屬于開源社區，不是公司的，也不是張亮個人的！
其他比如網易，58，京東等公司都有自研的中間件。總之各自為戰，也可以說是百花齊放。
但是這么多的分庫分表中間件全部可以歸結為兩大類型：
- CLIENT模式；
- PROXY模式；
CLIENT模式代表有阿里的TDDL，開源社區的sharding-jdbc（sharding-jdbc的3.x版本即sharding-sphere已經支持了proxy模式）。架構如下：
client arch
PROXY模式代表有阿里的cobar，民間組織的MyCAT。架構如下：
proxy arch
但是，無論是CLIENT模式，還是PROXY模式。幾個核心的步驟是一樣的：SQL解析，重寫，路由，執行，結果歸并。
筆者比較傾向于CLIENT模式，架構簡單，性能損耗較小，運維成本低。
接下來，以幾個常見的大表為案例，說明分庫分表如何落地！
實戰案例
分庫分表第一步也是最重要的一步，即sharding column的選取，sharding column選擇的好壞將直接決定整個分庫分表方案最終是否成功。而sharding column的選取跟業務強相關，筆者認為選擇sharding column的方法最主要分析你的API流量，優先考慮流量大的API，將流量比較大的API對應的SQL提取出來，將這些SQL共同的條件作為sharding column。例如一般的OLTP系統都是對用戶提供服務，這些API對應的SQL都有條件用戶ID，那么，用戶ID就是非常好的sharding column。
這里列舉分庫分表的幾種主要處理思路：
- 只選取一個sharding column進行分庫分表 ；
- 多個sharding column多個分庫分表；
- sharding column分庫分表 + es；
再以幾張實際表為例，說明如何分庫分表。
訂單表
訂單表幾個核心字段一般如下：
訂單表
以阿里訂單系統為例（參考《企業IT架構轉型之道：阿里巴巴中臺戰略思想與架構實現》），它選擇了三個column作為三個獨立的sharding column，即：order_id，user_id，merchant_code。user_id和merchant_code就是買家ID和賣家ID，因為阿里的訂單系統中買家和賣家的查詢流量都比較大，并且查詢對實時性要求都很高。而根據order_id進行分庫分表，應該是根據order_id的查詢也比較多。
這里還有一點需要提及，多個sharding-column的分庫分表是冗余全量還是只冗余關系索引表，需要我們自己權衡。
冗余全量的情況如下--每個sharding列對應的表的數據都是全量的，這樣做的優點是不需要二次查詢，性能更好，缺點是比較浪費存儲空間（淺綠色字段就是sharding-column）：
冗余全量
冗余關系索引表的情況如下--只有一個sharding column的分庫分表的數據是全量的，其他分庫分表只是與這個sharding column的關系表，這樣做的優點是節省空間，缺點是除了第一個sharding column的查詢，其他sharding column的查詢都需要二次查詢，這三張表的關系如下圖所示（淺綠色字段就是sharding column）：
表之間的關系圖
冗余全量表PK.冗余關系表
- 速度對比：冗余全量表速度更快，冗余關系表需要二次查詢，即使有引入緩存，還是多一次網絡開銷；
- 存儲成本：冗余全量表需要幾倍于冗余關系表的存儲成本；
- 維護代價：冗余全量表維護代價更大，涉及到數據變更時，多張表都要進行修改。
總結：選擇冗余全量表還是索引關系表，這是一種架構上的trade off，兩者的優缺點明顯，阿里的訂單表是冗余全量表。
用戶表
用戶表幾個核心字段一般如下：
用戶表
一般用戶登錄場景既可以通過mobile_no，又可以通過email，還可以通過username進行登錄。但是一些用戶相關的API，又都包含user_id，那么可能需要根據這4個column都進行分庫分表，即4個列都是sharding-column。
賬戶表
賬戶表幾個核心字段一般如下：
賬戶表
與賬戶表相關的API，一般條件都有account_no，所以以account_no作為sharding-column即可。
復雜查詢
上面提到的都是條件中有sharding column的SQL執行。但是，總有一些查詢條件是不包含sharding column的，同時，我們也不可能為了這些請求量并不高的查詢，無限制的冗余分庫分表。那么這些條件中沒有sharding column的SQL怎么處理？以sharding-jdbc為例，有多少個分庫分表，就要并發路由到多少個分庫分表中執行，然后對結果進行合并。具體如何合并，可以看筆者sharding-jdbc系列文章，有分析源碼講解合并原理。
這種條件查詢相對于有sharding column的條件查詢性能很明顯會下降很多。如果有幾十個，甚至上百個分庫分表，只要某個表的執行由于某些因素變慢，就會導致整個SQL的執行響應變慢，這非常符合木桶理論。
更有甚者，那些運營系統中的模糊條件查詢，或者上十個條件篩選。這種情況下，即使單表都不好創建索引，更不要說分庫分表的情況下。那么怎么辦呢？這個時候大名鼎鼎的elasticsearch，即es就派上用場了。將分庫分表所有數據全量冗余到es中，將那些復雜的查詢交給es處理。
淘寶我的所有訂單頁面如下，篩選條件有多個，且商品標題可以模糊匹配，這即使是單表都解決不了的問題（索引滿足不了這種場景），更不要說分庫分表了：
條件篩選
所以，以訂單表為例，整個架構如下：
archeitecture
具體情況具體分析：多sharding column不到萬不得已的情況下最好不要使用，成本較大，上面提到的用戶表筆者就不太建議使用。因為用戶表有一個很大的特點就是它的上限是肯定的，即使全球70億人全是你的用戶，這點數據量也不大，所以筆者更建議采用單sharding column + es的模式簡化架構。
es+HBase簡要
這里需要提前說明的是，solr+HBase結合的方案在社區中出現的頻率可能更高，本篇文章為了保持一致性，所有全文索引方案選型都是es。至于es+HBase和solr+HBase孰優孰劣，或者說es和solr孰優孰劣，不是本文需要討論的范疇，事實上也沒有太多討論的意義。es和solr本就是兩個非常優秀且旗鼓相當的中間件。最近幾年es更火爆：
es V.S. solr
如果拋開選型過程中所有歷史包袱，單論es+HBase和solr+HBase的優劣，很明顯后者是更好的選擇。solr+HBase高度集成，引入索引服務后我們最關心，也是最重要的索引一致性問題，solr+HBase已經有了非常成熟的解決方案一一Lily HBase Indexer。
延伸閱讀
阿里云上的云數據庫HBase版也是借助solr實現全文索引，有興趣的同學可以戳鏈接了解更多：https://help.aliyun.com/product/49055.html?spm=5176.124785.631202.con1.603452c0cz7bj2。
阿里云HBase for solr
es+HBase原理
剛剛討論到上面的以MySQL為核心，分庫分表+es的方案，隨著數據量越來越來，雖然分庫分表可以繼續成倍擴容，但是這時候壓力又落到了es這里，這個架構也會慢慢暴露出問題！
一般訂單表，積分明細表等需要分庫分表的核心表都會有好幾十列，甚至上百列（假設有50列），但是整個表真正需要參與條件索引的可能就不到10個條件（假設有10列）。這時候把50個列所有字段的數據全量索引到es中，對es集群有很大的壓力，后面的es分片故障恢復也會需要很長的時間。
這個時候我們可以考慮減少es的壓力，讓es集群有限的資源盡可能保存條件檢索時最需要的最有價值的數據，即只把可能參與條件檢索的字段索引到es中，這樣整個es集群壓力減少到原來的1/5（核心表50個字段，只有10個字段參與條件），而50個字段的全量數據保存到HBase中，這就是經典的es+HBase組合方案，即索引與數據存儲隔離的方案。
Hadoop體系下的HBase存儲能力我們都知道是海量的，而且根據它的rowkey查詢性能那叫一個快如閃電。而es的多條件檢索能力非常強大。這個方案把es和HBase的優點發揮的淋漓盡致，同時又規避了它們的缺點，可以說是一個揚長避免的最佳實踐。
它們之間的交互大概是這樣的：先根據用戶輸入的條件去es查詢獲取符合過濾條件的rowkey值，然后用rowkey值去HBase查詢，后面這一查詢步驟的時間幾乎可以忽略，因為這是HBase最擅長的場景，交互圖如下所示：
es+HBase
HBase檢索能力擴展
hbase檢索能力
圖片來源于HBase技術社區-HBase應用實踐專場-HBase for Solr
總結
最后，對幾種方案總結如下（sharding column簡稱為sc）：
-單個sc多個scsc+essc+es+HBase適用場景單一一般比較廣泛非常廣泛查詢及時性及時及時比較及時比較及時存儲能力一般一般較大海量代碼成本很小較大一般一般架構復雜度簡單一般較難非常復雜
總之，對于海量數據，且有一定的并發量的分庫分表，絕不是引入某一個分庫分表中間件就能解決問題，而是一項系統的工程。需要分析整個表相關的業務，讓合適的中間件做它最擅長的事情。例如有sharding column的查詢走分庫分表，一些模糊查詢，或者多個不固定條件篩選則走es，海量存儲則交給HBase。
做了這么多事情后，后面還會有很多的工作要做，比如數據同步的一致性問題，還有運行一段時間后，某些表的數據量慢慢達到單表瓶頸，這時候還需要做冷數據遷移。總之，分庫分表是一項非常復雜的系統工程。任何海量數據的處理，都不是簡單的事情，做好戰斗的準備吧！
原文地址：https://www.itcodemonkey.com/article/10048.html
