這篇文章，我們來聊一下對于一個(gè)支撐日活百萬用戶的高并系統(tǒng)，他的數(shù)據(jù)庫架構(gòu)應(yīng)該如何設(shè)計(jì)?

看到這個(gè)題目，很多人***反應(yīng)就是：分庫分表啊!但是實(shí)際上，數(shù)據(jù)庫層面的分庫分表到底是用來干什么的，他的不同的作用如何應(yīng)對不同的場景，我覺得很多同學(xué)可能都沒搞清楚。

用一個(gè)創(chuàng)業(yè)公司的發(fā)展作為背景引入

假如我們現(xiàn)在是一個(gè)小創(chuàng)業(yè)公司，注冊用戶就 20 萬，每天活躍用戶就 1 萬，每天單表數(shù)據(jù)量就 1000，然后高峰期每秒鐘并發(fā)請求最多就 10。

天哪!就這種系統(tǒng)，隨便找一個(gè)有幾年工作經(jīng)驗(yàn)的高級工程師，然后帶幾個(gè)年輕工程師，隨便干干都可以做出來。

因?yàn)檫@樣的系統(tǒng)，實(shí)際上主要就是在前期快速的進(jìn)行業(yè)務(wù)功能的開發(fā)，搞一個(gè)單塊系統(tǒng)部署在一臺服務(wù)器上，然后連接一個(gè)數(shù)據(jù)庫就可以了。

接著大家就是不停的在一個(gè)工程里填充進(jìn)去各種業(yè)務(wù)代碼，盡快把公司的業(yè)務(wù)支撐起來。

如下圖所示：

結(jié)果呢，沒想到我們運(yùn)氣這么好，碰上個(gè)優(yōu)秀的 CEO 帶著我們走上了康莊大道!

公司業(yè)務(wù)發(fā)展迅猛，過了幾個(gè)月，注冊用戶數(shù)達(dá)到了 2000 萬!每天活躍用戶數(shù) 100 萬!每天單表新增數(shù)據(jù)量達(dá)到 50 萬條!高峰期每秒請求量達(dá)到 1 萬!

同時(shí)公司還順帶著融資了兩輪，估值達(dá)到了驚人的幾億美金!一只朝氣蓬勃的幼年獨(dú)角獸的節(jié)奏!

好吧，現(xiàn)在大家感覺壓力已經(jīng)有點(diǎn)大了，為啥呢?因?yàn)槊刻靻伪硇略?50 萬條數(shù)據(jù)，一個(gè)月就多 1500 萬條數(shù)據(jù)，一年下來單表會達(dá)到上億條數(shù)據(jù)。

經(jīng)過一段時(shí)間的運(yùn)行，現(xiàn)在咱們單表已經(jīng)兩三千萬條數(shù)據(jù)了，勉強(qiáng)還能支撐著。

但是，眼見著系統(tǒng)訪問數(shù)據(jù)庫的性能怎么越來越差呢，單表數(shù)據(jù)量越來越大，拖垮了一些復(fù)雜查詢 SQL 的性能啊!

然后高峰期請求現(xiàn)在是每秒 1 萬，咱們的系統(tǒng)在線上部署了 20 臺機(jī)器，平均每臺機(jī)器每秒支撐 500 請求，這個(gè)還能抗住，沒啥大問題。但是數(shù)據(jù)庫層面呢?

如果說此時(shí)你還是一臺數(shù)據(jù)庫服務(wù)器在支撐每秒上萬的請求，負(fù)責(zé)任的告訴你，每次高峰期會出現(xiàn)下述問題：

• 你的數(shù)據(jù)庫服務(wù)器的磁盤 IO、網(wǎng)絡(luò)帶寬、CPU 負(fù)載、內(nèi)存消耗，都會達(dá)到非常高的情況，數(shù)據(jù)庫所在服務(wù)器的整體負(fù)載會非常重，甚至都快不堪重負(fù)了。
• 高峰期時(shí)，本來你單表數(shù)據(jù)量就很大，SQL 性能就不太好，這時(shí)加上你的數(shù)據(jù)庫服務(wù)器負(fù)載太高導(dǎo)致性能下降，就會發(fā)現(xiàn)你的 SQL 性能更差了。
• 最明顯的一個(gè)感覺，就是你的系統(tǒng)在高峰期各個(gè)功能都運(yùn)行的很慢，用戶體驗(yàn)很差，點(diǎn)一個(gè)按鈕可能要幾十秒才出來結(jié)果。
• 如果你運(yùn)氣不太好，數(shù)據(jù)庫服務(wù)器的配置不是特別的高的話，弄不好你還會經(jīng)歷數(shù)據(jù)庫宕機(jī)的情況，因?yàn)樨?fù)載太高對數(shù)據(jù)庫壓力太大了。

多臺服務(wù)器分庫支撐高并發(fā)讀寫

首先我們先考慮***個(gè)問題，數(shù)據(jù)庫每秒上萬的并發(fā)請求應(yīng)該如何來支撐呢?

要搞清楚這個(gè)問題，先得明白一般數(shù)據(jù)庫部署在什么配置的服務(wù)器上。通常來說，假如你用普通配置的服務(wù)器來部署數(shù)據(jù)庫，那也起碼是 16 核 32G 的機(jī)器配置。

這種非常普通的機(jī)器配置部署的數(shù)據(jù)庫，一般線上的經(jīng)驗(yàn)是：不要讓其每秒請求支撐超過 2000，一般控制在 2000 左右。

控制在這個(gè)程度，一般數(shù)據(jù)庫負(fù)載相對合理，不會帶來太大的壓力，沒有太大的宕機(jī)風(fēng)險(xiǎn)。

所以首先***步，就是在上萬并發(fā)請求的場景下，部署個(gè) 5 臺服務(wù)器，每臺服務(wù)器上都部署一個(gè)數(shù)據(jù)庫實(shí)例。

然后每個(gè)數(shù)據(jù)庫實(shí)例里，都創(chuàng)建一個(gè)一樣的庫，比如說訂單庫。此時(shí)在 5 臺服務(wù)器上都有一個(gè)訂單庫，名字可以類似為：db_order_01，db_order_02，等等。

然后每個(gè)訂單庫里，都有一個(gè)相同的表，比如說訂單庫里有訂單信息表，那么此時(shí) 5 個(gè)訂單庫里都有一個(gè)訂單信息表。

比如 db_order_01 庫里就有一個(gè) tb_order_01 表，db_order_02 庫里就有一個(gè) tb_order_02 表。

這就實(shí)現(xiàn)了一個(gè)基本的分庫分表的思路，原來的一臺數(shù)據(jù)庫服務(wù)器變成了 5 臺數(shù)據(jù)庫服務(wù)器，原來的一個(gè)庫變成了 5 個(gè)庫，原來的一張表變成了 5 個(gè)表。

然后你在寫入數(shù)據(jù)的時(shí)候，需要借助數(shù)據(jù)庫中間件，比如 sharding-jdbc，或者是 mycat，都可以。

你可以根據(jù)比如訂單 id 來 hash 后按 5 取模，比如每天訂單表新增 50 萬數(shù)據(jù)，此時(shí)其中 10 萬條數(shù)據(jù)會落入 db_order_01 庫的 tb_order_01 表，另外 10 萬條數(shù)據(jù)會落入 db_order_02 庫的 tb_order_02 表，以此類推。

這樣就可以把數(shù)據(jù)均勻分散在 5 臺服務(wù)器上了，查詢的時(shí)候，也可以通過訂單 id 來 hash 取模，去對應(yīng)的服務(wù)器上的數(shù)據(jù)庫里，從對應(yīng)的表里查詢那條數(shù)據(jù)出來即可。

依據(jù)這個(gè)思路畫出的圖如下所示，大家可以看看：

做這一步有什么好處呢?***個(gè)好處，原來比如訂單表就一張表，這個(gè)時(shí)候不就成了 5 張表了么，那么每個(gè)表的數(shù)據(jù)就變成 1/5 了。

假設(shè)訂單表一年有 1 億條數(shù)據(jù)，此時(shí) 5 張表里每張表一年就 2000 萬數(shù)據(jù)了。

那么假設(shè)當(dāng)前訂單表里已經(jīng)有 2000 萬數(shù)據(jù)了，此時(shí)做了上述拆分，每個(gè)表里就只有 400 萬數(shù)據(jù)了。

而且每天新增 50 萬數(shù)據(jù)的話，那么每個(gè)表才新增 10 萬數(shù)據(jù)，這樣是不是初步緩解了單表數(shù)據(jù)量過大影響系統(tǒng)性能的問題?

另外就是每秒 1 萬請求到 5 臺數(shù)據(jù)庫上，每臺數(shù)據(jù)庫就承載每秒 2000 的請求，是不是一下子把每臺數(shù)據(jù)庫服務(wù)器的并發(fā)請求降低到了安全范圍內(nèi)?

這樣，降低了數(shù)據(jù)庫的高峰期負(fù)載，同時(shí)還保證了高峰期的性能。

大量分表來保證海量數(shù)據(jù)下的查詢性能

但是上述的數(shù)據(jù)庫架構(gòu)還有一個(gè)問題，那就是單表數(shù)據(jù)量還是過大，現(xiàn)在訂單表才分為了 5 張表，那么如果訂單一年有 1 億條，每個(gè)表就有 2000 萬條，這也還是太大了。

所以還應(yīng)該繼續(xù)分表，大量分表。比如可以把訂單表一共拆分為 1024 張表，這樣 1 億數(shù)據(jù)量的話，分散到每個(gè)表里也就才 10 萬量級的數(shù)據(jù)量，然后這上千張表分散在 5 臺數(shù)據(jù)庫里就可以了。

在寫入數(shù)據(jù)的時(shí)候，需要做兩次路由，先對訂單 id hash 后對數(shù)據(jù)庫的數(shù)量取模，可以路由到一臺數(shù)據(jù)庫上，然后再對那臺數(shù)據(jù)庫上的表數(shù)量取模，就可以路由到數(shù)據(jù)庫上的一個(gè)表里了。

通過這個(gè)步驟，就可以讓每個(gè)表里的數(shù)據(jù)量非常小，每年 1 億數(shù)據(jù)增長，但是到每個(gè)表里才 10 萬條數(shù)據(jù)增長，這個(gè)系統(tǒng)運(yùn)行 10 年，每個(gè)表里可能才***的數(shù)據(jù)量。

這樣可以一次性為系統(tǒng)未來的運(yùn)行做好充足的準(zhǔn)備，看下面的圖，一起來感受一下：

全局唯一 id 如何生成

在分庫分表之后你必然要面對的一個(gè)問題，就是 id 咋生成?因?yàn)橐且粋€(gè)表分成多個(gè)表之后，每個(gè)表的 id 都是從 1 開始累加自增長，那肯定不對啊。

舉個(gè)例子，你的訂單表拆分為了 1024 張訂單表，每個(gè)表的 id 都從 1 開始累加，這個(gè)肯定有問題了!

你的系統(tǒng)就沒辦法根據(jù)表主鍵來查詢訂單了，比如 id = 50 這個(gè)訂單，在每個(gè)表里都有!

所以此時(shí)就需要分布式架構(gòu)下的全局唯一 id 生成的方案了，在分庫分表之后，對于插入數(shù)據(jù)庫中的核心 id，不能直接簡單使用表自增 id，要全局生成唯一 id，然后插入各個(gè)表中，保證每個(gè)表內(nèi)的某個(gè) id，全局唯一。

比如說訂單表雖然拆分為了 1024 張表，但是 id = 50 這個(gè)訂單，只會存在于一個(gè)表里。

那么如何實(shí)現(xiàn)全局唯一 id 呢?有以下幾種方案：

方案一：獨(dú)立數(shù)據(jù)庫自增 id

這個(gè)方案就是說你的系統(tǒng)每次要生成一個(gè) id，都是往一個(gè)獨(dú)立庫的一個(gè)獨(dú)立表里插入一條沒什么業(yè)務(wù)含義的數(shù)據(jù)，然后獲取一個(gè)數(shù)據(jù)庫自增的一個(gè) id。拿到這個(gè) id 之后再往對應(yīng)的分庫分表里去寫入。

比如說你有一個(gè) auto_id 庫，里面就一個(gè)表，叫做 auto_id 表，有一個(gè) id 是自增長的。

那么你每次要獲取一個(gè)全局唯一 id，直接往這個(gè)表里插入一條記錄，獲取一個(gè)全局唯一 id 即可，然后這個(gè)全局唯一 id 就可以插入訂單的分庫分表中。

這個(gè)方案的好處就是方便簡單，誰都會用。缺點(diǎn)就是單庫生成自增 id，要是高并發(fā)的話，就會有瓶頸的，因?yàn)?auto_id 庫要是承載個(gè)每秒幾萬并發(fā)，肯定是不現(xiàn)實(shí)的了。

方案二：UUID

這個(gè)每個(gè)人都應(yīng)該知道吧，就是用 UUID 生成一個(gè)全局唯一的 id。

好處就是每個(gè)系統(tǒng)本地生成，不要基于數(shù)據(jù)庫來了。不好之處就是，UUID 太長了，作為主鍵性能太差了，不適合用于主鍵。

如果你是要隨機(jī)生成個(gè)什么文件名了，編號之類的，你可以用 UUID，但是作為主鍵是不能用 UUID 的。

方案三：獲取系統(tǒng)當(dāng)前時(shí)間

這個(gè)方案的意思就是獲取當(dāng)前時(shí)間作為全局唯一的 id。但是問題是，并發(fā)很高的時(shí)候，比如一秒并發(fā)幾千，會有重復(fù)的情況，這個(gè)肯定是不合適的。

一般如果用這個(gè)方案，是將當(dāng)前時(shí)間跟很多其他的業(yè)務(wù)字段拼接起來，作為一個(gè) id，如果業(yè)務(wù)上你覺得可以接受，那么也是可以的。

你可以將別的業(yè)務(wù)字段值跟當(dāng)前時(shí)間拼接起來，組成一個(gè)全局唯一的編號，比如說訂單編號：時(shí)間戳 + 用戶 id + 業(yè)務(wù)含義編碼。

方案四：SnowFlake 算法的思想分析

SnowFlake 算法，是 Twitter 開源的分布式 id 生成算法。其核心思想就是：使用一個(gè) 64 bit 的 long 型的數(shù)字作為全局唯一 id。

這 64 個(gè) bit 中，其中 1 個(gè) bit 是不用的，然后用其中的 41 bit 作為毫秒數(shù)，用 10 bit 作為工作機(jī)器 id，12 bit 作為序列號。

給大家舉個(gè)例子吧，比如下面那個(gè) 64 bit 的 long 型數(shù)字：

• ***個(gè)部分，是 1 個(gè) bit：0，這個(gè)是無意義的。
• 第二個(gè)部分是 41 個(gè) bit：表示的是時(shí)間戳。
• 第三個(gè)部分是 5 個(gè) bit：表示的是機(jī)房 id，10001。
• 第四個(gè)部分是 5 個(gè) bit：表示的是機(jī)器 id，1 1001。
• 第五個(gè)部分是 12 個(gè) bit：表示的序號，就是某個(gè)機(jī)房某臺機(jī)器上這一毫秒內(nèi)同時(shí)生成的 id 的序號，0000 00000000。

①1 bit：是不用的，為啥呢?

因?yàn)槎M(jìn)制里***個(gè) bit 為如果是 1，那么都是負(fù)數(shù)，但是我們生成的 id 都是正數(shù)，所以***個(gè) bit 統(tǒng)一都是 0。

②41 bit：表示的是時(shí)間戳，單位是毫秒。

41 bit 可以表示的數(shù)字多達(dá) 2^41 - 1，也就是可以標(biāo)識 2 ^ 41 - 1 個(gè)毫秒值，換算成年就是表示 69 年的時(shí)間。

③10 bit：記錄工作機(jī)器 id，代表的是這個(gè)服務(wù)最多可以部署在 2^10 臺機(jī)器上，也就是 1024 臺機(jī)器。

但是 10 bit 里 5 個(gè) bit 代表機(jī)房 id，5 個(gè) bit 代表機(jī)器 id。意思就是最多代表 2 ^ 5 個(gè)機(jī)房(32 個(gè)機(jī)房)，每個(gè)機(jī)房里可以代表 2 ^ 5 個(gè)機(jī)器(32 臺機(jī)器)。

④12 bit：這個(gè)是用來記錄同一個(gè)毫秒內(nèi)產(chǎn)生的不同 id。

12 bit 可以代表的***正整數(shù)是 2 ^ 12 - 1 = 4096，也就是說可以用這個(gè) 12 bit 代表的數(shù)字來區(qū)分同一個(gè)毫秒內(nèi)的 4096 個(gè)不同的 id。

簡單來說，你的某個(gè)服務(wù)假設(shè)要生成一個(gè)全局唯一 id，那么就可以發(fā)送一個(gè)請求給部署了 SnowFlake 算法的系統(tǒng)，由這個(gè) SnowFlake 算法系統(tǒng)來生成唯一 id。

這個(gè) SnowFlake 算法系統(tǒng)首先肯定是知道自己所在的機(jī)房和機(jī)器的，比如機(jī)房 id = 17，機(jī)器 id = 12。

接著 SnowFlake 算法系統(tǒng)接收到這個(gè)請求之后，首先就會用二進(jìn)制位運(yùn)算的方式生成一個(gè) 64 bit 的 long 型 id，64 個(gè) bit 中的***個(gè) bit 是無意義的。

接著 41 個(gè) bit，就可以用當(dāng)前時(shí)間戳(單位到毫秒)，然后接著 5 個(gè) bit 設(shè)置上這個(gè)機(jī)房 id，還有 5 個(gè) bit 設(shè)置上機(jī)器 id。

***再判斷一下，當(dāng)前這臺機(jī)房的這臺機(jī)器上這一毫秒內(nèi)，這是第幾個(gè)請求，給這次生成 id 的請求累加一個(gè)序號，作為***的 12 個(gè) bit。

最終一個(gè) 64 個(gè) bit 的 id 就出來了，類似于：

這個(gè)算法可以保證說，一個(gè)機(jī)房的一臺機(jī)器上，在同一毫秒內(nèi)，生成了一個(gè)唯一的 id。可能一個(gè)毫秒內(nèi)會生成多個(gè) id，但是有*** 12 個(gè) bit 的序號來區(qū)分開來。

下面我們簡單看看這個(gè) SnowFlake 算法的一個(gè)代碼實(shí)現(xiàn)，這就是個(gè)示例，大家如果理解了這個(gè)意思之后，以后可以自己嘗試改造這個(gè)算法。

總之就是用一個(gè) 64 bit 的數(shù)字中各個(gè) bit 位來設(shè)置不同的標(biāo)志位，區(qū)分每一個(gè) id。

SnowFlake 算法的實(shí)現(xiàn)代碼如下：

public class IdWorker { 
  private long workerId; // 這個(gè)就是代表了機(jī)器id 
  private long datacenterId; // 這個(gè)就是代表了機(jī)房id 
  private long sequence; // 這個(gè)就是代表了一毫秒內(nèi)生成的多個(gè)id的***序號 
  public IdWorker(long workerId, long datacenterId, long sequence) { 
    // sanity check for workerId 
    // 這兒不就檢查了一下，要求就是你傳遞進(jìn)來的機(jī)房id和機(jī)器id不能超過32，不能小于0 
    if (workerId > maxWorkerId || workerId < 0) { 
 
      throw new IllegalArgumentException( 
        String.format("worker Id can't be greater than %d or less than 0",maxWorkerId)); 
    } 
 
    if (datacenterId > maxDatacenterId || datacenterId < 0) { 
 
      throw new IllegalArgumentException( 
        String.format("datacenter Id can't be greater than %d or less than 0",maxDatacenterId)); 
    } 
    this.workerId = workerId; 
    this.datacenterId = datacenterId; 
    this.sequence = sequence; 
  } 
  private long twepoch = 1288834974657L; 
  private long workerIdBits = 5L; 
  private long datacenterIdBits = 5L; 
 
  // 這個(gè)是二進(jìn)制運(yùn)算，就是5 bit最多只能有31個(gè)數(shù)字，也就是說機(jī)器id最多只能是32以內(nèi) 
  private long maxWorkerId = -1L ^ (-1L << workerIdBits);  
  // 這個(gè)是一個(gè)意思，就是5 bit最多只能有31個(gè)數(shù)字，機(jī)房id最多只能是32以內(nèi) 
  private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);  
  private long sequenceBits = 12L; 
  private long workerIdShift = sequenceBits; 
  private long datacenterIdShift = sequenceBits + workerIdBits; 
  private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits; 
  private long sequenceMask = -1L ^ (-1L << sequenceBits); 
  private long lastTimestamp = -1L; 
  public long getWorkerId(){ 
    return workerId; 
  } 
  public long getDatacenterId() { 
    return datacenterId; 
  } 
  public long getTimestamp() { 
    return System.currentTimeMillis(); 
  } 
  // 這個(gè)是核心方法，通過調(diào)用nextId()方法，讓當(dāng)前這臺機(jī)器上的snowflake算法程序生成一個(gè)全局唯一的id 
  public synchronized long nextId() { 
    // 這兒就是獲取當(dāng)前時(shí)間戳，單位是毫秒 
    long timestamp = timeGen(); 
    if (timestamp < lastTimestamp) { 
      System.err.printf( 
        "clock is moving backwards. Rejecting requests until %d.", lastTimestamp); 
      throw new RuntimeException( 
        String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", 
               lastTimestamp - timestamp)); 
    } 
 
    // 下面是說假設(shè)在同一個(gè)毫秒內(nèi)，又發(fā)送了一個(gè)請求生成一個(gè)id 
    // 這個(gè)時(shí)候就得把seqence序號給遞增1，最多就是4096 
    if (lastTimestamp == timestamp) { 
 
      // 這個(gè)意思是說一個(gè)毫秒內(nèi)最多只能有4096個(gè)數(shù)字，無論你傳遞多少進(jìn)來， 
      //這個(gè)位運(yùn)算保證始終就是在4096這個(gè)范圍內(nèi)，避免你自己傳遞個(gè)sequence超過了4096這個(gè)范圍 
      sequence = (sequence + 1) & sequenceMask;  
      if (sequence == 0) { 
        timestamp = tilNextMillis(lastTimestamp); 
      } 
 
    } else { 
      sequence = 0; 
    } 
    // 這兒記錄一下最近一次生成id的時(shí)間戳，單位是毫秒 
    lastTimestamp = timestamp; 
    // 這兒就是最核心的二進(jìn)制位運(yùn)算操作，生成一個(gè)64bit的id 
    // 先將當(dāng)前時(shí)間戳左移，放到41 bit那兒；將機(jī)房id左移放到5 bit那兒；將機(jī)器id左移放到5 bit那兒；將序號放***12 bit 
    // ***拼接起來成一個(gè)64 bit的二進(jìn)制數(shù)字，轉(zhuǎn)換成10進(jìn)制就是個(gè)long型 
    return ((timestamp - twepoch) << timestampLeftShift) | 
        (datacenterId << datacenterIdShift) | 
        (workerId << workerIdShift) | sequence; 
  } 
  private long tilNextMillis(long lastTimestamp) { 
 
    long timestamp = timeGen(); 
 
    while (timestamp <= lastTimestamp) { 
      timestamp = timeGen(); 
    } 
    return timestamp; 
  } 
  private long timeGen(){ 
    return System.currentTimeMillis(); 
  } 
  //---------------測試--------------- 
  public static void main(String[] args) { 
 
    IdWorker worker = new IdWorker(1,1,1); 
 
    for (int i = 0; i < 30; i++) { 
      System.out.println(worker.nextId()); 
    } 
  } 
} 

SnowFlake 算法一個(gè)小小的改進(jìn)思路：其實(shí)在實(shí)際的開發(fā)中，這個(gè)SnowFlake算法可以做一點(diǎn)點(diǎn)改進(jìn)。

因?yàn)榇蠹铱梢钥紤]一下，我們在生成唯一 id 的時(shí)候，一般都需要指定一個(gè)表名，比如說訂單表的唯一 id。

所以上面那 64 個(gè) bit 中，代表機(jī)房的那 5 個(gè) bit，可以使用業(yè)務(wù)表名稱來替代，比如用 00001 代表的是訂單表。

因?yàn)槠鋵?shí)很多時(shí)候，機(jī)房并沒有那么多，所以那 5 個(gè) bit 用做機(jī)房 id 可能意義不是太大。

這樣就可以做到，SnowFlake 算法系統(tǒng)的每一臺機(jī)器，對一個(gè)業(yè)務(wù)表，在某一毫秒內(nèi)，可以生成一個(gè)唯一的 id，一毫秒內(nèi)生成很多 id，用*** 12 個(gè) bit 來區(qū)分序號對待。

讀寫分離來支撐按需擴(kuò)容以及性能提升

這個(gè)時(shí)候整體效果已經(jīng)挺不錯(cuò)了，大量分表的策略保證可能未來 10 年，每個(gè)表的數(shù)據(jù)量都不會太大，這可以保證單表內(nèi)的 SQL 執(zhí)行效率和性能。

然后多臺數(shù)據(jù)庫的拆分方式，可以保證每臺數(shù)據(jù)庫服務(wù)器承載一部分的讀寫請求，降低每臺服務(wù)器的負(fù)載。

但是此時(shí)還有一個(gè)問題，假如說每臺數(shù)據(jù)庫服務(wù)器承載每秒 2000 的請求，然后其中 400 請求是寫入，1600 請求是查詢。

也就是說，增刪改的 SQL 才占到了 20% 的比例，80% 的請求是查詢。此時(shí)假如說隨著用戶量越來越大，又變成每臺服務(wù)器承載 4000 請求了。

那么其中 800 請求是寫入，3200 請求是查詢，如果說你按照目前的情況來擴(kuò)容，就需要增加一臺數(shù)據(jù)庫服務(wù)器。

但是此時(shí)可能就會涉及到表的遷移，因?yàn)樾枰w移一部分表到新的數(shù)據(jù)庫服務(wù)器上去，是不是很麻煩?

其實(shí)完全沒必要，數(shù)據(jù)庫一般都支持讀寫分離，也就是做主從架構(gòu)。

寫入的時(shí)候?qū)懭胫鲾?shù)據(jù)庫服務(wù)器，查詢的時(shí)候讀取從數(shù)據(jù)庫服務(wù)器，就可以讓一個(gè)表的讀寫請求分開落地到不同的數(shù)據(jù)庫上去執(zhí)行。

這樣的話，假如寫入主庫的請求是每秒 400，查詢從庫的請求是每秒 1600。

那么圖大概如下所示：

寫入主庫的時(shí)候，會自動同步數(shù)據(jù)到從庫上去，保證主庫和從庫數(shù)據(jù)一致。

然后查詢的時(shí)候都是走從庫去查詢的，這就通過數(shù)據(jù)庫的主從架構(gòu)實(shí)現(xiàn)了讀寫分離的效果了。

現(xiàn)在的好處就是，假如說現(xiàn)在主庫寫請求增加到 800，這個(gè)無所謂，不需要擴(kuò)容。然后從庫的讀請求增加到了 3200，需要擴(kuò)容了。

這時(shí)，你直接給主庫再掛載一個(gè)新的從庫就可以了，兩個(gè)從庫，每個(gè)從庫支撐 1600 的讀請求，不需要因?yàn)樽x請求增長來擴(kuò)容主庫。

實(shí)際上線上生產(chǎn)你會發(fā)現(xiàn)，讀請求的增長速度遠(yuǎn)遠(yuǎn)高于寫請求，所以讀寫分離之后，大部分時(shí)候就是擴(kuò)容從庫支撐更高的讀請求就可以了。

而且另外一點(diǎn)，對同一個(gè)表，如果你既寫入數(shù)據(jù)(涉及加鎖)，還從該表查詢數(shù)據(jù)，可能會牽扯到鎖沖突等問題，無論是寫性能還是讀性能，都會有影響。

所以一旦讀寫分離之后，對主庫的表就僅僅是寫入，沒任何查詢會影響他，對從庫的表就僅僅是查詢。

高并發(fā)下的數(shù)據(jù)庫架構(gòu)設(shè)計(jì)總結(jié)

從大的一個(gè)簡化的角度來說，高并發(fā)的場景下，數(shù)據(jù)庫層面的架構(gòu)肯定是需要經(jīng)過精心的設(shè)計(jì)的。

尤其是涉及到分庫來支撐高并發(fā)的請求，大量分表保證每個(gè)表的數(shù)據(jù)量別太大，讀寫分離實(shí)現(xiàn)主庫和從庫按需擴(kuò)容以及性能保證。

這篇文章就是從一個(gè)大的角度來梳理了一下思路，各位同學(xué)可以結(jié)合自己公司的業(yè)務(wù)和項(xiàng)目來考慮自己的系統(tǒng)如何做分庫分表。

另外就是，具體的分庫分表落地的時(shí)候，需要借助數(shù)據(jù)庫中間件來實(shí)現(xiàn)分庫分表和讀寫分離，大家可以自己參考 Sharding-JDBC 或者 MyCAT 的官網(wǎng)即可，里面的文檔都有詳細(xì)的使用描述。

中華石杉：十余年 BAT 架構(gòu)經(jīng)驗(yàn)，一線互聯(lián)網(wǎng)公司技術(shù)總監(jiān)。帶領(lǐng)上百人團(tuán)隊(duì)開發(fā)過多個(gè)億級流量高并發(fā)系統(tǒng)?，F(xiàn)將多年工作中積累下的研究手稿、經(jīng)驗(yàn)總結(jié)整理成文，傾囊相授。微信公眾號：石杉的架構(gòu)筆記(ID：shishan100)。