分庫(kù)分表，我再講最后一次！
圖片來(lái)自 包圖網(wǎng)
提起分庫(kù)分表，對(duì)于大部分服務(wù)器開(kāi)發(fā)來(lái)說(shuō)，其實(shí)并不是一個(gè)新鮮的名詞。隨著業(yè)務(wù)的發(fā)展，我們表中的數(shù)據(jù)量會(huì)變的越來(lái)越大，字段也可能隨著業(yè)務(wù)復(fù)雜度的升高而逐漸增多，我們?yōu)榱私鉀Q單表的查詢性能問(wèn)題，一般會(huì)進(jìn)行分表操作。
同時(shí)我們業(yè)務(wù)的用戶活躍度也會(huì)越來(lái)越高，并發(fā)量級(jí)不斷加大，那么可能會(huì)達(dá)到單個(gè)數(shù)據(jù)庫(kù)的處理能力上限。此時(shí)我們?yōu)榱私鉀Q數(shù)據(jù)庫(kù)的處理性能瓶頸，一般會(huì)進(jìn)行分庫(kù)操作。
不管是分庫(kù)操作還是分表操作，我們一般都有兩種方式應(yīng)對(duì)，一種是垂直拆分，一種是水平拆分。
關(guān)于兩種拆分方式的區(qū)別和特點(diǎn)，互聯(lián)網(wǎng)上參考資料眾多，很多人都寫過(guò)相關(guān)內(nèi)容，這里就不再進(jìn)行詳細(xì)贅述，有興趣的讀者可以自行檢索。
此文主要詳細(xì)聊一聊，我們最實(shí)用最常見(jiàn)的水平分庫(kù)分表方式中的一些特殊細(xì)節(jié)，希望能幫助大家避免走彎路，找到最合適自身業(yè)務(wù)的分庫(kù)分表設(shè)計(jì)。
【注 1】本文中的案例均基于 MySQL 數(shù)據(jù)庫(kù)，下文中的分庫(kù)分表統(tǒng)指水平分庫(kù)分表。
【注 2】后文中提到到 M 庫(kù) N 表，均指共 M 個(gè)數(shù)據(jù)庫(kù)，每個(gè)數(shù)據(jù)庫(kù)共 N 個(gè)分表，即總表個(gè)數(shù)其實(shí)為 M*N。
什么是一個(gè)好的分庫(kù)分表方案?
①方案可持續(xù)性
前期業(yè)務(wù)數(shù)據(jù)量級(jí)不大，流量較低的時(shí)候，我們無(wú)需分庫(kù)分表，也不建議分庫(kù)分表。
但是一旦我們要對(duì)業(yè)務(wù)進(jìn)行分庫(kù)分表設(shè)計(jì)時(shí)，就一定要考慮到分庫(kù)分表方案的可持續(xù)性。
那何為可持續(xù)性?其實(shí)就是：業(yè)務(wù)數(shù)據(jù)量級(jí)和業(yè)務(wù)流量未來(lái)進(jìn)一步升高達(dá)到新的量級(jí)的時(shí)候，我們的分庫(kù)分表方案可以持續(xù)使用。
一個(gè)通俗的案例，假定當(dāng)前我們分庫(kù)分表的方案為 10 庫(kù) 100 表，那么未來(lái)某個(gè)時(shí)間點(diǎn)，若 10 個(gè)庫(kù)仍然無(wú)法應(yīng)對(duì)用戶的流量壓力，或者 10 個(gè)庫(kù)的磁盤使用即將達(dá)到物理上限時(shí)，我們的方案能夠進(jìn)行平滑擴(kuò)容。
在后文中我們將介紹下目前業(yè)界常用的翻倍擴(kuò)容法和一致性 Hash 擴(kuò)容法。
②數(shù)據(jù)偏斜問(wèn)題
一個(gè)良好的分庫(kù)分表方案，它的數(shù)據(jù)應(yīng)該是需要比較均勻的分散在各個(gè)庫(kù)表中的。
如果我們進(jìn)行一個(gè)拍腦袋式的分庫(kù)分表設(shè)計(jì)，很容易會(huì)遇到以下類似問(wèn)題：
- 某個(gè)數(shù)據(jù)庫(kù)實(shí)例中，部分表的數(shù)據(jù)很多，而其他表中的數(shù)據(jù)卻寥寥無(wú)幾，業(yè)務(wù)上的表現(xiàn)經(jīng)常是延遲忽高忽低，飄忽不定。
- 數(shù)據(jù)庫(kù)集群中，部分集群的磁盤使用增長(zhǎng)特別塊，而部分集群的磁盤增長(zhǎng)卻很緩慢。每個(gè)庫(kù)的增長(zhǎng)步調(diào)不一致，這種情況會(huì)給后續(xù)的擴(kuò)容帶來(lái)步調(diào)不一致，無(wú)法統(tǒng)一操作的問(wèn)題。
這邊我們定義分庫(kù)分表最大數(shù)據(jù)偏斜率為：(數(shù)據(jù)量最大樣本-數(shù)據(jù)量最小樣本)/數(shù)據(jù)量最小樣本。
一般來(lái)說(shuō)，如果我們的最大數(shù)據(jù)偏斜率在 5% 以內(nèi)是可以接受的。
常見(jiàn)的分庫(kù)分表方案
①Range 分庫(kù)分表
顧名思義，該方案根據(jù)數(shù)據(jù)范圍劃分?jǐn)?shù)據(jù)的存放位置。
舉個(gè)最簡(jiǎn)單例子，我們可以把訂單表按照年份為單位，每年的數(shù)據(jù)存放在單獨(dú)的庫(kù)(或者表)中。
如下圖所示：
- /**
- * 通過(guò)年份分表
- *
- * @param orderId
- * @return
- */
- public static String rangeShardByYear(String orderId) {
- int year = Integer.parseInt(orderId.substring(0, 4));
- return "t_order_" + year;
- }
通過(guò)數(shù)據(jù)的范圍進(jìn)行分庫(kù)分表，該方案是最樸實(shí)的一種分庫(kù)方案，它也可以和其他分庫(kù)分表方案靈活結(jié)合使用。
時(shí)下非常流行的分布式數(shù)據(jù)庫(kù)：TiDB 數(shù)據(jù)庫(kù)，針對(duì) TiKV 中數(shù)據(jù)的打散，也是基于 Range 的方式進(jìn)行，將不同范圍內(nèi)的[StartKey，EndKey)分配到不同的 Region 上。
下面我們看看該方案的缺點(diǎn)：
- 最明顯的就是數(shù)據(jù)熱點(diǎn)問(wèn)題，例如上面案例中的訂單表，很明顯當(dāng)前年度所在的庫(kù)表屬于熱點(diǎn)數(shù)據(jù)，需要承載大部分的 IO 和計(jì)算資源。
- 新庫(kù)和新表的追加問(wèn)題。一般我們線上運(yùn)行的應(yīng)用程序是沒(méi)有數(shù)據(jù)庫(kù)的建庫(kù)建表權(quán)限的，故我們需要提前將新的庫(kù)表提前建立，防止線上故障。
- 這點(diǎn)非常容易被遺忘，尤其是穩(wěn)定跑了幾年沒(méi)有迭代任務(wù)，或者人員又交替頻繁的模塊。
業(yè)務(wù)上的交叉范圍內(nèi)數(shù)據(jù)的處理。舉個(gè)例子，訂單模塊無(wú)法避免一些中間狀態(tài)的數(shù)據(jù)補(bǔ)償邏輯，即需要通過(guò)定時(shí)任務(wù)到訂單表中掃描那些長(zhǎng)時(shí)間處于待支付確認(rèn)等狀態(tài)的訂單。
這里就需要注意了，因?yàn)槭峭ㄟ^(guò)年份進(jìn)行分庫(kù)分表，那么元旦的那一天，你的定時(shí)任務(wù)很有可能會(huì)漏掉上一年的最后一天的數(shù)據(jù)掃描。
②Hash 分庫(kù)分表
雖然分庫(kù)分表的方案眾多，但是 Hash 分庫(kù)分表是最大眾最普遍的方案，也是本文花最大篇幅描述的部分。
針對(duì) Hash 分庫(kù)分表的細(xì)節(jié)部分，相關(guān)的資料并不多。大部分都是闡述一下概念舉幾個(gè)示例，而細(xì)節(jié)部分并沒(méi)有特別多的深入，如果未結(jié)合自身業(yè)務(wù)貿(mào)然參考引用，后期非常容易出現(xiàn)各種問(wèn)題。
在正式介紹這種分庫(kù)分表方式之前，我們先看幾個(gè)常見(jiàn)的錯(cuò)誤案例。
常見(jiàn)錯(cuò)誤案例一：非互質(zhì)關(guān)系導(dǎo)致的數(shù)據(jù)偏斜問(wèn)題
- public static ShardCfg shard(String userId) {
- int hash = userId.hashCode();
- // 對(duì)庫(kù)數(shù)量取余結(jié)果為庫(kù)序號(hào)
- int dbIdx = Math.abs(hash % DB_CNT);
- // 對(duì)表數(shù)量取余結(jié)果為表序號(hào)
- int tblIdx = Math.abs(hash % TBL_CNT);
- return new ShardCfg(dbIdx, tblIdx);
- }
上述方案是初次使用者特別容易進(jìn)入的誤區(qū)，用 Hash 值分別對(duì)分庫(kù)數(shù)和分表數(shù)取余，得到庫(kù)序號(hào)和表序號(hào)。
其實(shí)稍微思索一下，我們就會(huì)發(fā)現(xiàn)，以 10 庫(kù) 100 表為例，如果一個(gè) Hash 值對(duì) 100 取余為 0，那么它對(duì) 10 取余也必然為 0。
這就意味著只有 0 庫(kù)里面的 0 表才可能有數(shù)據(jù)，而其他庫(kù)中的 0 表永遠(yuǎn)為空!
類似的我們還能推導(dǎo)到，0 庫(kù)里面的共 100 張表，只有 10 張表中(個(gè)位數(shù)為 0 的表序號(hào))才可能有數(shù)據(jù)。
這就帶來(lái)了非常嚴(yán)重的數(shù)據(jù)偏斜問(wèn)題，因?yàn)槟承┍碇杏肋h(yuǎn)不可能有數(shù)據(jù)，最大數(shù)據(jù)偏斜率達(dá)到了無(wú)窮大。
那么很明顯，該方案是一個(gè)未達(dá)到預(yù)期效果的錯(cuò)誤方案。數(shù)據(jù)的散落情況大致示意圖如下：
事實(shí)上，只要庫(kù)數(shù)量和表數(shù)量非互質(zhì)關(guān)系，都會(huì)出現(xiàn)某些表中無(wú)數(shù)據(jù)的問(wèn)題。
證明如下：
那么是不是只要庫(kù)數(shù)量和表數(shù)量互質(zhì)就可用用這種分庫(kù)分表方案呢?比如我用 11 庫(kù) 100 表的方案，是不是就合理了呢?
答案是否定的，我們除了要考慮數(shù)據(jù)偏斜的問(wèn)題，還需要考慮可持續(xù)性擴(kuò)容的問(wèn)題，一般這種 Hash 分庫(kù)分表的方案后期的擴(kuò)容方式都是通過(guò)翻倍擴(kuò)容法，那 11 庫(kù)翻倍后，和 100 又不再互質(zhì)。
當(dāng)然，如果分庫(kù)數(shù)和分表數(shù)不僅互質(zhì)，而且分表數(shù)為奇數(shù)(例如 10 庫(kù) 101 表)，則理論上可以使用該方案，但是我想大部分人可能都會(huì)覺(jué)得使用奇數(shù)的分表數(shù)比較奇怪吧。
常見(jiàn)錯(cuò)誤案例二：擴(kuò)容難以持續(xù)
如果避開(kāi)了上述案例一的陷阱，那么我們又很容易一頭扎進(jìn)另一個(gè)陷阱，大概思路如下。
我們把 10 庫(kù) 100 表看成總共 1000 個(gè)邏輯表，將求得的 Hash 值對(duì) 1000 取余，得到一個(gè)介于[0，999)中的數(shù)，然后再將這個(gè)數(shù)二次均分到每個(gè)庫(kù)和每個(gè)表中。
大概邏輯代碼如下：
- public static ShardCfg shard(String userId) {
- // ① 算Hash
- int hash = userId.hashCode();
- // ② 總分片數(shù)
- int sumSlot = DB_CNT * TBL_CNT;
- // ③ 分片序號(hào)
- int slot = Math.abs(hash % sumSlot);
- // ④ 計(jì)算庫(kù)序號(hào)和表序號(hào)的錯(cuò)誤案例
- int dbIdx = slot % DB_CNT ;
- int tblIdx = slot / DB_CNT ;
- return new ShardCfg(dbIdx, tblIdx);
- }
該方案確實(shí)很巧妙的解決了數(shù)據(jù)偏斜的問(wèn)題，只要 Hash 值足夠均勻，那么理論上分配序號(hào)也會(huì)足夠平均，于是每個(gè)庫(kù)和表中的數(shù)據(jù)量也能保持較均衡的狀態(tài)。
但是該方案有個(gè)比較大的問(wèn)題，那就是在計(jì)算表序號(hào)的時(shí)候，依賴了總庫(kù)的數(shù)量，那么后續(xù)翻倍擴(kuò)容法進(jìn)行擴(kuò)容時(shí)，會(huì)出現(xiàn)擴(kuò)容前后數(shù)據(jù)不在同一個(gè)表中，從而無(wú)法實(shí)施。
如上圖中，例如擴(kuò)容前 Hash 為 1986 的數(shù)據(jù)應(yīng)該存放在 6 庫(kù) 98 表，但是翻倍擴(kuò)容成 20 庫(kù) 100 表后，它分配到了 6 庫(kù) 99 表，表序號(hào)發(fā)生了偏移。
這樣的話，我們?cè)诤罄m(xù)在擴(kuò)容的時(shí)候，不僅要基于庫(kù)遷移數(shù)據(jù)，還要基于表遷移數(shù)據(jù)，非常麻煩且易錯(cuò)。
看完了上面的幾種典型的錯(cuò)誤案例，那么我們有哪些比較正確的方案呢?下面將結(jié)合一些實(shí)際場(chǎng)景案例介紹幾種 Hash 分庫(kù)分表的方案。
常用姿勢(shì)一：標(biāo)準(zhǔn)的二次分片法
上述錯(cuò)誤案例二中，整體思路完全正確，只是最后計(jì)算庫(kù)序號(hào)和表序號(hào)的時(shí)候，使用了庫(kù)數(shù)量作為影響表序號(hào)的因子，導(dǎo)致擴(kuò)容時(shí)表序號(hào)偏移而無(wú)法進(jìn)行。
事實(shí)上，我們只需要換種寫法，就能得出一個(gè)比較大眾化的分庫(kù)分表方案。
- public static ShardCfg shard2(String userId) {
- // ① 算Hash
- int hash = userId.hashCode();
- // ② 總分片數(shù)
- int sumSlot = DB_CNT * TBL_CNT;
- // ③ 分片序號(hào)
- int slot = Math.abs(hash % sumSlot);
- // ④ 重新修改二次求值方案
- int dbIdx = slot / TBL_CNT ;
- int tblIdx = slot % TBL_CNT ;
- return new ShardCfg(dbIdx, tblIdx);
- }
大家可以注意到，和錯(cuò)誤案例二中的區(qū)別就是通過(guò)分配序號(hào)重新計(jì)算庫(kù)序號(hào)和表序號(hào)的邏輯發(fā)生了變化。
它的分配情況如下：
那為何使用這種方案就能夠有很好的擴(kuò)展持久性呢?我們進(jìn)行一個(gè)簡(jiǎn)短的證明：
通過(guò)上面結(jié)論我們知道，通過(guò)翻倍擴(kuò)容后，我們的表序號(hào)一定維持不變，庫(kù)序號(hào)可能還是在原來(lái)庫(kù)，也可能平移到了新庫(kù)中(原庫(kù)序號(hào)加上原分庫(kù)數(shù))，完全符合我們需要的擴(kuò)容持久性方案。
方案缺點(diǎn)：
- 翻倍擴(kuò)容法前期操作性高，但是后續(xù)如果分庫(kù)數(shù)已經(jīng)是大幾十的時(shí)候，每次擴(kuò)容都非常耗費(fèi)資源。
- 連續(xù)的分片鍵 Hash 值大概率會(huì)散落在相同的庫(kù)中，某些業(yè)務(wù)可能容易存在庫(kù)熱點(diǎn)(例如新生成的用戶 Hash 相鄰且遞增，且新增用戶又是高概率的活躍用戶，那么一段時(shí)間內(nèi)生成的新用戶都會(huì)集中在相鄰的幾個(gè)庫(kù)中)。
常用姿勢(shì)二：關(guān)系表冗余
我們可以將分片鍵對(duì)應(yīng)庫(kù)的關(guān)系通過(guò)關(guān)系表記錄下來(lái)，我們把這張關(guān)系表稱為"路由關(guān)系表"。
- public static ShardCfg shard(String userId) {
- int tblIdx = Math.abs(userId.hashCode() % TBL_CNT);
- // 從緩存獲取
- Integer dbIdx = loadFromCache(userId);
- if (null == dbIdx) {
- // 從路由表獲取
- dbIdx = loadFromRouteTable(userId);
- if (null != dbIdx) {
- // 保存到緩存
- saveRouteCache(userId, dbIdx);
- }
- }
- if (null == dbIdx) {
- // 此處可以自由實(shí)現(xiàn)計(jì)算庫(kù)的邏輯
- dbIdx = selectRandomDbIdx();
- saveToRouteTable(userId, dbIdx);
- saveRouteCache(userId, dbIdx);
- }
- return new ShardCfg(dbIdx, tblIdx);
- }
該方案還是通過(guò)常規(guī)的 Hash 算法計(jì)算表序號(hào)，而計(jì)算庫(kù)序號(hào)時(shí)，則從路由表讀取數(shù)據(jù)。
因?yàn)樵诿看螖?shù)據(jù)查詢時(shí)，都需要讀取路由表，故我們需要將分片鍵和庫(kù)序號(hào)的對(duì)應(yīng)關(guān)系記錄同時(shí)維護(hù)在緩存中以提升性能。
上述實(shí)例中 selectRandomDbIdx 方法作用為生成該分片鍵對(duì)應(yīng)的存儲(chǔ)庫(kù)序號(hào)，這邊可以非常靈活的動(dòng)態(tài)配置。
例如可以為每個(gè)庫(kù)指定一個(gè)權(quán)重，權(quán)重大的被選中的概率更高，權(quán)重配置成0則可以將關(guān)閉某些庫(kù)的分配。當(dāng)發(fā)現(xiàn)數(shù)據(jù)存在偏斜時(shí)，也可以調(diào)整權(quán)重使得各個(gè)庫(kù)的使用量調(diào)整趨向接近。
該方案還有個(gè)優(yōu)點(diǎn)，就是理論上后續(xù)進(jìn)行擴(kuò)容的時(shí)候，僅需要掛載上新的數(shù)據(jù)庫(kù)節(jié)點(diǎn)，將權(quán)重配置成較大值即可，無(wú)需進(jìn)行任何的數(shù)據(jù)遷移即可完成。
如下圖所示：最開(kāi)始我們?yōu)?4 個(gè)數(shù)據(jù)庫(kù)分配了相同的權(quán)重，理論上落在每個(gè)庫(kù)的數(shù)據(jù)概率均等。
但是由于用戶也有高頻低頻之分，可能某些庫(kù)的數(shù)據(jù)增長(zhǎng)會(huì)比較快。當(dāng)掛載新的數(shù)據(jù)庫(kù)節(jié)點(diǎn)后，我們靈活的調(diào)整了每個(gè)庫(kù)的新權(quán)重。
該方案似乎解決了很多問(wèn)題，那么它有沒(méi)有什么不適合的場(chǎng)景呢?當(dāng)然有，該方案在很多場(chǎng)景下其實(shí)并不太適合。
以下舉例說(shuō)明：
- 每次讀取數(shù)據(jù)需要訪問(wèn)路由表，雖然使用了緩存，但是還是有一定的性能損耗。
- 路由關(guān)系表的存儲(chǔ)方面，有些場(chǎng)景并不合適。例如上述案例中用戶 id 的規(guī)模大概是在 10 億以內(nèi)，我們用單庫(kù)百表存儲(chǔ)該關(guān)系表即可。
但如果例如要用文件 MD5 摘要值作為分片鍵，因?yàn)闃颖炯^(guò)大，無(wú)法為每個(gè) md5 值都去指定關(guān)系(當(dāng)然我們也可以使用 md5 前 N 位來(lái)存儲(chǔ)關(guān)系)。
- 饑餓占位問(wèn)題，如下詳敘：我們知道，該方案的特點(diǎn)是后續(xù)無(wú)需擴(kuò)容，可以隨時(shí)修改權(quán)重調(diào)整每個(gè)庫(kù)的存儲(chǔ)增長(zhǎng)速度。
但是這個(gè)愿景是比較縹緲，并且很難實(shí)施的，我們選取一個(gè)簡(jiǎn)單的業(yè)務(wù)場(chǎng)景考慮以下幾個(gè)問(wèn)題。
【業(yè)務(wù)場(chǎng)景】：以用戶存放文件到云端的云盤業(yè)務(wù)為例，需要對(duì)用戶的文件信息進(jìn)行分庫(kù)分表設(shè)計(jì)。
有以下假定場(chǎng)景：
- 假定有 2 億理論用戶，假設(shè)當(dāng)前有 3000W 有效用戶。
- 平均每個(gè)用戶文件量級(jí)在 2000 個(gè)以內(nèi)
- 用戶 id 為隨機(jī) 16 位字符串
- 初期為 10 庫(kù)，每個(gè)庫(kù) 100 張表。
我們使用路由表記錄每個(gè)用戶所在的庫(kù)序號(hào)信息。那么該方案會(huì)有以下問(wèn)題：
第一：我們總共有 2 億個(gè)用戶，只有 3000W 個(gè)產(chǎn)生過(guò)事務(wù)的用戶。若程序不加處理，用戶發(fā)起任何請(qǐng)求則創(chuàng)建路由表數(shù)據(jù)，會(huì)導(dǎo)致為大量實(shí)際沒(méi)有事務(wù)數(shù)據(jù)的用戶提前創(chuàng)建路由表。
筆者最初存儲(chǔ)云盤用戶數(shù)據(jù)的時(shí)候便遇到了這個(gè)問(wèn)題，客戶端 app 會(huì)在首頁(yè)查詢用戶空間使用情況，這樣導(dǎo)致幾乎一開(kāi)始就為每個(gè)使用者分配好了路由。
隨著時(shí)間的推移，這部分沒(méi)有數(shù)據(jù)的"靜默"的用戶，隨時(shí)可能開(kāi)始他的云盤使用之旅而“復(fù)蘇”，從而導(dǎo)致它所在的庫(kù)迅速增長(zhǎng)并超過(guò)單個(gè)庫(kù)的空間容量極限，從而被迫拆分?jǐn)U容。
解決這個(gè)問(wèn)題的方案，其實(shí)就是只針對(duì)事務(wù)操作(例如購(gòu)買空間，上傳數(shù)據(jù)，創(chuàng)建文件夾等等)才進(jìn)行路由的分配，這樣對(duì)代碼層面便有了一些傾入。
第二、按照前面描述的業(yè)務(wù)場(chǎng)景，一個(gè)用戶最終平均有 2000 條數(shù)據(jù)，假定每行大小為 1K。
為了保證 B+樹(shù)的層級(jí)在 3 層，我們限制每張表的數(shù)據(jù)量在 2000W，分表數(shù)為 100 的話，可以得到理論上每個(gè)庫(kù)的用戶數(shù)不能超過(guò) 100W 個(gè)用戶。
也就是如果是 3000W 個(gè)產(chǎn)生過(guò)事務(wù)的用戶，我們需要為其分配 30 個(gè)庫(kù)，這樣會(huì)在業(yè)務(wù)前期，用戶平均數(shù)據(jù)量相對(duì)較少的時(shí)候，存在非常大的數(shù)據(jù)庫(kù)資源的浪費(fèi)。
解決第二個(gè)問(wèn)題，我們一般可以將很多數(shù)據(jù)庫(kù)放在一個(gè)實(shí)例上，后續(xù)隨著增長(zhǎng)情況進(jìn)行拆分。也可以后續(xù)針對(duì)將滿的庫(kù)，使用常規(guī)手段進(jìn)行拆分和遷移。
常用姿勢(shì)三：基因法
還是由錯(cuò)誤案例一啟發(fā)，我們發(fā)現(xiàn)案例一不合理的主要原因，就是因?yàn)閹?kù)序號(hào)和表序號(hào)的計(jì)算邏輯中，有公約數(shù)這個(gè)因子在影響庫(kù)表的獨(dú)立性。
那么我們是否可以換一種思路呢?我們使用相對(duì)獨(dú)立的 Hash 值來(lái)計(jì)算庫(kù)序號(hào)和表序號(hào)。
- public static ShardCfg shard(String userId) {
- int dbIdx = Math.abs(userId.substring(0, 4).hashCode() % DB_CNT );
- int tblIdx = Math.abs(userId.hashCode() % TBL_CNT);
- return new ShardCfg(dbIdx, tblIdx);
- }
如上所示，我們計(jì)算庫(kù)序號(hào)的時(shí)候做了部分改動(dòng)，我們使用分片鍵的前四位作為 Hash 值來(lái)計(jì)算庫(kù)序號(hào)。
這也是一種常用的方案，我們稱為基因法，即使用原分片鍵中的某些基因(例如前四位)作為庫(kù)的計(jì)算因子，而使用另外一些基因作為表的計(jì)算因子。
該方案也是網(wǎng)上不少的實(shí)踐方案或者是其變種，看起來(lái)非常巧妙的解決了問(wèn)題，然而在實(shí)際生成過(guò)程中還是需要慎重。
筆者曾在云盤的空間模塊的分庫(kù)分表實(shí)踐中采用了該方案，使用 16 庫(kù) 100 表拆分?jǐn)?shù)據(jù)，上線初期數(shù)據(jù)正常。
然而當(dāng)數(shù)據(jù)量級(jí)增長(zhǎng)起來(lái)后，發(fā)現(xiàn)每個(gè)庫(kù)的用戶數(shù)量嚴(yán)重不均等，故猜測(cè)該方案存在一定的數(shù)據(jù)偏斜。
為了驗(yàn)證觀點(diǎn)，進(jìn)行如下測(cè)試，隨機(jī) 2 億個(gè)用戶 id(16 位的隨機(jī)字符串)，針對(duì)不同的 M 庫(kù) N 表方案，重復(fù)若干次后求平均值得到結(jié)論如下：
- 8庫(kù)100表
- min=248305(dbIdx=2, tblIdx=64), max=251419(dbIdx=7, tblIdx=8), rate= 1.25% √
- 16庫(kù)100表
- min=95560(dbIdx=8, tblIdx=42), max=154476(dbIdx=0, tblIdx=87), rate= 61.65% ×
- 20庫(kù)100表
- min=98351(dbIdx=14, tblIdx=78), max=101228(dbIdx=6, tblIdx=71), rate= 2.93%
我們發(fā)現(xiàn)該方案中，分庫(kù)數(shù)為 16，分表數(shù)為 100，數(shù)量最小行數(shù)僅為 10W 不到，但是最多的已經(jīng)達(dá)到了 15W+，最大數(shù)據(jù)偏斜率高達(dá) 61%。
按這個(gè)趨勢(shì)發(fā)展下去，后期很可能出現(xiàn)一臺(tái)數(shù)據(jù)庫(kù)容量已經(jīng)使用滿，而另一臺(tái)還剩下 30%+ 的容量。
該方案并不是一定不行，而是我們?cè)诓捎玫臅r(shí)候，要綜合分片鍵的樣本規(guī)則，選取的分片鍵前綴位數(shù)，庫(kù)數(shù)量，表數(shù)量，四個(gè)變量對(duì)最終的偏斜率都有影響。
例如上述例子中，如果不是 16 庫(kù) 100 表，而是 8 庫(kù) 100 表，或者 20 庫(kù) 100 表，數(shù)據(jù)偏斜率都能降低到了 5% 以下的可接受范圍。
所以該方案的隱藏的"坑"較多，我們不僅要估算上線初期的偏斜率，還需要測(cè)算若干次翻倍擴(kuò)容后的數(shù)據(jù)偏斜率。
例如你用著初期比較完美的 8 庫(kù) 100 表的方案，后期擴(kuò)容成 16 庫(kù) 100 表的時(shí)候，麻煩就接踵而至。
常用姿勢(shì)四：剔除公因數(shù)法
還是基于錯(cuò)誤案例一啟發(fā)，在很多場(chǎng)景下我們還是希望相鄰的 Hash 能分到不同的庫(kù)中。就像 N 庫(kù)單表的時(shí)候，我們計(jì)算庫(kù)序號(hào)一般直接用 Hash 值對(duì)庫(kù)數(shù)量取余。
那么我們是不是可以有辦法去除掉公因數(shù)的影響呢?下面為一個(gè)可以考慮的實(shí)現(xiàn)案例：
- public static ShardCfg shard(String userId) {
- int dbIdx = Math.abs(userId.hashCode() % DB_CNT);
- // 計(jì)算表序號(hào)時(shí)先剔除掉公約數(shù)的影響
- int tblIdx = Math.abs((userId.hashCode() / TBL_CNT) % TBL_CNT);
- return new ShardCfg(dbIdx, tblIdx);
- }
經(jīng)過(guò)測(cè)算，該方案的最大數(shù)據(jù)偏斜度也比較小，針對(duì)不少業(yè)務(wù)從 N 庫(kù) 1 表升級(jí)到 N 庫(kù) M 表下，需要維護(hù)庫(kù)序號(hào)不變的場(chǎng)景下可以考慮。
常用姿勢(shì)五：一致性 Hash 法
一致性 Hash 算法也是一種比較流行的集群數(shù)據(jù)分區(qū)算法，比如 RedisCluster 即是通過(guò)一致性 Hash 算法，使用 16384 個(gè)虛擬槽節(jié)點(diǎn)進(jìn)行每個(gè)分片數(shù)據(jù)的管理。
關(guān)于一致性 Hash 的具體原理這邊不再重復(fù)描述，讀者可以自行翻閱資料。這邊詳細(xì)介紹如何使用一致性 Hash 進(jìn)行分庫(kù)分表的設(shè)計(jì)。
我們通常會(huì)將每個(gè)實(shí)際節(jié)點(diǎn)的配置持久化在一個(gè)配置項(xiàng)或者是數(shù)據(jù)庫(kù)中，應(yīng)用啟動(dòng)時(shí)或者是進(jìn)行切換操作的時(shí)候會(huì)去加載配置。
配置一般包括一個(gè)[StartKey，Endkey)的左閉右開(kāi)區(qū)間和一個(gè)數(shù)據(jù)庫(kù)節(jié)點(diǎn)信息，例如：
示例代碼：
- private TreeMap<Long, Integer> nodeTreeMap = new TreeMap<>();
- @Override
- public void afterPropertiesSet() {
- // 啟動(dòng)時(shí)加載分區(qū)配置
- List<HashCfg> cfgList = fetchCfgFromDb();
- for (HashCfg cfg : cfgList) {
- nodeTreeMap.put(cfg.endKey, cfg.nodeIdx);
- }
- }
- public ShardCfg shard(String userId) {
- int hash = userId.hashCode();
- int dbIdx = nodeTreeMap.tailMap((long) hash, false).firstEntry().getValue();
- int tblIdx = Math.abs(hash % 100);
- return new ShardCfg(dbIdx, tblIdx);
- }
我們可以看到，這種形式和上文描述的 Range 分表非常相似，Range 分庫(kù)分表方式針對(duì)分片鍵本身劃分范圍，而一致性 Hash 是針對(duì)分片鍵的 Hash 值進(jìn)行范圍配置。
正規(guī)的一致性 Hash 算法會(huì)引入虛擬節(jié)點(diǎn)，每個(gè)虛擬節(jié)點(diǎn)會(huì)指向一個(gè)真實(shí)的物理節(jié)點(diǎn)。
這樣設(shè)計(jì)方案主要是能夠在加入新節(jié)點(diǎn)后的時(shí)候，可以有方案保證每個(gè)節(jié)點(diǎn)遷移的數(shù)據(jù)量級(jí)和遷移后每個(gè)節(jié)點(diǎn)的壓力保持幾乎均等。
但是用在分庫(kù)分表上，一般大部分都只用實(shí)際節(jié)點(diǎn)，引入虛擬節(jié)點(diǎn)的案例不多。
主要有以下原因：
- 應(yīng)用程序需要花費(fèi)額外的耗時(shí)和內(nèi)存來(lái)加載虛擬節(jié)點(diǎn)的配置信息。如果虛擬節(jié)點(diǎn)較多，內(nèi)存的占用也會(huì)有些不太樂(lè)觀。
- 由于 MySQL 有非常完善的主從復(fù)制方案，與其通過(guò)從各個(gè)虛擬節(jié)點(diǎn)中篩選需要遷移的范圍數(shù)據(jù)進(jìn)行遷移，不如通過(guò)從庫(kù)升級(jí)方式處理后再刪除冗余數(shù)據(jù)簡(jiǎn)單可控。
- 虛擬節(jié)點(diǎn)主要解決的痛點(diǎn)是節(jié)點(diǎn)數(shù)據(jù)搬遷過(guò)程中各個(gè)節(jié)點(diǎn)的負(fù)載不均衡問(wèn)題，通過(guò)虛擬節(jié)點(diǎn)打散到各個(gè)節(jié)點(diǎn)中均攤壓力進(jìn)行處理。
而作為 OLTP 數(shù)據(jù)庫(kù)，我們很少需要突然將某個(gè)數(shù)據(jù)庫(kù)下線，新增節(jié)點(diǎn)后一般也不會(huì)從 0 開(kāi)始從其他節(jié)點(diǎn)搬遷數(shù)據(jù)，而是前置準(zhǔn)備好大部分?jǐn)?shù)據(jù)的方式，故一般來(lái)說(shuō)沒(méi)有必要引入虛擬節(jié)點(diǎn)來(lái)增加復(fù)雜度。
常見(jiàn)擴(kuò)容方案
①翻倍擴(kuò)容法
翻倍擴(kuò)容法的主要思維是每次擴(kuò)容，庫(kù)的數(shù)量均翻倍處理，而翻倍的數(shù)據(jù)源通常是由原數(shù)據(jù)源通過(guò)主從復(fù)制方式得到的從庫(kù)升級(jí)成主庫(kù)提供服務(wù)的方式。故有些文檔將其稱作"從庫(kù)升級(jí)法"。
理論上，經(jīng)過(guò)翻倍擴(kuò)容法后，我們會(huì)多一倍的數(shù)據(jù)庫(kù)用來(lái)存儲(chǔ)數(shù)據(jù)和應(yīng)對(duì)流量，原先數(shù)據(jù)庫(kù)的磁盤使用量也將得到一半空間的釋放。
如下圖所示：
具體的流程大致如下：
時(shí)間點(diǎn) t1：為每個(gè)節(jié)點(diǎn)都新增從庫(kù)，開(kāi)啟主從同步進(jìn)行數(shù)據(jù)同步。
時(shí)間點(diǎn) t2：主從同步完成后，對(duì)主庫(kù)進(jìn)行禁寫。
此處禁寫主要是為了保證數(shù)據(jù)的正確性。若不進(jìn)行禁寫操作，在以下兩個(gè)時(shí)間窗口期內(nèi)將出現(xiàn)數(shù)據(jù)不一致的問(wèn)題：
- 斷開(kāi)主從后，若主庫(kù)不禁寫，主庫(kù)若還有數(shù)據(jù)寫入，這部分?jǐn)?shù)據(jù)將無(wú)法同步到從庫(kù)中。
- 應(yīng)用集群識(shí)別到分庫(kù)數(shù)翻倍的時(shí)間點(diǎn)無(wú)法嚴(yán)格一致，在某個(gè)時(shí)間點(diǎn)可能兩臺(tái)應(yīng)用使用不同的分庫(kù)數(shù)，運(yùn)算到不同的庫(kù)序號(hào)，導(dǎo)致錯(cuò)誤寫入。
時(shí)間點(diǎn) t3：同步完全完成后，斷開(kāi)主從關(guān)系，理論上此時(shí)從庫(kù)和主庫(kù)有著完全一樣的數(shù)據(jù)集。
時(shí)間點(diǎn)t4：從庫(kù)升級(jí)為集群節(jié)點(diǎn)，業(yè)務(wù)應(yīng)用識(shí)別到新的分庫(kù)數(shù)后，將應(yīng)用新的路由算法。
一般情況下，我們將分庫(kù)數(shù)的配置放到配置中心中，當(dāng)上述三個(gè)步驟完成后，我們修改分庫(kù)數(shù)進(jìn)行翻倍，應(yīng)用生效后，應(yīng)用服務(wù)將使用新的配置。
這里需要注意的是，業(yè)務(wù)應(yīng)用接收到新的配置的時(shí)間點(diǎn)不一定一致，所以必定存在一個(gè)時(shí)間窗口期，該期間部分機(jī)器使用原分庫(kù)數(shù)，部分節(jié)點(diǎn)使用新分庫(kù)數(shù)。這也正是我們的禁寫操作一定要在此步完成后才能放開(kāi)的原因。
時(shí)間點(diǎn) t5：確定所有的應(yīng)用均接受到庫(kù)總數(shù)的配置后，放開(kāi)原主庫(kù)的禁寫操作，此時(shí)應(yīng)用完全恢復(fù)服務(wù)。
啟動(dòng)離線的定時(shí)任務(wù)，清除各庫(kù)中的約一半冗余數(shù)據(jù)。
為了節(jié)省磁盤的使用率，我們可以選擇離線定時(shí)任務(wù)清除冗余的數(shù)據(jù)。也可以在業(yè)務(wù)初期表結(jié)構(gòu)設(shè)計(jì)的時(shí)候，將索引鍵的 Hash 值存為一個(gè)字段。
那么以上述常用姿勢(shì)四為例，我們離線的清除任務(wù)可以簡(jiǎn)單的通過(guò) sql 即可實(shí)現(xiàn)(需要防止鎖住全表，可以拆分成若干個(gè) id 范圍的子 sql 執(zhí)行)：
- delete from db0.tbl0 where hash_val mod 4 <> 0;
- delete from db1.tbl0 where hash_val mod 4 <> 1;
- delete from db2.tbl0 where hash_val mod 4 <> 2;
- delete from db3.tbl0 where hash_val mod 4 <> 3;
具體的擴(kuò)容步驟可參考下圖：
總結(jié)：通過(guò)上述遷移方案可以看出，從時(shí)間點(diǎn) t2 到 t5 時(shí)間窗口呢內(nèi)，需要對(duì)數(shù)據(jù)庫(kù)禁寫，相當(dāng)于是該時(shí)間范圍內(nèi)服務(wù)器是部分有損的，該階段整體耗時(shí)差不多是在分鐘級(jí)范圍內(nèi)。若業(yè)務(wù)可以接受，可以在業(yè)務(wù)低峰期進(jìn)行該操作。
當(dāng)然也會(huì)有不少應(yīng)用無(wú)法容忍分鐘級(jí)寫入不可用，例如寫操作遠(yuǎn)遠(yuǎn)大于讀操作的應(yīng)用，此時(shí)可以結(jié)合 canel 開(kāi)源框架進(jìn)行窗口期內(nèi)數(shù)據(jù)雙寫操作以保證數(shù)據(jù)的一致性。
該方案主要借助于 MySQL 強(qiáng)大完善的主從同步機(jī)制，能在事前提前準(zhǔn)備好新的節(jié)點(diǎn)中大部分需要的數(shù)據(jù)，節(jié)省大量的人為數(shù)據(jù)遷移操作。
但是缺點(diǎn)也很明顯，一是過(guò)程中整個(gè)服務(wù)可能需要以有損為代價(jià)，二是每次擴(kuò)容均需要對(duì)庫(kù)數(shù)量進(jìn)行翻倍，會(huì)提前浪費(fèi)不少的數(shù)據(jù)庫(kù)資源。
②一致性 Hash 擴(kuò)容
我們主要還是看下不帶虛擬槽的一致性 Hash 擴(kuò)容方法，假如當(dāng)前數(shù)據(jù)庫(kù)節(jié)點(diǎn) DB0 負(fù)載或磁盤使用過(guò)大需要擴(kuò)容，我們通過(guò)擴(kuò)容可以達(dá)到例如下圖的效果。
下圖中，擴(kuò)容前配置了三個(gè) Hash 分段，發(fā)現(xiàn)[-Inf，-10000)范圍內(nèi)的的數(shù)據(jù)量過(guò)大或者壓力過(guò)高時(shí)，需要對(duì)其進(jìn)行擴(kuò)容。
主要步驟如下：
- 時(shí)間點(diǎn) t1：針對(duì)需要擴(kuò)容的數(shù)據(jù)庫(kù)節(jié)點(diǎn)增加從節(jié)點(diǎn)，開(kāi)啟主從同步進(jìn)行數(shù)據(jù)同步。
- 時(shí)間點(diǎn) t2：完成主從同步后，對(duì)原主庫(kù)進(jìn)行禁寫。此處原因和翻倍擴(kuò)容法類似，需要保證新的從庫(kù)和原來(lái)主庫(kù)中數(shù)據(jù)的一致性。
- 時(shí)間點(diǎn) t3：同步完全完成后，斷開(kāi)主從關(guān)系，理論上此時(shí)從庫(kù)和主庫(kù)有著完全一樣的數(shù)據(jù)集。
- 時(shí)間點(diǎn) t4：修改一致性 Hash 范圍的配置，并使應(yīng)用服務(wù)重新讀取并生效。
- 時(shí)間點(diǎn) t5：確定所有的應(yīng)用均接受到新的一致性 Hash 范圍配置后，放開(kāi)原主庫(kù)的禁寫操作，此時(shí)應(yīng)用完全恢復(fù)服務(wù)。
啟動(dòng)離線的定時(shí)任務(wù)，清除冗余數(shù)據(jù)。
可以看到，該方案和翻倍擴(kuò)容法的方案比較類似，但是它更加靈活，可以根據(jù)當(dāng)前集群每個(gè)節(jié)點(diǎn)的壓力情況選擇性擴(kuò)容，而無(wú)需整個(gè)集群同時(shí)翻倍進(jìn)行擴(kuò)容。
小結(jié)
本文主要描述了我們進(jìn)行水平分庫(kù)分表設(shè)計(jì)時(shí)的一些常見(jiàn)方案。
我們?cè)谶M(jìn)行分庫(kù)分表設(shè)計(jì)時(shí)，可以選擇例如范圍分表，Hash 分表，路由表，或者一致性 Hash 分表等各種方案。進(jìn)行選擇時(shí)需要充分考慮到后續(xù)的擴(kuò)容可持續(xù)性，最大數(shù)據(jù)偏斜率等因素。
文中也列舉了一些常見(jiàn)的錯(cuò)誤示例，例如庫(kù)表計(jì)算邏輯中公約數(shù)的影響，使用前若干位計(jì)算庫(kù)序號(hào)常見(jiàn)的數(shù)據(jù)傾斜因素等等。
我們?cè)趯?shí)際進(jìn)行選擇時(shí)，一定要考慮自身的業(yè)務(wù)特點(diǎn)，充分驗(yàn)證分片鍵在各個(gè)參數(shù)因子下的數(shù)據(jù)偏斜程度，并提前規(guī)劃考慮好后續(xù)擴(kuò)容的方案。
作者：Han Lei
編輯：陶家龍
出處：轉(zhuǎn)載自公眾號(hào)vivo互聯(lián)網(wǎng)技術(shù)(ID：vivoVMIC)
