很多年前，讀了 子柳 老師的《淘寶技術(shù)這十年》。這本書成為了我的架構(gòu)啟蒙書，書中的一句話像種子一樣深埋在我的腦海里： “好的架構(gòu)是進(jìn)化來的，不是設(shè)計(jì)來的” 。

2015年，我加入神州專車訂單研發(fā)團(tuán)隊(duì)，親歷了專車數(shù)據(jù)層「架構(gòu)進(jìn)化」的過程。這次工作經(jīng)歷對我而言非常有啟發(fā)性，也讓我經(jīng)常感慨：“好的架構(gòu)果然是一點(diǎn)點(diǎn)進(jìn)化來的”。

1 單數(shù)據(jù)庫架構(gòu)

產(chǎn)品初期，技術(shù)團(tuán)隊(duì)的核心目標(biāo)是： “快速實(shí)現(xiàn)產(chǎn)品需求，盡早對外提供服務(wù)” 。

彼時的專車服務(wù)都連同一個 SQLServer 數(shù)據(jù)庫，服務(wù)層已經(jīng)按照業(yè)務(wù)領(lǐng)域做了一定程度的拆分。

這種架構(gòu)非常簡單，團(tuán)隊(duì)可以分開協(xié)作，效率也極高。隨著專車訂單量的不斷增長，早晚高峰期，用戶需要打車的時候，點(diǎn)擊下單后經(jīng)常無響應(yīng)。

系統(tǒng)層面來看：

• 數(shù)據(jù)庫瓶頸顯現(xiàn)。頻繁的磁盤操作導(dǎo)致數(shù)據(jù)庫服務(wù)器 IO 消耗增加，同時多表關(guān)聯(lián)，排序，分組，非索引字段條件查詢也會讓 cpu 飆升，最終都會導(dǎo)致數(shù)據(jù)庫連接數(shù)激增；
• 網(wǎng)關(guān)大規(guī)模超時。在高并發(fā)場景下，大量請求直接操作數(shù)據(jù)庫，數(shù)據(jù)庫連接資源不夠用，大量請求處于阻塞狀態(tài)。

2  SQL優(yōu)化和讀寫分離

為了緩解主數(shù)據(jù)庫的壓力，很容易就想到的策略： SQL優(yōu)化 。通過性能監(jiān)控平臺和 DBA 同學(xué)協(xié)作分析出業(yè)務(wù)慢 SQL ，整理出優(yōu)化方案：

• 合理添加索引；
• 減少多表 JOIN 關(guān)聯(lián)，通過程序組裝，減少數(shù)據(jù)庫讀壓力；
• 減少大事務(wù)，盡快釋放數(shù)據(jù)庫連接。

另外一個策略是： 讀寫分離 。

讀寫分離的基本原理是讓主數(shù)據(jù)庫處理事務(wù)性增、改、刪操作（ INSERT、UPDATE、DELETE），而從數(shù)據(jù)庫處理 SELECT 查詢操作。

專車架構(gòu)團(tuán)隊(duì)提供的 框架 中，支持讀寫分離，于是數(shù)據(jù)層架構(gòu)進(jìn)化為如下圖：

讀寫分離可以減少主庫寫壓力，同時讀從庫可水平擴(kuò)展。當(dāng)然，讀寫分離依然有局限性：

• 讀寫分離可能面臨主從延遲的問題，訂單服務(wù)載客流程中對實(shí)時性要求較高，因?yàn)閾?dān)心延遲問題，大量操作依然使用主庫查詢；
• 讀寫分離可以緩解讀壓力，但是寫操作的壓力隨著業(yè)務(wù)爆發(fā)式的增長并沒有很有效的緩解。

3  業(yè)務(wù)領(lǐng)域分庫

雖然應(yīng)用層面做了優(yōu)化，數(shù)據(jù)層也做了讀寫分離，但主庫的壓力依然很大。接下來，大家不約而同的想到了 業(yè)務(wù)領(lǐng)域分庫 ，也就是：將數(shù)據(jù)庫按業(yè)務(wù)領(lǐng)域拆分成不同的業(yè)務(wù)數(shù)據(jù)庫，每個系統(tǒng)僅訪問對應(yīng)業(yè)務(wù)的數(shù)據(jù)庫。

業(yè)務(wù)領(lǐng)域分庫可以緩解核心訂單庫的性能壓力，同時也減少系統(tǒng)間的相互影響，提升了系統(tǒng)整體穩(wěn)定性。

隨之而來的問題是：原來單一數(shù)據(jù)庫時，簡單的使用 JOIN 就可以滿足需求，但拆分后的業(yè)務(wù)數(shù)據(jù)庫在不同的實(shí)例上，就不能跨庫使用 JOIN了，因此需要對 系統(tǒng)邊界重新梳理，業(yè)務(wù)系統(tǒng)也需要重構(gòu) 。

重構(gòu)重點(diǎn)包含兩個部分：

• 原來需要 JOIN 關(guān)聯(lián)的查詢修改成 RPC 調(diào)用，程序中組裝數(shù)據(jù) ；
• 業(yè)務(wù)表適當(dāng)冗余字段，通過消息隊(duì)列或者異構(gòu)工具同步。

4 緩存和MQ

專車服務(wù)中，訂單服務(wù)是并發(fā)量和請求量最高，也是業(yè)務(wù)中最核心的服務(wù)。雖然通過業(yè)務(wù)領(lǐng)域分庫，SQL 優(yōu)化提升了不少系統(tǒng)性能，但訂單數(shù)據(jù)庫的寫壓力依然很大，系統(tǒng)的瓶頸依然很明顯。

于是，訂單服務(wù)引入了 緩存  和 MQ  。

乘客在用戶端點(diǎn)擊 立即叫車 ，訂單服務(wù)創(chuàng)建訂單，首先保存到數(shù)據(jù)庫后，然后將訂單信息同步保存到緩存中。

在訂單的載客生命周期里，訂單的修改操作先修改緩存，然后發(fā)送消息到 MetaQ  ，訂單落盤服務(wù)消費(fèi)消息，并判斷訂單信息是否正常（比如有無亂序)，若訂單數(shù)據(jù)無誤，則存儲到數(shù)據(jù)庫中。

核心邏輯有兩點(diǎn)：

1. 緩存集群中存儲最近七天訂單詳情信息，大量訂單讀請求直接從緩存獲取；
2. 在訂單的載客生命周期里，寫操作先修改緩存，通過消息隊(duì)列異步落盤，這樣消息隊(duì)列可以起到消峰的作用，同樣可以降低數(shù)據(jù)庫的壓力。

這次優(yōu)化提升了訂單服務(wù)的整體性能，也為后來訂單服務(wù)庫分庫分表以及異構(gòu)打下了堅(jiān)實(shí)的基礎(chǔ)。

5 從 SQLServer 到 MySQL

業(yè)務(wù)依然在爆炸增長，每天幾十萬訂單，訂單表數(shù)據(jù)量很快將過億，數(shù)據(jù)庫天花板遲早會觸及。

訂單 分庫分表 已成為技術(shù)團(tuán)隊(duì)的共識。業(yè)界很多分庫分表方案都是基于 MySQL 數(shù)據(jù)庫，專車技術(shù)管理層決定先將訂單庫整體先從 SQLServer 遷移到 MySQL 。

遷移之前， 準(zhǔn)備工作 很重要 ：

• SQLServer 和 MySQL 兩種數(shù)據(jù)庫語法有一些差異，訂單服務(wù)必須要適配 MySQL 語法。
• 訂單 order_id 是主鍵自增，但在分布式場景中并不合適，需要將訂單 id 調(diào)整為分布式模式。

當(dāng)準(zhǔn)備工作完成后，才開始遷移。

遷移過程分兩部分： 歷史全量數(shù)據(jù)遷移 和 增量數(shù)據(jù)遷移 。

歷史數(shù)據(jù)全量遷移主要是 DBA 同學(xué)通過工具將訂單庫同步到獨(dú)立的 MySQL 數(shù)據(jù)庫。

增量數(shù)據(jù)遷移：因?yàn)?SQLServer 無 binlog 日志概念，不能使用 maxwell 和 canal 等類似解決方案。訂單團(tuán)隊(duì)重構(gòu)了訂單服務(wù)代碼，每次訂單寫操作的時候，會發(fā)送一條 MQ 消息到 MetaQ 。為了確保遷移的可靠性，還需要將新庫的數(shù)據(jù)同步到舊庫，也就是需要做到 雙向同步 。

遷移流程：

1. 首先訂單服務(wù)（SQLServer版）發(fā)送訂單變更消息到 MetaQ ，此時并不開啟「舊庫消息消費(fèi)」，讓消息先堆積在 MetaQ 里；
2. 然后開始遷移歷史全量數(shù)據(jù)，當(dāng)全量遷移完成后，再開啟「舊庫消息消費(fèi)」，這樣新訂單庫就可以和舊訂單庫數(shù)據(jù)保持同步了；
3. 開啟「新庫消息消費(fèi)」，然后部署訂單服務(wù)（ MySQL 版），此時訂單服務(wù)有兩個版本同時運(yùn)行，檢測數(shù)據(jù)無誤后，逐步增加新訂單服務(wù)流量，直到老訂單服務(wù)完全下線。

6 自研分庫分表組件

業(yè)界分庫分表一般有 proxy 和 client 兩種流派。

proxy模式

代理層分片方案業(yè)界有 Mycat ， cobar 等 。

它的優(yōu)點(diǎn)：應(yīng)用零改動，和語言無關(guān)，可以通過連接共享減少連接數(shù)消耗。缺點(diǎn)：因?yàn)槭谴韺?，存在額外的時延。

client模式

應(yīng)用層分片方案業(yè)界有 sharding-jdbc ， TDDL 等。

它的優(yōu)點(diǎn)：直連數(shù)據(jù)庫，額外開銷小，實(shí)現(xiàn)簡單，輕量級中間件。缺點(diǎn)：無法減少連接數(shù)消耗，有一定的侵入性，多數(shù)只支持Java語言。

神州架構(gòu)團(tuán)隊(duì)選擇 自研 分庫分表組件，采用了 client 模式 ，組件命名： SDDL 。

訂單服務(wù)需要引入是 SDDL 的 jar 包，在配置中心配置 數(shù)據(jù)源信息  ， sharding key   ， 路由規(guī)則 等，訂單服務(wù)只需要配置一個 datasourceId  即可。

7 分庫分表策略

7.1 乘客維度

專車訂單數(shù)據(jù)庫的查詢主維度是： 乘客 ，乘客端按乘客 user_id 和 訂單 order_id 查詢頻率最高，我們選擇 user_id 做為 sharding key  ，相同用戶的訂單數(shù)據(jù)存儲到同一個數(shù)據(jù)庫中。

分庫分表組件 SDDL 和阿里開源的數(shù)據(jù)庫中間件 cobar 路由算法非常類似的。

為了便于思維擴(kuò)展，先簡單介紹下 cobar 的分片算法。

假設(shè)現(xiàn)在需要將訂單表平均拆分到4個分庫 shard0 ，shard1 ，shard2 ，shard3 。首先將 [0-1023] 平均分為4個區(qū)段：[0-255]，[256-511]，[512-767]，[768-1023]，然后對字符串（或子串，由用戶自定義）做 hash， hash 結(jié)果對1024取模，最終得出的結(jié)果 slot  落入哪個區(qū)段，便路由到哪個分庫。

cobar 的默認(rèn)路由算法 ，可以和 雪花算法  天然融合在一起， 訂單 order_id  使用雪花算法，我們可以將 slot 的值保存在 10位工作機(jī)器ID  里。

通過訂單 order_id 可以反查出 slot , 就可以定位該用戶的訂單數(shù)據(jù)存儲在哪個分區(qū)里。

Integer getWorkerId(Long orderId) {
 Long workerId = (orderId >> 12) & 0x03ff;
 return workerId.intValue();
}

專車 SDDL 分片算法和 cobar 差異點(diǎn)在于：

1. cobar 支持最大分片數(shù)是1024，而 SDDL 最大支持分庫數(shù)1024*8=8192，同樣分四個訂單庫，每個分片的 slot 區(qū)間范圍是2048 ；

2. 因?yàn)橐С?192個分片，雪花算法要做一點(diǎn)微調(diào)，雪花算法的10位工作機(jī)器修改成 13 位工作機(jī)器，時間戳也調(diào)整為： 38 位時間戳（由某個時間點(diǎn)開始的毫秒數(shù)）。

7.2  司機(jī)維度

雖然解決了主維度乘客分庫分表問題，但專車還有另外一個查詢維度，在司機(jī)客戶端，司機(jī)需要查詢分配給他的訂單信息。

我們已經(jīng)按照乘客 user_id 作為 sharding key ，若按照司機(jī) driver_id 查詢訂單的話，需要廣播到每一個分庫并聚合返回，基于此，技術(shù)團(tuán)隊(duì)選擇將乘客維度的訂單數(shù)據(jù) 異構(gòu) 到以司機(jī)維度的數(shù)據(jù)庫里。

司機(jī)維度的分庫分表策略和乘客維度邏輯是一樣的，只不過 sharding key 變成了司機(jī) driver_id 。

異構(gòu)神器 canal 解析乘客維度四個分庫的 binlog ，通過 SDDL 寫入到司機(jī)維度的四個分庫里。

這里大家可能有個疑問：雖然可以異構(gòu)將訂單同步到司機(jī)維度的分庫里，畢竟有些許延遲，如何保證司機(jī)在司機(jī)端查詢到最新的訂單數(shù)據(jù)呢 ？

在 緩存和MQ 這一小節(jié)里提到：緩存集群中存儲最近七天訂單詳情信息，大量訂單讀請求直接從緩存獲取。訂單服務(wù)會緩存司機(jī)和當(dāng)前訂單的映射，這樣司機(jī)端的大量請求就可以直接緩存中獲取，而司機(jī)端查詢訂單列表的頻率沒有那么高，異構(gòu)復(fù)制延遲在10毫秒到30毫秒之間，在業(yè)務(wù)上是完全可以接受的。

7.3  運(yùn)營維度

專車管理后臺，運(yùn)營人員經(jīng)常需要查詢訂單信息，查詢條件會比較復(fù)雜，專車技術(shù)團(tuán)隊(duì)采用的做法是：訂單數(shù)據(jù)落盤在乘客維度的訂單分庫之后，通過 canal 把數(shù)據(jù)同步到Elastic Search。

7.4 小表廣播

業(yè)務(wù)中有一些配置表，存儲重要的配置，讀多寫少。在實(shí)際業(yè)務(wù)查詢中，很多業(yè)務(wù)表會和配置表進(jìn)行聯(lián)合數(shù)據(jù)查詢。但在數(shù)據(jù)庫水平拆分后，配置表是無法拆分的。

小表廣播的原理是：將小表的所有數(shù)據(jù)（包括增量更新）自動廣播（即復(fù)制）到大表的機(jī)器上。這樣，原來的分布式 JOIN 查詢就變成單機(jī)本地查詢，從而大大提高了效率。

專車場景下，小表廣播是非常實(shí)用的需求。比如： 城市表 是非常重要的配置表，數(shù)據(jù)量非常小，但訂單服務(wù)，派單服務(wù)，用戶服務(wù)都依賴這張表。

通過 canal 將基礎(chǔ)配置數(shù)據(jù)庫城市表同步到訂單數(shù)據(jù)庫，派單數(shù)據(jù)庫，用戶數(shù)據(jù)庫。

8 平滑遷移

分庫分表組件 SDDL  研發(fā)完成，并在生產(chǎn)環(huán)境得到一定程度的驗(yàn)證后，訂單服務(wù)從單庫 MySQL 模式遷移到分庫分表模式條件已經(jīng)成熟。

遷移思路其實(shí)和 從 SQLServer 到 MySQL 非常類似。

整體遷移流程：

1. DBA 同學(xué)準(zhǔn)備乘客維度的四個分庫，司機(jī)維度的四個分庫 ，每個分庫都是最近某個時間點(diǎn)的全量數(shù)據(jù)；
2. 八個分庫都是全量數(shù)據(jù)，需要按照分庫分表規(guī)則刪除八個分庫的冗余數(shù)據(jù) ；
3. 開啟正向同步，舊訂單數(shù)據(jù)按照分庫分表策略落盤到乘客維度的分庫，通過 canal 將乘客維度分庫訂單數(shù)據(jù)異構(gòu)復(fù)制到司機(jī)維度的分庫中；
4. 開啟反向同步，修改訂單應(yīng)用的數(shù)據(jù)源配置，重啟訂單服務(wù)，訂單服務(wù)新創(chuàng)建的訂單會落盤到乘客維度的分庫，通過 canal 將乘客維度分庫訂單數(shù)據(jù)異構(gòu)到 全量訂單庫 以及司機(jī)維度的數(shù)據(jù)庫；
5. 驗(yàn)證數(shù)據(jù)無誤后，逐步更新訂單服務(wù)的數(shù)據(jù)源配置，完成整體遷移。

9 數(shù)據(jù)交換平臺

專車訂單已完成分庫分表 , 很多細(xì)節(jié)都值得復(fù)盤：

1. 全量歷史數(shù)據(jù)遷移需要 DBA 介入 ，技術(shù)團(tuán)隊(duì)沒有成熟的工具或者產(chǎn)品輕松完成；
2. 增量數(shù)據(jù)遷移通過 canal 來實(shí)現(xiàn)。隨著專車業(yè)務(wù)的爆發(fā)增長，數(shù)據(jù)庫鏡像，實(shí)時索引構(gòu)建，分庫異構(gòu)等需求越來越多，雖然canal 非常優(yōu)秀，但它還是有瑕疵，比如缺失任務(wù)控制臺，數(shù)據(jù)源管理能力，任務(wù)級別的監(jiān)控和報(bào)警，操作審計(jì)等功能。

面對這些問題，架構(gòu)團(tuán)隊(duì)的目標(biāo)是打造一個平臺，滿足各種異構(gòu)數(shù)據(jù)源之間的實(shí)時增量同步和離線全量同步，支撐公司業(yè)務(wù)的快速發(fā)展。

基于這個目標(biāo)，架構(gòu)團(tuán)隊(duì)自研了 dataLink 用于增量數(shù)據(jù)同步，深度定制了阿里開源的 dataX 用于全量數(shù)據(jù)同步。

10 寫到最后

專車 架構(gòu)進(jìn)化 之路并非一帆風(fēng)順，也有波折和起伏，但一步一個腳印，專車的技術(shù)儲備越來越深厚。