分庫分表，是企業(yè)里面比較常見的針對高并發(fā)、數(shù)據(jù)量大的場景下的一種技術(shù)優(yōu)化方案，也是一個(gè)非常高頻的面試題。但是，因?yàn)楹芏嗳似鋵?shí)并沒有非常豐富的分庫分表的經(jīng)驗(yàn)，所以能把這個(gè)問題回答得比較好的人其實(shí)還挺少的。

那么，本文就來試圖把關(guān)于分庫分表的事情，一次性講個(gè)清楚。

一、分庫，分表，分庫分表

首先，我們需要知道所謂"分庫分表"，根本就不是一件事兒，而是三件事兒，他們要解決的問題也都不一樣。

這三個(gè)事兒分別是"只分庫不分表"、"只分表不分庫"、以及"既分庫又分表"。

1、什么時(shí)候分庫？

其實(shí)，分庫主要解決的是并發(fā)量大的問題。因?yàn)椴l(fā)量一旦上來了，那么數(shù)據(jù)庫就可能會成為瓶頸，因?yàn)閿?shù)據(jù)庫的連接數(shù)是有限的，雖然可以調(diào)整，但是也不是無限調(diào)整的。

所以，當(dāng)當(dāng)你的數(shù)據(jù)庫的讀或者寫的QPS過高，導(dǎo)致你的數(shù)據(jù)庫連接數(shù)不足了的時(shí)候，就需要考慮分庫了，通過增加數(shù)據(jù)庫實(shí)例的方式來提供更多的可用數(shù)據(jù)庫鏈接，從而提升系統(tǒng)的并發(fā)度。

比較典型的分庫的場景就是我們在做微服務(wù)拆分的時(shí)候，就會按照業(yè)務(wù)邊界，把各個(gè)業(yè)務(wù)的數(shù)據(jù)從一個(gè)單一的數(shù)據(jù)庫中拆分開，分表把訂單、物流、商品、會員等單獨(dú)放到單獨(dú)的數(shù)據(jù)庫中。

還有就是有的時(shí)候可能會需要把歷史訂單挪到歷史庫里面去。這也是分庫的一種具體做法。

2、什么時(shí)候分表？

分庫主要解決的是并發(fā)量大的問題，那分表其實(shí)主要解決的是數(shù)據(jù)量大的問題。

假如你的單表數(shù)據(jù)量非常大，因?yàn)椴l(fā)不高，數(shù)據(jù)量連接可能還夠，但是存儲和查詢的性能遇到了瓶頸了，你做了很多優(yōu)化之后還是無法提升效率的時(shí)候，就需要考慮做分表了。

通過將數(shù)據(jù)拆分到多張表中，來減少單表的數(shù)據(jù)量，從而提升查詢速度。

一般我們認(rèn)為，單表行數(shù)超過 500 萬行或者單表容量超過 2GB之后，才需要考慮做分庫分表了，小于這個(gè)數(shù)據(jù)量，遇到性能問題先建議大家通過其他優(yōu)化來解決。

3、什么時(shí)候既分庫又分表？

那么什么時(shí)候分庫又分表呢，那就是既需要解決并發(fā)量大的問題，又需要解決數(shù)據(jù)量大的問題時(shí)候。通常情況下，高并發(fā)和數(shù)據(jù)量大的問題都是同時(shí)發(fā)生的，所以，我們會經(jīng)常遇到分庫分表需要同時(shí)進(jìn)行的情況。

所以，當(dāng)你的數(shù)據(jù)庫鏈接也不夠了，并且單表數(shù)據(jù)量也很大導(dǎo)致查詢比較慢的時(shí)候，就需要做既分庫又分表了。

二、橫向拆分和縱向拆分

談及到分庫分表，那就要涉及到該如何做拆分的問題。

通常在做拆分的時(shí)候有兩種分法，分別是橫向拆分（水平拆分）和縱向拆分(垂直拆分)。假如我們有一張表，如果把這張表中某一條記錄的多個(gè)字段，拆分到多張表中，這種就是縱向拆分。那如果把一張表中的不同的記錄分別放到不同的表中，這種就是橫向拆分。

橫向拆分的結(jié)果是數(shù)據(jù)庫表中的數(shù)據(jù)會分散到多張分表中，使得每一個(gè)單表中的數(shù)據(jù)的條數(shù)都有所下降。比如我們可以把不同的用戶的訂單分表拆分放到不同的表中。

縱向拆分的結(jié)果是數(shù)據(jù)庫表中的數(shù)據(jù)的字段數(shù)會變少，使得每一個(gè)單表中的數(shù)據(jù)的存儲有所下降。比如我可以把商品詳情信息、價(jià)格信息、庫存信息等等分別拆分到不同的表中。

還有我們談到的針對不同的業(yè)務(wù)做拆分成多個(gè)數(shù)據(jù)庫的這種情況，其實(shí)也是縱向拆分的一種。

三、分表字段的選擇

在分庫分表的過程中，我們需要有一個(gè)字段用來進(jìn)行分表，比如按照用戶分表、按照時(shí)間分表、按照地區(qū)分表。這里面的用戶、時(shí)間、地區(qū)就是所謂的分表字段。

那么，在選擇這個(gè)分表字段的時(shí)候，一定要注意，要根據(jù)實(shí)際的業(yè)務(wù)情況來做慎重的選擇。

比如說我們要對交易訂單進(jìn)行分表的時(shí)候，我們可以選擇的信息有很多，比如買家Id、賣家Id、訂單號、時(shí)間、地區(qū)等等，具體應(yīng)該如何選擇呢？

通常，如果有特殊的訴求，比如按照月度匯總、地區(qū)匯總等以外，我們通常建議大家按照買家Id進(jìn)行分表。因?yàn)檫@樣可以避免一個(gè)關(guān)鍵的問題那就是——數(shù)據(jù)傾斜（熱點(diǎn)數(shù)據(jù)）。

1、買家還是賣家？

首先，我們先說為什么不按照賣家分表？

因?yàn)槲覀冎?，電商網(wǎng)站上面是有很多買家和賣家的，但是，一個(gè)大的賣家可能會產(chǎn)生很多訂單，比如像蘇寧易購、當(dāng)當(dāng)?shù)冗@種店鋪，他每天在天貓產(chǎn)生的訂單量就非常的大。如果按照賣家Id分表的話，那同一個(gè)賣家的很多訂單都會分到同一張表。

那就會使得有一些表的數(shù)據(jù)量非常的大，但是有些表的數(shù)據(jù)量又很小，這就是發(fā)生了數(shù)據(jù)傾斜。這個(gè)賣家的數(shù)據(jù)就變成了熱點(diǎn)數(shù)據(jù)，隨著時(shí)間的增長，就會使得這個(gè)賣家的所有操作都變得異常緩慢。

但是，買家ID做分表字段就不會出現(xiàn)這類問題，因?yàn)橐粋€(gè)不太容易出現(xiàn)一個(gè)買家能把數(shù)據(jù)買傾斜了。

但是需要注意的是，我們說按照買家Id做分表，保證的是同一個(gè)買家的所有訂單都在同一張表 ，并不是要給每個(gè)買家都單獨(dú)分配一張表。

我們在做分表路由的時(shí)候，是可以設(shè)定一定的規(guī)則的，比如我們想要分1024張表，那么我們可以用買家ID或者買家ID的hashcode對1024取模，結(jié)果是0000-1023，那么就存儲到對應(yīng)的編號的分表中就行了。

2、賣家查詢怎么辦？

如果按照買家Id進(jìn)行了分表，那賣家的查詢怎么辦，這不就意味著要跨表查詢了嗎？

首先，業(yè)務(wù)問題我們要建立在業(yè)務(wù)背景下討論。電商網(wǎng)站訂單查詢有幾種場景？

• 買家查自己的訂單
• 賣家查自己的訂單
• 平臺的小二查用戶的訂單

首先，我們用買家ID做了分表，那么買家來查詢的時(shí)候，是一定可以把買家ID帶過來的，我們直接去對應(yīng)的表里面查詢就行了。

那如果是賣家查呢？賣家查詢的話，同樣可以帶賣家id過來，那么，我們可以有一個(gè)基于binlog、flink等準(zhǔn)實(shí)時(shí)的同步一張賣家維度的分表，這張表只用來查詢，來解決賣家查詢的問題。

本質(zhì)上就是用空間換時(shí)間的做法。

不知道大家看到這里會不會有這樣的疑問：同步一張賣家表，這不又帶來了大賣家的熱點(diǎn)問題了嗎？

首先，我們說同步一張賣家維度的表來，但是其實(shí)所有的寫操作還是要寫到買家表的，只不過需要準(zhǔn)實(shí)時(shí)同步的方案同步到賣家表中。也就是說，我們的這個(gè)賣家表理論上是沒有業(yè)務(wù)的寫操作，只有讀操作的。

所以，這個(gè)賣家?guī)熘恍枰懈咝阅艿淖x就行了，那這樣的話就可以有很多選擇了，比如可以部署到一些配置不用那么高的機(jī)器、或者其實(shí)可以干脆就不用MYSQL，而是采用HBASE、PolarDB、Lindorm等數(shù)據(jù)庫就可以了。這些數(shù)據(jù)庫都是可以海量數(shù)據(jù)，并提供高性能查詢的。

還有呢就是，大賣家一般都是可以識別的，提前針對大賣家，把他的訂單，再按照一定的規(guī)則拆分到多張表中。因?yàn)橹挥凶x，沒有寫操作，所以拆分多張表也不用考慮事務(wù)的問題。

3、按照訂單查詢怎么辦？

上面說的都是有買賣家ID的情況，那沒有買賣家ID呢？用訂單號直接查怎么辦呢？

這種問題的解決方案是，在生成訂單號的時(shí)候，我們一般會把分表解決編碼到訂單號中去，因?yàn)橛唵紊傻臅r(shí)候是一定可以知道買家ID的，那么我們就把買家ID的路由結(jié)果比如1023，作為一段固定的值放到訂單號中就行了。這就是所謂的"基因法"。

這樣按照訂單號查詢的時(shí)候，解析出這段數(shù)字，直接去對應(yīng)分表查詢就好了。

至于還有人問其他的查詢，沒有買賣家ID，也沒訂單號的，那其實(shí)就屬于是低頻查詢或者非核心功能查詢了，那就可以用ES等搜索引擎的方案來解決了。就不贅述了。

四、分表算法

選定了分表字段之后，如何基于這個(gè)分表字段來準(zhǔn)確的把數(shù)據(jù)分表到某一張表中呢？

這就是分表算法要做的事情了，但是不管什么算法，我們都需要確保一個(gè)前提，那就是同一個(gè)分表字段，經(jīng)過這個(gè)算法處理后，得到的結(jié)果一定是一致的，不可變的。

通常情況下，當(dāng)我們對order表進(jìn)行分表的時(shí)候，比如我們要分成128張表的話，那么得到的128表應(yīng)該是:order_0000、order_0001、order_0002.....order_0126、order_0127。

通常的分表算法有以下幾種：

1、直接取模

在分庫分表時(shí)，我們是事先可以知道要分成多少個(gè)庫和多少張表的，所以，比較簡單的就是取模的方式。

比如我們要分成128張表的話，就用一個(gè)整數(shù)來對128取模就行了，得到的結(jié)果如果是0002，那么就把數(shù)據(jù)放到order_0002這張表中。

2、Hash取模

那如果分表字段不是數(shù)字類型，而是字符串類型怎么辦呢？有一個(gè)辦法就是哈希取模，就是先對這個(gè)分表字段取Hash，然后在再取模。

但是需要注意的是，Java中的hash方法得到的結(jié)果有可能是負(fù)數(shù)，需要考慮這種負(fù)數(shù)的情況。

3、一致性Hash

前面兩種取模方式都比較不錯，可以使我們的數(shù)據(jù)比較均勻的分布到多張分表中。但是還是存在一個(gè)缺點(diǎn)。

那就是如果需要擴(kuò)容二次分表，表的總數(shù)量發(fā)生變化時(shí)，就需要重新計(jì)算hash值，就需要涉及到數(shù)據(jù)遷移了。

為了解決擴(kuò)容的問題，我們可以采用一致性哈希的方式來做分表。

一致性哈?？梢园凑粘Ｓ玫膆ash算法來將對應(yīng)的key哈希到一個(gè)具有2^32次方個(gè)節(jié)點(diǎn)的空間中，形成成一個(gè)順時(shí)針首尾相接的閉合的環(huán)形。所以當(dāng)添加一臺新的數(shù)據(jù)庫服務(wù)器時(shí)，只有增加服務(wù)器的位置和逆時(shí)針方向第一臺服務(wù)器之間的鍵會受影響。

五、全局ID的生成

涉及到分庫分表，就會引申出分布式系統(tǒng)中唯一主鍵ID的生成問題，因?yàn)樵趩伪碇形覀兛梢杂脭?shù)據(jù)庫主鍵來做唯一ID，但是如果做了分庫分表，多張單表中的自增主鍵就一定會發(fā)生沖突。那就不具備全局唯一性了。

那么，如何生成一個(gè)全局唯一的ID呢？有以下幾種方式。

1、UUID

很多人對UUID都不陌生，它是可以做到全局唯一的，而且生成方式也簡單，但是我們通常不推薦使用他做唯一ID，首先UUID太長了，其次字符串的查詢效率也比較慢，而且沒有業(yè)務(wù)含義，根本看不懂。

2、基于某個(gè)單表做自增主鍵

多張單表生成的自增主鍵會沖突，但是如果所有的表中的主鍵都從同一張表生成是不是就可以了。

所有的表在需要主鍵的時(shí)候，都到這張表中獲取一個(gè)自增的ID。

這樣做是可以做到唯一，也能實(shí)現(xiàn)自增，但是問題是這個(gè)單表就變成整個(gè)系統(tǒng)的瓶頸，而且也存在單點(diǎn)問題，一旦他掛了，那整個(gè)數(shù)據(jù)庫就都無法寫入了。

3、基于多個(gè)單表+步長做自增主鍵

為了解決單個(gè)數(shù)據(jù)庫做自曾主鍵的瓶頸及單點(diǎn)故障問題，我們可以引入多個(gè)表來一起生成就行了。

但是如何保證多張表里面生成的Id不重復(fù)呢？如果我們能實(shí)現(xiàn)以下的生成方式就行了：

實(shí)例1生成的ID從1000開始，到1999結(jié)束。

實(shí)例2生成的ID從2000開始，到2999結(jié)束。

實(shí)例3生成的ID從3000開始，到3999結(jié)束。

實(shí)例4生成的ID從4000開始，到4999結(jié)束。

這樣就能避免ID重復(fù)了，那如果第一個(gè)實(shí)例的ID已經(jīng)用到1999了怎么辦？那就生成一個(gè)新的起始值：

實(shí)例1生成的ID從5000開始，到5999結(jié)束。

實(shí)例2生成的ID從6000開始，到6999結(jié)束。

實(shí)例3生成的ID從7000開始，到7999結(jié)束。

實(shí)例4生成的ID從8000開始，到8999結(jié)束。

我們把步長設(shè)置為1000，確保每一個(gè)單表中的主鍵起始值都不一樣，并且比當(dāng)前的最大值相差1000就行了。

4、雪花算法

雪花算法也是比較常用的一種分布式ID的生成方式，它具有全局唯一、遞增、高可用的特點(diǎn)。

雪花算法生成的主鍵主要由 4 部分組成，1bit符號位、41bit時(shí)間戳位、10bit工作進(jìn)程位以及 12bit 序列號位。

時(shí)間戳占用41bit，精確到毫秒，總共可以容納約69年的時(shí)間。

工作進(jìn)程位占用10bit，其中高位5bit是數(shù)據(jù)中心ID，低位5bit是工作節(jié)點(diǎn)ID，做多可以容納1024個(gè)節(jié)點(diǎn)。

序列號占用12bit，每個(gè)節(jié)點(diǎn)每毫秒0開始不斷累加，最多可以累加到4095，一共可以產(chǎn)生4096個(gè)ID。

所以，一個(gè)雪花算法可以在同一毫秒內(nèi)最多可以生成1024 X 4096 = 4194304個(gè)唯一的ID。

六、分庫分表的工具

在選定了分表字段和分表算法之后，那么，如何把這些功能給實(shí)現(xiàn)出來，需要怎么做呢？

我們?nèi)绾慰梢宰龅较裉幚韱伪硪粯犹幚矸謳旆直淼臄?shù)據(jù)呢？這就需要用到一個(gè)分庫分表的工具了。

目前市面上比較不錯的分庫分表的開源框架主要有三個(gè)，分別是sharding-jdbc、TDDL和Mycat。

1、Sharding-JDBC

現(xiàn)在叫ShardingSphere（Sharding-JDBC、Sharding-Proxy和Sharding-Sidecar這3款相互獨(dú)立的產(chǎn)品組成）。它定位為輕量級Java框架，在Java的JDBC層提供的額外服務(wù)。它使用客戶端直連數(shù)據(jù)庫，以jar包形式提供服務(wù)，無需額外部署和依賴，可理解為增強(qiáng)版的JDBC驅(qū)動，完全兼容JDBC和各種ORM框架。

開源地址：https://shardingsphere.apache.org

2、TDDL

TDDL 是淘寶開源的一個(gè)用于訪問數(shù)據(jù)庫的中間件， 它集成了分庫分表， 讀寫分離，權(quán)重調(diào)配，動態(tài)數(shù)據(jù)源配置等功能。封裝 jdbc 的 DataSource給用戶提供統(tǒng)一的基于客戶端的使用。

開源地址：https://github.com/alibaba/tb_tddl

3、Mycat

Mycat是一款分布式關(guān)系型數(shù)據(jù)庫中間件。它支持分布式SQL查詢，兼容MySQL通信協(xié)議，以Java生態(tài)支持多種后端數(shù)據(jù)庫，通過數(shù)據(jù)分片提高數(shù)據(jù)查詢處理能力。

開源地址：https://github.com/MyCATApache/Mycat2

七、分庫分表帶來的問題

分庫分表之后，會帶來很多問題。

首先，做了分庫分表之后，所有的讀和寫操作，都需要帶著分表字段，這樣才能知道具體去哪個(gè)庫、哪張表中去查詢數(shù)據(jù)。如果不帶的話，就得支持全表掃描。

但是，單表的時(shí)候全表掃描比較容易，但是做了分庫分表之后，就沒辦法做掃表的操作了，如果要掃表的話就要把所有的物理表都要掃一遍。

還有，一旦我們要從多個(gè)數(shù)據(jù)庫中查詢或者寫入數(shù)據(jù)，就有很多事情都不能做了，比如跨庫事務(wù)就是不支持的。

所以，分庫分表之后就會帶來因?yàn)椴恢С质聞?wù)而導(dǎo)致的數(shù)據(jù)一致性的問題。

其次，做了分庫分表之后，以前單表中很方便的分頁查詢、排序等等操作就都失效了。因?yàn)槲覀儾荒芸缍啾磉M(jìn)行分頁、排序。

總之，分庫分表雖然能解決一些大數(shù)據(jù)量、高并發(fā)的問題，但是同時(shí)也會帶來一些新的問題。所以，在做數(shù)據(jù)庫優(yōu)化的時(shí)候，還是建議大家優(yōu)先選擇其他的優(yōu)化方式，最后再考慮分庫分表。

八、總結(jié)

以上，本文介紹了分庫分表的一些原因，以及如何做分庫分表，并且討論了其中比較關(guān)鍵的分表字段和分表算法的問題。還介紹了幾款比較不錯的分庫分表的相關(guān)框架。

最后，還有一些需要大家注意的就是分庫分表會引入一些新的問題，這些問題的解決成本也都不低，所以在做技術(shù)選型的時(shí)候也要做好這方面的評估。