分库分表的方法教程

这篇文章主要介绍“分库分表的方法教程”，在日常操作中，相信很多人在分库分表的方法教程问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”分库分表的方法教程”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

MySQL表大小限制

MySQL一般安装部署在Linux操作系统上(例如CentOS  7.4)，默认都是InnoDB存储引擎，且开启了独立表空间选项(参数innodb_file_per_table=1)，此时创建一个表 orders  就会自动生成一个数据文件 orders.ibd，文件大小是受操作系统 Block 大小限制的，下面是 ext3 文件系统块大小和最大尺寸的对应关系。

查看操作系统页大小及块大小

这就说明 MySQL 单表的最大尺寸不能超过  2TB，我们简单来算一下，假设一个表的平均行长度为32KB(InnoDB最大行长度限制65536字节，64KB)，那么他最大能存储多少行数据?4 x 1024  x 1024 x 1024 / 32 = 134217728大约 1.4 亿不到。

对于饿了么，美团那外卖种交易系统的订单表 1.4 亿是很容易达到的，一天平均 2000W 订单，一周就到 1.4  亿了，没法玩了，一般都会采用异地多活的方案，根据用户的位置将数据写到相应的 IDC 数据中心，这其实也是一种高大上的分表方案，不在我们今天讨论范围啦。

分表方案

分表的应用场景是单表数据量增长速度过快，影响了业务接口的响应时间，但是 MySQL 实例的负载并不高，这时候只需要分表，不需要分库(拆分实例)。

我们知道，一个表大小是满足如下公式的：TABLE_SIZE = AVG_ROW_SIZE x  ROWS，从这里可以知道表太大，要么是平均行长度太大，也就说表的字段太多，要么是表的记录数太多。这就产生两种不同的分表方案，即切分字段(垂直分表)和切分记录(水平分表)  。

垂直分表

还是以订单表 orders  为例，按照字段进行拆分，这里面需要考虑一个问题，如何拆分字段才能表上的DML性能最大化，常规的方案是冷热分离(将使用频率高字段放到一张表里，剩下使用频繁低的字段放到另一张表里)。

orders 表通过拆分之后，就变成了 orders01 和 orders02 两张表，在磁盘上就会存储两个数据文件 orders01.ibd 和  orders02.ibd，orders 表最大尺寸就是 4TB 了，拆分完之后，该怎么查询呢?举个例子：

分析下上面的 SQL，select  后面的列分别位于两张表中(order_id,order_sn在orders01中，source在orders02中)，上面的SQL可以查询重写为如下形式。

如果用了数据库中间件就会自动实现查询重写，例如 mycat，sharding-sphere，不用中间件的话，也可以实现的，就是稍微比较麻烦点，可以搞一个  route 表(主键ID, 原表名，字段名，子表名)，每次解析SQL时都需要根据原表名 + 字段名去获取需要的子表，然后再改写 SQL，执行 SQL  返回结果，这种代码改造量太大，而且容易出错，故这种垂直拆分在实际业务中用的不多。

如果业务表中有必须的 Text 类型来存储数据，这时可以利用垂直拆分来减少表大小，将 text 字段拆分到子表中。

这样将 text 类型拆分放到子表中之后，原表的平均行长度就变小了，就可以存储更多的数据了。

水平分表

水平拆分表就是按照表中的记录进行分片，举个例子，目前订单表 orders 有 2000w 数据，根据业务的增长，估算一年之后会达到1亿，同时参考阿里云  RDS for MySQL 的最佳实践，单表不建议超过 500w，1亿数据分20个子表就够了。

问题来了，按照什么来拆分呢?主键id还是用户的user_id，按主键ID拆分数据很均匀，通过ID查询 orders 的场景几乎没有，业务访问 orders  大部分场景都是根据 user_id来过滤的，而且 user_id 的唯一性又很高(一个 user_id 对应的 orders 表记录不多，选择性很好)，按照  user_id 来作为 Sharding key能满足大部分业务场景，拆分之后每个子表数据也比较均匀。

这样就将 orders  表拆分成20个子表，对应到InnoDB的存储上就是20个数据文件(orders_0.ibd，orders_1.ibd等)，这时候执行SQL语句select  order_id, order_sn, source from **orders** where user_id =  1001;就能很快的定位到要查找记录的位置是在orders_1，然后做查询重写，转化为SQL语句select order_id, order_sn,  source from **orders_01** where user_id = 1001，这种查询重写功能很多中间件都已经实现了，常用的就是  sharding-sphere 或者 sharding-jdbc 都可以实现。

按月分表

对于账务或者计费类系统，每天晚上都会做前一天的日结或日账任务，每月的1号都会做月结或月账任务，任务执行完之后相关表的数据都已静态化了(业务层不需要这些数据)，根据业务的特性，可以按月创建表，比如对于账单表  bills，就可以创建按月分表(十月份表bills_202010，202011十一月份表)，出完月账任务之后，就可以归档到历史库了，用于数据仓库ETL来做分析报表，确认数据都同步到历史库之后就可以删除这些表释放空间。

MySQL分区表

你可能在想，上面的水平分表之后，还要改造代码要能保证 SQL  正确的路由，执行并返回结果，这个调用链路有点长吧，MySQL内部有没有分表的解决方案呢?其实是有的，可以考虑使用 MySQL 的 HASH 分区，常规的  hash 也是基于分区个数取模(%)运算的，跟上面的user_id % 20是一样的，来看一个例子。

这样就创建了20个分区，对应磁盘上就是20个数据文件(ordersp0.ibd一直到ordersp19.ibd)，来看一下SQL的执行过程。

从执行计划可以看到，通过分区键user_id过滤，直接可以定位到数据所在的分区 p19(user_id =1019 % 20 =  19，所以在p19分区上)，进而去访问p19对应的数据文件 ordersp19.ibd 即可获得数据。这种方案的好处就是 MySQL 内部实现 SQL  路由的功能，不用去改造业务代码。

分库方案

聊了下分表的方案，那什么时候分库呢?我们知道，MySQL 的高可用架构大多都是一主多从，所有写入操作都发生在 Master  上，随着业务的增长，数据量的增加，很多接口响应时间变得很长，经常出现 Timeout，而且通过升级 MySQL  实例配置已经无法解决问题了，这时候就要分库，通常有两种做法：按业务拆库和按表分库，下面就介绍这两种分库方案啦。

按业务分库

举个例子，交易系统 trade 数据库单独部署在一台 RDS  实例，现在交易需求及功能越来越多，订单，价格及库存相关的表增长很快，部分接口的耗时增加，同时有大量的慢查询告警，升级 RDS  配置效果不大，这时候就需要考虑拆分业务，将库存，价格相关的接口独立出来。

这样按照业务模块拆分之后，相应的 trade 数据库被拆分到了三个 RDS  实例中，数据库的写入能力提升，服务的接口响应时间也变短了，提高了系统的稳定性。

按表分库

上面介绍了分表方案，常见的有垂直分表和水平分表(拆分后的子表都在同一个 RDS 实例中存储)，对应的分库就是垂直分库和水平分库，这里的分库其实是拆分  RDS 实例，是将拆分后的子表存储在不同的 RDS 实例中，垂直分库实际业务用的很少，就不介绍了，主要介绍下水平分库。

举个例子，交易数据库的订单表 orders 有2亿多数据，RDS 实例遇到了写入瓶颈，普通的 insert 都需要50ms，时常也会收到 CPU  使用率告警，这时就要考虑分库了。根据业务量增长趋势，计划扩容一台同配置的RDS实例，将订单表 orders 拆分20个子表，每个 RDS 实例10个。

这样解决了订单表 orders 太大的问题，查询的时候要先通过分区键 user_id 定位是哪个  RDS 实例，再定位到具体的子表，然后做  DML操作，问题是代码改造的工作量大，而且服务调用链路变长了，对系统的稳定性有一定的影响。其实已经有些数据库中间件实现了分库分表的功能，例如常见的  mycat，阿里云的 DRDS 等。

分布式数据库

通过上面的分表和分库方案的介绍，主要会遇到下面三类问题：

1. 鸿蒙官方战略合作共建——HarmonyOS技术社区

2. MySQL单 Master 的写入性能瓶颈。

3. 分库分表后的 SQL 解析处理，服务调用链路变长，系统变得不稳定。

4. 分库分表后动态扩容不好实现，例如开始分了20个表，不影响业务的情况下扩容至50个表不好实现。

拆分后的问题

垂直拆分

跨库Join问题

在垂直拆分之前，系统中所需的数据是可以通过表 Join 来完成的，而拆分之后，数据库可能分布式在不同 RDS 实例，Join 处理起来比较麻烦，根据  MySQL 开发规范，一般是禁止跨库 Join 的，那该怎么处理呢?

首先要考虑这种垂直拆分的合理性，如果可以调整，那就优先调整，如果无法调整，根据以往的实际经验，总结几种常见的解决思路。

全局表

用过 mycat 做分库分表的朋友都清楚，有个全局表的概念，也就是每个 DataNode  上都有一份全量数据，例如一些数据字典表，数据很少修改，可以避免跨库 Join 的性能问题。

数据同步

对于分布式系统，不同的服务的数据库是分布在不同的 RDS 实例上的，在禁止跨库 Join 的情况下，数据同步是一种解决方案。

通过数据同步工具将 user 库的 users 表实时同步到trade库中，这样就可以直接在 trade 库做 Join  操作，比较依赖于同步工具的稳定性，如果同步有延迟，就会导致数据不一致，产生脏数据，需要做好风险评估和兜底方案。

分布式事务问题

拆分之后，数据分布在不同的 RDS 实例上，对表的 DML 操作就变成了多个子表的 DML 操作，就涉及到分布式事务，也要遵循事务 ACID  特性，同时也会提到两个重要的理论：CAP(Consistency一致性，Availability可用性，Partition  tolerance分区容忍性Partitiontolerance)和BASE(Basically Available基本可用， Soft  state软状态，Eventually consistent最终一致性)，进而产生了解决分布式事务问题不同的方案。

MySQL XA事务

MySQL支持分布式事务(XA 事务或者 2PC 两阶段提交)，分为两个阶段：Prepare 和 Commit，事务处理过程如下

如果任何一个 XA Client 否决了此次提交，所有数据库都要求 XA Manager  回滚它们在事务中的信息，优点是可以最大程度保证了数据的强一致，适合对数据强一致要求很高的业务场景;缺点就是实现复杂，牺牲了可用性，对性能影响较大，不适合高并发高性能场景。

本地消息表

本地消息表实现方式应该是业界使用最多的，其核心思想是将分布式事务拆分成本地事务进行处理，其基本的设计思想是将远程分布式事务拆分成一系列的本地事务。

处理过程

消息生产方：需要额外建一个消息表，并记录消息发送状态，消息表和业务数据要在一个事务里提交，也就是说他们要在一个数据库里面。然后消息会经过 MQ  发送到消息的消费方，如果消息发送失败，会进行重试发送。

消息消费方：需要处理这个消息，并完成自己的业务逻辑，此时如果本地事务处理成功，表明已经处理成功了，如果处理失败，那么就会重试执行。如果是业务上面的失败，可以给生产方发送一个业务补偿消息，通知生产方进行回滚等操作。

生产方和消费方定时扫描本地消息表，把还没处理完成的消息或者失败的消息再发送一遍。如果有靠谱的自动对账补账逻辑，这种方案还是非常实用的。

水平拆分

分布式全局唯一ID

MySQL InnoDB的表都是使用自增的主键ID，分库分表之后，数据表分布不同的分片上，如果使用自增 ID 作为主键，就会出现不同分片上的主机 ID  重复现象，可以利用 Snowflake 算法生成唯一ID。

分片键选择

选择分片键时，需要先统计该表上的所有的  SQL，尽量选择使用频率且唯一值多的字段作为分片键，既能做到数据均匀分布，又能快速定位到数据位置，例如user_id，order_id等。

数据扩容

举个例子，目前交易数据库 trade 中的订单表 orders 已经做了水平分库(位于两个不同RDS实例上)，这时发现两个 RDS  写入性能还是不够，需要再扩容一个RDS，同时将 orders 从原来的 20 个子表扩容到 40个(user_id %  40)，这就需要迁移数据来实现数据重平衡，既要停机迁移数据，又要修改代码，有点出力不讨好的感觉啦。

跨库Join问题

跟垂直拆分中的跨库 Join 问题是一样的。

跨库排序分页

在处理order by user_id limit n场景是，当排序字段就是分片字段 user_id  的时候，通过分片键可以很容易定位到具体的分片，而当排序字段非分片字段的时候，例如order by  create_time，处理起来就会变得复杂，需要在不同的分片节中将数据进行排序并返回，并将不同分片返回的结果集进行汇总和再次排序，最后再返回给用户。

跨库函数处理

在使用max，min，sum，count之类的函数进行统计和计算的时候，需要先在每个分片数据源上执行相应的函数处理，然后将各个结果集进行二次处理，最终再将处理结果返回。

ER分片

在 RDBMS 系统中，表之间往往存在一些关联的关系，如果可以先确定好关联关系，并将那些存在关联关系的表记录存放在同一个分片上，就能很好地避免跨分片  join 问题。

非分片键过滤

大部分业务场景都可以根据分片键来过滤，但是有些场景没有分片键过滤，例如按照状态和时间范围来查询订单表 orders，常见的SQL 这样的。

这种就很痛苦了，只能全部分片数据扫描一遍，将每个分片的数据Union之后再回复给客户端，这种场景可以考虑创建复合索引(status，create_time)让SQL走索引范围扫描，同时减少返回的数据量，如果是核心业务场景，可以考虑实时实时数仓(例如基于MPP架构的分析型数据库  ADB，分布式列式数据库 Clickhouse)，将需要的表实时同步到数仓，然后再做处理，这也是实际业务中常见一种解决方案。

到此，关于“分库分表的方法教程”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！