不管是IO瓶颈;还是CPU瓶颈;最终都会导致数据库的活跃连接数增加;进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务Service来看就是;可用数据库连接少甚至无连接可用。接下来就可以想象了吧;并发量、吞吐量、崩溃;。
第一种;磁盘读IO瓶颈;热点数据太多;数据库缓存放不下;每次查询时会产生大量的IO;降低查询速度 -> 分库和垂直分表。第二种;网络IO瓶颈;请求的数据太多;网络带宽不够 -> 分库。
第一种;SQL问题;如SQL中包含join;group by;order by;非索引字段条件查询等;增加CPU运算的操作 -> SQL优化;建立合适的索引;在业务Service层进行业务计算。第二种;单表数据量太大;查询时扫描的行太多;SQL效率低;CPU率先出现瓶颈 -> 水平分表。
概念;以字段为依据;按照一定策略;hash、range等;;将一个库中的数据拆分到多个库中。
结果;
场景;系统绝对并发量上来了;分表难以根本上解决问题;并且还没有明显的业务归属来垂直分库。分析;库多了;io和cpu的压力自然可以成倍缓解。
概念;以字段为依据;按照一定策略;hash、range等;;将一个表中的数据拆分到多个表中。
结果;
场景;系统绝对并发量并没有上来;只是单表的数据量太多;影响了SQL效率;加重了CPU负担;以至于成为瓶颈。
分析;表的数据量少了;单次SQL执行效率高;自然减轻了CPU的负担。
概念;以表为依据;按照业务归属不同;将不同的表拆分到不同的库中。
结果;
场景;系统绝对并发量上来了;并且可以抽象出单独的业务模块。分析;到这一步;基本上就可以服务化了。例如;随着业务的发展一些公用的配置表、字典表等越来越多;这时可以将这些表拆到单独的库中;甚至可以服务化。再有;随着业务的发展孵化出了一套业务模式;这时可以将相关的表拆到单独的库中;甚至可以服务化。
概念;以字段为依据;按照字段的活跃性;将表中字段拆到不同的表;主表和扩展表;中。
结果;
场景;系统绝对并发量并没有上来;表的记录并不多;但是字段多;并且热点数据和非热点数据在一起;单行数据所需的存储空间较大。以至于数据库缓存的数据行减少;查询时会去读磁盘数据产生大量的随机读IO;产生IO瓶颈。
分析;可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据;可能会冗余经常一起查询的数据;放在一起作为主表;非热点数据放在一起作为扩展表。这样更多的热点数据就能被缓存下来;进而减少了随机读IO。拆了之后;要想获得全部数据就需要关联两个表来取数据。但记住;千万别用join;因为join不仅会增加CPU负担并且会讲两个表耦合在一起;必须在一个数据库实例上;。关联数据;应该在业务Service层做文章;分别获取主表和扩展表数据然后用关联字段关联得到全部数据。
注;工具的利弊;请自行调研;官网和社区优先。
根据容量;当前容量和增长量;评估分库或分表个数 -> 选key;均匀;-> 分表规则;hash或range等;-> 执行;一般双写;-> 扩容问题;尽量减少数据的移动;。五、分库分表问题
基于水平分库分表;拆分策略为常用的hash法。端上除了partition key只有一个非partition key作为条件查询映射法
基因法
注;写入时;基因法生成user_id;如图。关于xbit基因;例如要分8张表;23=8;故x取3;即3bit基因。根据user_id查询时可直接取模路由到对应的分库或分表。根据user_name查询时;先通过user_name_code生成函数生成user_name_code再对其取模路由到对应的分库或分表。id生成常用snowflake算法。
端上除了partition key不止一个非partition key作为条件查询
映射法
冗余法
注;按照order_id或buyer_id查询时路由到db_o_buyer库中;按照seller_id查询时路由到db_o_seller库中。感觉有点本末倒置;有其他好的办法吗?改变技术栈呢?
后台除了partition key还有各种非partition key组合条件查询
NoSQL法
冗余法
基于水平分库分表;拆分策略为常用的hash法。
注;用NoSQL法解决;ES等;。
基于水平分库分表;拆分策略为常用的hash法。水平扩容库;升级从库法;
注;扩容是成倍的。
水平扩容表;双写迁移法;
注;双写是通用方案。
