1 理論知識 1.1 分庫分表是否必要分庫分表確實可以解決單表數據量大這個問題，但是並非首選。因為分庫分表至少引入了三個必須解決的突出問題。第一是分庫分表方案本身具有的複雜性。第二是本地事務失效問題，原本在同一個資料庫中可以保證強一致性業務邏輯，分庫之後事務失效。第三是難以聚合查詢問題，因為分庫 ...

1 理論知識

1.1 分庫分表是否必要

分庫分表確實可以解決單表數據量大這個問題，但是並非首選。因為分庫分表至少引入了三個必須解決的突出問題。

第一是分庫分表方案本身具有的複雜性。第二是本地事務失效問題，原本在同一個資料庫中可以保證強一致性業務邏輯，分庫之後事務失效。第三是難以聚合查詢問題，因為分庫分表後查詢條件中必須帶有shardingKey，所以限制了很多查詢場景。

我們在之前文章《面試官問單表數據量大是否必須分庫分表》介紹過解決單表數據量過大問題，可以按照刪、換、分、拆、異、熱這六個字順序進行處理，而不是一上來就分庫分表。

刪是指刪除歷史數據併進行歸檔。換是指不要只使用資料庫資源，有些數據可以存儲至其它替代資源。分是指讀寫分離，增加多個讀實例應對讀多寫少的互聯網場景。拆是指分庫分表，將數據分散至不同的庫表中減輕壓力。異指數據異構，將一份數據根據不同業務需求保存多份。熱是指熱點數據，這是一個非常值得註意的問題。

1.2 分庫分表兩大維度

假設有一個電商資料庫存放訂單、商品、支付三張業務表。隨著業務量越來越大，這三張業務數據表也越來越大，查詢性能顯著降低，數據拆分勢在必行，那麼數據拆分可以從縱向和橫向兩個維度進行。

1.2.1 縱向拆分

縱向拆分就是按照業務拆分，我們將電商資料庫拆分成三個庫，訂單庫、商品庫。支付庫，訂單表在訂單庫，商品表在商品庫，支付表在支付庫。這樣每個庫只需要存儲本業務數據，物理隔離不會互相影響。

02 縱向分表.jpg

1.2.2 橫向拆分

按照縱向拆分方案，現在我們已經有三個庫了，平穩運行了一段時間。但是隨著業務增長，每個單庫單表的數據量也越來越大，逐漸到達瓶頸。

這時我們就要對數據表進行橫向拆分，所謂橫向拆分就是根據某種規則將單庫單表數據分散到多庫多表，從而減小單庫單表的壓力。

橫向拆分策略有很多方案，最重要的一點是選好ShardingKey，也就是按照哪一列進行拆分，怎麼分取決於我們訪問數據的方式。

(1) 範圍分片

如果我們選擇的ShardingKey是訂單創建時間，那麼分片策略是拆分四個資料庫，分別存儲每季度數據，每個庫包含三張表，分別存儲每個月數據：

03 橫向分表_範圍分表.jpg

這個方案的優點是對範圍查詢比較友好，例如我們需要統計第一季度的相關數據，查詢條件直接輸入時間範圍即可。這個方案的問題是容易產生熱點數據。例如雙11當天下單量特別大，就會導致11月這張表數據量特別大從而造成訪問壓力。

(2) 查表分片

查表法是根據一張路由表決定ShardingKey路由到哪一張表，每次路由時首先到路由表裡查到分片信息，再到這個分片去取數據。我們分析一個查表法思想應用實際案例。

Redis官方在3.0版本之後提供了集群方案RedisCluster，其中引入了哈希槽（slot）這個概念。一個集群固定有16384個槽，在集群初始化時這些槽會平均分配到Redis集群節點上。每個key請求最終落到哪個槽計算公式是固定的：

SLOT = CRC16(key) mod 16384

一個key請求過來怎麼知道去哪台Redis節點獲取數據？這就要用到查表法思想：

(1) 客戶端連接任意一臺Redis節點，假設隨機訪問到節點A
(2) 節點A根據key計算出slot值
(3) 每個節點都維護著slot和節點映射關係表
(4) 如果節點A查表發現該slot在本節點，直接返回數據給客戶端
(5) 如果節點A查表發現該slot不在本節點，返回給客戶端一個重定向命令，告訴客戶端應該去哪個節點請求這個key的數據
(6) 客戶端向正確節點發起連接請求

查表法方案優點是可以靈活制定路由策略，如果我們發現有的分片已經成為熱點則修改路由策略。缺點是多一次查詢路由表操作增加耗時，而且路由表如果是單點也可能會有單點問題。

(3) 哈希分片

現在比較流行的分片方法是哈希分片，相較於範圍分片，哈希分片可以較為均勻將數據分散在資料庫中。我們現在將訂單庫拆分為4個庫編號為[0,3]，每個庫包含3張表編號為[0,2]，如下圖如所示：

04 橫向分表_哈希分表_1.jpg

我們選擇使用orderId作為ShardingKey，那麼orderId=100這個訂單會保存在哪張表？因為是分庫分表，第一步確定路由到哪一個庫，取模計算結果表示庫表序號：

db_index = 100 % 4 = 0

第二步確定路由到哪一張表：

table_index = 100 % 3 = 1

第三步數據路由到0號庫1號表：

04 橫向分表_哈希分表_2.jpg

在實際開發中路由邏輯並不需要我們手動實現，因為有許多開源框架通過配置就可以實現路由功能，例如ShardingSphere、TDDL框架等等。

2 分庫分表準備工作

2.1 計算庫表數量

分幾個庫和幾張表是在分庫分表工作開始前必須要回答的問題，我們首先看看阿裡巴巴開發手冊的建議：單表行數超過500萬行或者單表容量超過2GB才推薦進行分庫分表，如果預計3年後數據量根本達不到這個級別，請不要在創建表時就分庫分表。

我們提取出這個建議的兩個關鍵詞500萬、3年作為預估庫表數的基線，假設業務數據日增量60萬，那麼應該如何預估需要分多少個庫，多少張表呢？

日增量60萬計算3年後數據總量：

三年數據總量 = 60 * 365 * 3 = 65700

隨著後續業務發展日增量會超過60萬，所以我們要對數據總量進行冗餘，冗餘指數是多少根據業務情況而定，本文按照3倍冗餘：

三年數據總量三倍冗餘 = 65700 * 3 = 197100

按照單表500萬並向上取整至2的冪次計算表數量

表數量 = 197100 / 500 = 394.2 向上取整 = 512

所有表放在一個庫並不合適，因為隨著數據量增大，訪問併發量也會呈正相關增大，一個資料庫實例是難以支撐的。本文按照一個資料庫實例包含32張表計算庫數量：

庫數量 = 512 / 32 = 16

2.2 shardingKey

確定shardingKey非常關鍵，因為作為分片指標，當數據拆分至多個庫表之後，代理層只能根據shardingKey進行表路由。假設我們設置了userId作為shardingKey，那麼後續DML操作都必須包含userId欄位。但是現在有一種場景只有orderId作為查詢條件，那麼我們應該如何處理這種場景呢？

第一種方案是設計orderId包含userId相關特征，這樣即使只有訂單號作為查詢條件，也可以截取userId特征進行分片：

訂單號 = 毫秒數 + 版本號 + userId後六位 + 全局序列號

第二種方案是數據異構，核心思想是以空間換時間，一份數據根據不同維度存儲到多個數據介質，數據異構一般分為如下類型。

數據異構至MySQL：我們可以選擇orderId作為shardingKey存儲至另一個資料庫實例，那麼orderId就可以作為條件進行查詢。

數據異構至ES：如果每一個維度都新建一個資料庫實例也是不現實的，所以我們可以將數據同步至ES滿足多維度查詢需求。

數據異構至Hive：MySQL和ES可以滿足實時查詢需求，Hive可以滿足離線分析需求，報表等數據分析工作無需通過主庫，而是可以通過Hive進行。

現在又引出一個新問題，業務不可能每次都將數據寫入多個數據源，這樣會帶來性能問題和數據一致性問題，所以需要一個管道進行各數據源之間同步，阿裡開源的canal組件可以解決這個問題。

3 分庫分表實例

在完成準備工作之後，我們可以開始分庫分表工作了。分庫分表方法有很多種，但是說到底都是在處理兩類數據：存量和增量。存量表示舊資料庫已經存在的數據，增量表示不存在於舊資料庫待新增或者變更的數據。根據存量和增量這兩種類型，我們可以將分庫分表方法分為停服拆分和不停服拆分。

3.1 停服拆分

停服是指停止服務，系統不再接收新業務數據，那麼舊數據在分庫分表這個時間段內是靜止不變的，數據全部變為了存量數據。停服拆分一般分為三個階段。

第一階段首先編寫代理層和新DAO，代理層通過開關決定訪問舊表還是新表，此時流量還是全部訪問舊表：

00 停服_階段1.jpg

第二階段停止服務，整個應用都沒有流量，舊表數據已經處於靜止狀態，此時通過腳本將存量數據從舊表遷移至新表：

00 停服_階段2.jpg

第三階段通過代理層訪問新表，如果出現錯誤可以停服排查問題：

00 停服_階段3.jpg

3.2 不停服拆分

停服拆分方案比較簡單，但是在分表這段時間沒有業務流量，對業務是有損的，所以我們一般採用不停服拆分方案，一邊有流量訪問，一邊進行分庫分表，此時數據不僅有存量還有增量，相對而言會複雜一些。

第一階段首先編寫代理層和新DAO，代理層通過開關決定訪問舊表還是新表，此時流量還是全部訪問舊表：

01 不停服_階段1.jpg

第二階段開啟雙寫，增量數據不僅在舊表新增和修改，也在新表新增和修改，日誌或者臨時表記錄下寫入新表ID起始值，舊表中小於這個值的數據就是存量數據：

02 不停服_階段2.jpg

第三階段存量數據遷移，通過腳本將存量數據寫入新表：

03 不停服_階段3.jpg

第四階段停讀舊表改讀新表，此時新表已經承載了所有讀寫業務，但是不要立刻停寫舊表，需要保持雙寫一段時間。

不停寫舊表有兩個原因：第一是因為如果讀新表出現問題，還可以將讀流量切回舊表。第二是因為可以進行數據校對，例如新表和舊表數據都同步至Hive，選取幾天的數據進行校對，從而驗證數據同步的準確性。

04 不停服_階段4.jpg

第五階段當讀寫新表一段時間之後，沒有發生業務問題，可以停寫舊表：

05 不停服_階段5.jpg

3.3 代理層實現

代理層實現了新舊數據源切換，需要儘量減少業務層代碼的侵入性，而適配器模式可以有效減少對業務層的侵入性。我們首先看看舊數據訪問對象和業務服務：

// 訂單數據對象
public class OrderDO {
    private String orderId;
    private Long price;

    public String getOrderId() {
        return orderId;
    }

    public void setOrderId(String orderId) {
        this.orderId = orderId;
    }

    public Long getPrice() {
        return price;
    }

    public void setPrice(Long price) {
        this.price = price;
    }
}

// 舊DAO
public interface OrderDAO {
    public void insert(OrderDO orderDO);
}

// 業務服務
public class OrderServiceImpl implements OrderService {

    @Resource
    private OrderDAO orderDAO;

    @Override
    public String createOrder(Long price) {
        String orderId = "orderId_123";
        OrderDO orderDO = new OrderDO();
        orderDO.setOrderId(orderId);
        orderDO.setPrice(price);
        orderDAO.insert(orderDO);
        return orderId;
    }
}

引入新數據源訪問對象：

// 新數據對象
public class OrderNewDO {
    private String orderId;
    private Long price;
}

// 新DAO
public interface OrderNewDAO {
    public void insert(OrderNewDO orderNewDO);
}

適配器模式減少業務代碼侵入性：

// 代理層
public class OrderDAOProxy implements OrderDAO {
    private OrderDAO orderDAO;
    private OrderNewDAO orderNewDAO;

    public OrderDAOProxy(OrderDAO orderDAO, OrderNewDAO orderNewDAO) {
        this.orderDAO = orderDAO;
        this.orderNewDAO = orderNewDAO;
    }

    @Override
    public void insert(OrderDO orderDO) {
        if(ApolloConfig.routeNewDB) {
            OrderNewDO orderNewDO = new OrderNewDO();
            orderNewDO.setPrice(orderDO.getPrice());
            orderNewDO.setOrderId(orderDO.getOrderId());
            orderNewDAO.insert(orderNewDO);
        } else {
            orderDAO.insert(orderDO);
        }
    }
}


// 業務服務
public class OrderServiceImpl implements OrderService {

    @Resource
    private OrderDAO orderDAO;
    @Resource
    private OrderNewDAO orderNewDAO;

    @Override
    public String createOrder(Long price) {
        String orderId = "orderId_123";
        OrderDO orderDO = new OrderDO();
        orderDO.setOrderId(orderId);
        orderDO.setPrice(price);
        new OrderDAOProxy(orderDAO, orderNewDAO).insert(orderDO);
        return orderId;
    }
}

4 文章總結

分庫分表具有三個必須面對的問題：方案本身複雜性、本地事務失效問題、難以聚合查詢問題，所以分庫分表方案並非解決海量數據問題的首選。

如果必須分庫分表，首先進行容量預估並選擇合適的shardingKey，其次根據實際業務選擇停服或者不停服方案，如果選擇不停服方案，註意保持新表和舊表雙寫一段時間，從而驗證數據準確性，希望本文對大家有所幫助。

5 延伸閱讀

一種簡單可落地的分散式事務方案

面試官問單表數據量大是否必須分庫分表

多圖詳解：不停機分庫分表五個步驟