分庫分表，我再講最后一次！
圖片來自 包圖網(wǎng)
提起分庫分表，對于大部分服務器開發(fā)來說，其實并不是一個新鮮的名詞。隨著業(yè)務的發(fā)展，我們表中的數(shù)據(jù)量會變的越來越大，字段也可能隨著業(yè)務復雜度的升高而逐漸增多，我們?yōu)榱私鉀Q單表的查詢性能問題，一般會進行分表操作。
同時我們業(yè)務的用戶活躍度也會越來越高，并發(fā)量級不斷加大，那么可能會達到單個數(shù)據(jù)庫的處理能力上限。此時我們?yōu)榱私鉀Q數(shù)據(jù)庫的處理性能瓶頸，一般會進行分庫操作。
不管是分庫操作還是分表操作，我們一般都有兩種方式應對，一種是垂直拆分，一種是水平拆分。
關于兩種拆分方式的區(qū)別和特點，互聯(lián)網(wǎng)上參考資料眾多，很多人都寫過相關內容，這里就不再進行詳細贅述，有興趣的讀者可以自行檢索。
此文主要詳細聊一聊，我們最實用最常見的水平分庫分表方式中的一些特殊細節(jié)，希望能幫助大家避免走彎路，找到最合適自身業(yè)務的分庫分表設計。
【注 1】本文中的案例均基于 MySQL 數(shù)據(jù)庫，下文中的分庫分表統(tǒng)指水平分庫分表。
【注 2】后文中提到到 M 庫 N 表，均指共 M 個數(shù)據(jù)庫，每個數(shù)據(jù)庫共 N 個分表，即總表個數(shù)其實為 M*N。
什么是一個好的分庫分表方案?
①方案可持續(xù)性
前期業(yè)務數(shù)據(jù)量級不大，流量較低的時候，我們無需分庫分表，也不建議分庫分表。
但是一旦我們要對業(yè)務進行分庫分表設計時，就一定要考慮到分庫分表方案的可持續(xù)性。
那何為可持續(xù)性?其實就是：業(yè)務數(shù)據(jù)量級和業(yè)務流量未來進一步升高達到新的量級的時候，我們的分庫分表方案可以持續(xù)使用。
一個通俗的案例，假定當前我們分庫分表的方案為 10 庫 100 表，那么未來某個時間點，若 10 個庫仍然無法應對用戶的流量壓力，或者 10 個庫的磁盤使用即將達到物理上限時，我們的方案能夠進行平滑擴容。
在后文中我們將介紹下目前業(yè)界常用的翻倍擴容法和一致性 Hash 擴容法。
②數(shù)據(jù)偏斜問題
一個良好的分庫分表方案，它的數(shù)據(jù)應該是需要比較均勻的分散在各個庫表中的。
如果我們進行一個拍腦袋式的分庫分表設計，很容易會遇到以下類似問題：
- 某個數(shù)據(jù)庫實例中，部分表的數(shù)據(jù)很多，而其他表中的數(shù)據(jù)卻寥寥無幾，業(yè)務上的表現(xiàn)經(jīng)常是延遲忽高忽低，飄忽不定。
- 數(shù)據(jù)庫集群中，部分集群的磁盤使用增長特別塊，而部分集群的磁盤增長卻很緩慢。每個庫的增長步調不一致，這種情況會給后續(xù)的擴容帶來步調不一致，無法統(tǒng)一操作的問題。
這邊我們定義分庫分表最大數(shù)據(jù)偏斜率為：(數(shù)據(jù)量最大樣本-數(shù)據(jù)量最小樣本)/數(shù)據(jù)量最小樣本。
一般來說，如果我們的最大數(shù)據(jù)偏斜率在 5% 以內是可以接受的。
常見的分庫分表方案
①Range 分庫分表
顧名思義，該方案根據(jù)數(shù)據(jù)范圍劃分數(shù)據(jù)的存放位置。
舉個最簡單例子，我們可以把訂單表按照年份為單位，每年的數(shù)據(jù)存放在單獨的庫(或者表)中。
如下圖所示：
- /**
- * 通過年份分表
- *
- * @param orderId
- * @return
- */
- public static String rangeShardByYear(String orderId) {
- int year = Integer.parseInt(orderId.substring(0, 4));
- return "t_order_" + year;
- }
通過數(shù)據(jù)的范圍進行分庫分表，該方案是最樸實的一種分庫方案，它也可以和其他分庫分表方案靈活結合使用。
時下非常流行的分布式數(shù)據(jù)庫：TiDB 數(shù)據(jù)庫，針對 TiKV 中數(shù)據(jù)的打散，也是基于 Range 的方式進行，將不同范圍內的[StartKey，EndKey)分配到不同的 Region 上。
下面我們看看該方案的缺點：
- 最明顯的就是數(shù)據(jù)熱點問題，例如上面案例中的訂單表，很明顯當前年度所在的庫表屬于熱點數(shù)據(jù)，需要承載大部分的 IO 和計算資源。
- 新庫和新表的追加問題。一般我們線上運行的應用程序是沒有數(shù)據(jù)庫的建庫建表權限的，故我們需要提前將新的庫表提前建立，防止線上故障。
- 這點非常容易被遺忘，尤其是穩(wěn)定跑了幾年沒有迭代任務，或者人員又交替頻繁的模塊。
業(yè)務上的交叉范圍內數(shù)據(jù)的處理。舉個例子，訂單模塊無法避免一些中間狀態(tài)的數(shù)據(jù)補償邏輯，即需要通過定時任務到訂單表中掃描那些長時間處于待支付確認等狀態(tài)的訂單。
這里就需要注意了，因為是通過年份進行分庫分表，那么元旦的那一天，你的定時任務很有可能會漏掉上一年的最后一天的數(shù)據(jù)掃描。
②Hash 分庫分表
雖然分庫分表的方案眾多，但是 Hash 分庫分表是最大眾最普遍的方案，也是本文花最大篇幅描述的部分。
針對 Hash 分庫分表的細節(jié)部分，相關的資料并不多。大部分都是闡述一下概念舉幾個示例，而細節(jié)部分并沒有特別多的深入，如果未結合自身業(yè)務貿(mào)然參考引用，后期非常容易出現(xiàn)各種問題。
在正式介紹這種分庫分表方式之前，我們先看幾個常見的錯誤案例。
常見錯誤案例一：非互質關系導致的數(shù)據(jù)偏斜問題
- public static ShardCfg shard(String userId) {
- int hash = userId.hashCode();
- // 對庫數(shù)量取余結果為庫序號
- int dbIdx = Math.abs(hash % DB_CNT);
- // 對表數(shù)量取余結果為表序號
- int tblIdx = Math.abs(hash % TBL_CNT);
- return new ShardCfg(dbIdx, tblIdx);
- }
上述方案是初次使用者特別容易進入的誤區(qū)，用 Hash 值分別對分庫數(shù)和分表數(shù)取余，得到庫序號和表序號。
其實稍微思索一下，我們就會發(fā)現(xiàn)，以 10 庫 100 表為例，如果一個 Hash 值對 100 取余為 0，那么它對 10 取余也必然為 0。
這就意味著只有 0 庫里面的 0 表才可能有數(shù)據(jù)，而其他庫中的 0 表永遠為空!
類似的我們還能推導到，0 庫里面的共 100 張表，只有 10 張表中(個位數(shù)為 0 的表序號)才可能有數(shù)據(jù)。
這就帶來了非常嚴重的數(shù)據(jù)偏斜問題，因為某些表中永遠不可能有數(shù)據(jù)，最大數(shù)據(jù)偏斜率達到了無窮大。
那么很明顯，該方案是一個未達到預期效果的錯誤方案。數(shù)據(jù)的散落情況大致示意圖如下：
事實上，只要庫數(shù)量和表數(shù)量非互質關系，都會出現(xiàn)某些表中無數(shù)據(jù)的問題。
證明如下：
那么是不是只要庫數(shù)量和表數(shù)量互質就可用用這種分庫分表方案呢?比如我用 11 庫 100 表的方案，是不是就合理了呢?
答案是否定的，我們除了要考慮數(shù)據(jù)偏斜的問題，還需要考慮可持續(xù)性擴容的問題，一般這種 Hash 分庫分表的方案后期的擴容方式都是通過翻倍擴容法，那 11 庫翻倍后，和 100 又不再互質。
當然，如果分庫數(shù)和分表數(shù)不僅互質，而且分表數(shù)為奇數(shù)(例如 10 庫 101 表)，則理論上可以使用該方案，但是我想大部分人可能都會覺得使用奇數(shù)的分表數(shù)比較奇怪吧。
常見錯誤案例二：擴容難以持續(xù)
如果避開了上述案例一的陷阱，那么我們又很容易一頭扎進另一個陷阱，大概思路如下。
我們把 10 庫 100 表看成總共 1000 個邏輯表，將求得的 Hash 值對 1000 取余，得到一個介于[0，999)中的數(shù)，然后再將這個數(shù)二次均分到每個庫和每個表中。
大概邏輯代碼如下：
- public static ShardCfg shard(String userId) {
- // ① 算Hash
- int hash = userId.hashCode();
- // ② 總分片數(shù)
- int sumSlot = DB_CNT * TBL_CNT;
- // ③ 分片序號
- int slot = Math.abs(hash % sumSlot);
- // ④ 計算庫序號和表序號的錯誤案例
- int dbIdx = slot % DB_CNT ;
- int tblIdx = slot / DB_CNT ;
- return new ShardCfg(dbIdx, tblIdx);
- }
該方案確實很巧妙的解決了數(shù)據(jù)偏斜的問題，只要 Hash 值足夠均勻，那么理論上分配序號也會足夠平均，于是每個庫和表中的數(shù)據(jù)量也能保持較均衡的狀態(tài)。
但是該方案有個比較大的問題，那就是在計算表序號的時候，依賴了總庫的數(shù)量，那么后續(xù)翻倍擴容法進行擴容時，會出現(xiàn)擴容前后數(shù)據(jù)不在同一個表中，從而無法實施。
如上圖中，例如擴容前 Hash 為 1986 的數(shù)據(jù)應該存放在 6 庫 98 表，但是翻倍擴容成 20 庫 100 表后，它分配到了 6 庫 99 表，表序號發(fā)生了偏移。
這樣的話，我們在后續(xù)在擴容的時候，不僅要基于庫遷移數(shù)據(jù)，還要基于表遷移數(shù)據(jù)，非常麻煩且易錯。
看完了上面的幾種典型的錯誤案例，那么我們有哪些比較正確的方案呢?下面將結合一些實際場景案例介紹幾種 Hash 分庫分表的方案。
常用姿勢一：標準的二次分片法
上述錯誤案例二中，整體思路完全正確，只是最后計算庫序號和表序號的時候，使用了庫數(shù)量作為影響表序號的因子，導致擴容時表序號偏移而無法進行。
事實上，我們只需要換種寫法，就能得出一個比較大眾化的分庫分表方案。
- public static ShardCfg shard2(String userId) {
- // ① 算Hash
- int hash = userId.hashCode();
- // ② 總分片數(shù)
- int sumSlot = DB_CNT * TBL_CNT;
- // ③ 分片序號
- int slot = Math.abs(hash % sumSlot);
- // ④ 重新修改二次求值方案
- int dbIdx = slot / TBL_CNT ;
- int tblIdx = slot % TBL_CNT ;
- return new ShardCfg(dbIdx, tblIdx);
- }
大家可以注意到，和錯誤案例二中的區(qū)別就是通過分配序號重新計算庫序號和表序號的邏輯發(fā)生了變化。
它的分配情況如下：
那為何使用這種方案就能夠有很好的擴展持久性呢?我們進行一個簡短的證明：
通過上面結論我們知道，通過翻倍擴容后，我們的表序號一定維持不變，庫序號可能還是在原來庫，也可能平移到了新庫中(原庫序號加上原分庫數(shù))，完全符合我們需要的擴容持久性方案。
方案缺點：
- 翻倍擴容法前期操作性高，但是后續(xù)如果分庫數(shù)已經(jīng)是大幾十的時候，每次擴容都非常耗費資源。
- 連續(xù)的分片鍵 Hash 值大概率會散落在相同的庫中，某些業(yè)務可能容易存在庫熱點(例如新生成的用戶 Hash 相鄰且遞增，且新增用戶又是高概率的活躍用戶，那么一段時間內生成的新用戶都會集中在相鄰的幾個庫中)。
常用姿勢二：關系表冗余
我們可以將分片鍵對應庫的關系通過關系表記錄下來，我們把這張關系表稱為"路由關系表"。
- public static ShardCfg shard(String userId) {
- int tblIdx = Math.abs(userId.hashCode() % TBL_CNT);
- // 從緩存獲取
- Integer dbIdx = loadFromCache(userId);
- if (null == dbIdx) {
- // 從路由表獲取
- dbIdx = loadFromRouteTable(userId);
- if (null != dbIdx) {
- // 保存到緩存
- saveRouteCache(userId, dbIdx);
- }
- }
- if (null == dbIdx) {
- // 此處可以自由實現(xiàn)計算庫的邏輯
- dbIdx = selectRandomDbIdx();
- saveToRouteTable(userId, dbIdx);
- saveRouteCache(userId, dbIdx);
- }
- return new ShardCfg(dbIdx, tblIdx);
- }
該方案還是通過常規(guī)的 Hash 算法計算表序號，而計算庫序號時，則從路由表讀取數(shù)據(jù)。
因為在每次數(shù)據(jù)查詢時，都需要讀取路由表，故我們需要將分片鍵和庫序號的對應關系記錄同時維護在緩存中以提升性能。
上述實例中 selectRandomDbIdx 方法作用為生成該分片鍵對應的存儲庫序號，這邊可以非常靈活的動態(tài)配置。
例如可以為每個庫指定一個權重，權重大的被選中的概率更高，權重配置成0則可以將關閉某些庫的分配。當發(fā)現(xiàn)數(shù)據(jù)存在偏斜時，也可以調整權重使得各個庫的使用量調整趨向接近。
該方案還有個優(yōu)點，就是理論上后續(xù)進行擴容的時候，僅需要掛載上新的數(shù)據(jù)庫節(jié)點，將權重配置成較大值即可，無需進行任何的數(shù)據(jù)遷移即可完成。
如下圖所示：最開始我們?yōu)?4 個數(shù)據(jù)庫分配了相同的權重，理論上落在每個庫的數(shù)據(jù)概率均等。
但是由于用戶也有高頻低頻之分，可能某些庫的數(shù)據(jù)增長會比較快。當掛載新的數(shù)據(jù)庫節(jié)點后，我們靈活的調整了每個庫的新權重。
該方案似乎解決了很多問題，那么它有沒有什么不適合的場景呢?當然有，該方案在很多場景下其實并不太適合。
以下舉例說明：
- 每次讀取數(shù)據(jù)需要訪問路由表，雖然使用了緩存，但是還是有一定的性能損耗。
- 路由關系表的存儲方面，有些場景并不合適。例如上述案例中用戶 id 的規(guī)模大概是在 10 億以內，我們用單庫百表存儲該關系表即可。
但如果例如要用文件 MD5 摘要值作為分片鍵，因為樣本集過大，無法為每個 md5 值都去指定關系(當然我們也可以使用 md5 前 N 位來存儲關系)。
- 饑餓占位問題，如下詳敘：我們知道，該方案的特點是后續(xù)無需擴容，可以隨時修改權重調整每個庫的存儲增長速度。
但是這個愿景是比較縹緲，并且很難實施的，我們選取一個簡單的業(yè)務場景考慮以下幾個問題。
【業(yè)務場景】：以用戶存放文件到云端的云盤業(yè)務為例，需要對用戶的文件信息進行分庫分表設計。
有以下假定場景：
- 假定有 2 億理論用戶，假設當前有 3000W 有效用戶。
- 平均每個用戶文件量級在 2000 個以內
- 用戶 id 為隨機 16 位字符串
- 初期為 10 庫，每個庫 100 張表。
我們使用路由表記錄每個用戶所在的庫序號信息。那么該方案會有以下問題：
第一：我們總共有 2 億個用戶，只有 3000W 個產(chǎn)生過事務的用戶。若程序不加處理，用戶發(fā)起任何請求則創(chuàng)建路由表數(shù)據(jù)，會導致為大量實際沒有事務數(shù)據(jù)的用戶提前創(chuàng)建路由表。
筆者最初存儲云盤用戶數(shù)據(jù)的時候便遇到了這個問題，客戶端 app 會在首頁查詢用戶空間使用情況，這樣導致幾乎一開始就為每個使用者分配好了路由。
隨著時間的推移，這部分沒有數(shù)據(jù)的"靜默"的用戶，隨時可能開始他的云盤使用之旅而“復蘇”，從而導致它所在的庫迅速增長并超過單個庫的空間容量極限，從而被迫拆分擴容。
解決這個問題的方案，其實就是只針對事務操作(例如購買空間，上傳數(shù)據(jù)，創(chuàng)建文件夾等等)才進行路由的分配，這樣對代碼層面便有了一些傾入。
第二、按照前面描述的業(yè)務場景，一個用戶最終平均有 2000 條數(shù)據(jù)，假定每行大小為 1K。
為了保證 B+樹的層級在 3 層，我們限制每張表的數(shù)據(jù)量在 2000W，分表數(shù)為 100 的話，可以得到理論上每個庫的用戶數(shù)不能超過 100W 個用戶。
也就是如果是 3000W 個產(chǎn)生過事務的用戶，我們需要為其分配 30 個庫，這樣會在業(yè)務前期，用戶平均數(shù)據(jù)量相對較少的時候，存在非常大的數(shù)據(jù)庫資源的浪費。
解決第二個問題，我們一般可以將很多數(shù)據(jù)庫放在一個實例上，后續(xù)隨著增長情況進行拆分。也可以后續(xù)針對將滿的庫，使用常規(guī)手段進行拆分和遷移。
常用姿勢三：基因法
還是由錯誤案例一啟發(fā)，我們發(fā)現(xiàn)案例一不合理的主要原因，就是因為庫序號和表序號的計算邏輯中，有公約數(shù)這個因子在影響庫表的獨立性。
那么我們是否可以換一種思路呢?我們使用相對獨立的 Hash 值來計算庫序號和表序號。
- public static ShardCfg shard(String userId) {
- int dbIdx = Math.abs(userId.substring(0, 4).hashCode() % DB_CNT );
- int tblIdx = Math.abs(userId.hashCode() % TBL_CNT);
- return new ShardCfg(dbIdx, tblIdx);
- }
如上所示，我們計算庫序號的時候做了部分改動，我們使用分片鍵的前四位作為 Hash 值來計算庫序號。
這也是一種常用的方案，我們稱為基因法，即使用原分片鍵中的某些基因(例如前四位)作為庫的計算因子，而使用另外一些基因作為表的計算因子。
該方案也是網(wǎng)上不少的實踐方案或者是其變種，看起來非常巧妙的解決了問題，然而在實際生成過程中還是需要慎重。
筆者曾在云盤的空間模塊的分庫分表實踐中采用了該方案，使用 16 庫 100 表拆分數(shù)據(jù)，上線初期數(shù)據(jù)正常。
然而當數(shù)據(jù)量級增長起來后，發(fā)現(xiàn)每個庫的用戶數(shù)量嚴重不均等，故猜測該方案存在一定的數(shù)據(jù)偏斜。
為了驗證觀點，進行如下測試，隨機 2 億個用戶 id(16 位的隨機字符串)，針對不同的 M 庫 N 表方案，重復若干次后求平均值得到結論如下：
- 8庫100表
- min=248305(dbIdx=2, tblIdx=64), max=251419(dbIdx=7, tblIdx=8), rate= 1.25% √
- 16庫100表
- min=95560(dbIdx=8, tblIdx=42), max=154476(dbIdx=0, tblIdx=87), rate= 61.65% ×
- 20庫100表
- min=98351(dbIdx=14, tblIdx=78), max=101228(dbIdx=6, tblIdx=71), rate= 2.93%
我們發(fā)現(xiàn)該方案中，分庫數(shù)為 16，分表數(shù)為 100，數(shù)量最小行數(shù)僅為 10W 不到，但是最多的已經(jīng)達到了 15W+，最大數(shù)據(jù)偏斜率高達 61%。
按這個趨勢發(fā)展下去，后期很可能出現(xiàn)一臺數(shù)據(jù)庫容量已經(jīng)使用滿，而另一臺還剩下 30%+ 的容量。
該方案并不是一定不行，而是我們在采用的時候，要綜合分片鍵的樣本規(guī)則，選取的分片鍵前綴位數(shù)，庫數(shù)量，表數(shù)量，四個變量對最終的偏斜率都有影響。
例如上述例子中，如果不是 16 庫 100 表，而是 8 庫 100 表，或者 20 庫 100 表，數(shù)據(jù)偏斜率都能降低到了 5% 以下的可接受范圍。
所以該方案的隱藏的"坑"較多，我們不僅要估算上線初期的偏斜率，還需要測算若干次翻倍擴容后的數(shù)據(jù)偏斜率。
例如你用著初期比較完美的 8 庫 100 表的方案，后期擴容成 16 庫 100 表的時候，麻煩就接踵而至。
常用姿勢四：剔除公因數(shù)法
還是基于錯誤案例一啟發(fā)，在很多場景下我們還是希望相鄰的 Hash 能分到不同的庫中。就像 N 庫單表的時候，我們計算庫序號一般直接用 Hash 值對庫數(shù)量取余。
那么我們是不是可以有辦法去除掉公因數(shù)的影響呢?下面為一個可以考慮的實現(xiàn)案例：
- public static ShardCfg shard(String userId) {
- int dbIdx = Math.abs(userId.hashCode() % DB_CNT);
- // 計算表序號時先剔除掉公約數(shù)的影響
- int tblIdx = Math.abs((userId.hashCode() / TBL_CNT) % TBL_CNT);
- return new ShardCfg(dbIdx, tblIdx);
- }
經(jīng)過測算，該方案的最大數(shù)據(jù)偏斜度也比較小，針對不少業(yè)務從 N 庫 1 表升級到 N 庫 M 表下，需要維護庫序號不變的場景下可以考慮。
常用姿勢五：一致性 Hash 法
一致性 Hash 算法也是一種比較流行的集群數(shù)據(jù)分區(qū)算法，比如 RedisCluster 即是通過一致性 Hash 算法，使用 16384 個虛擬槽節(jié)點進行每個分片數(shù)據(jù)的管理。
關于一致性 Hash 的具體原理這邊不再重復描述，讀者可以自行翻閱資料。這邊詳細介紹如何使用一致性 Hash 進行分庫分表的設計。
我們通常會將每個實際節(jié)點的配置持久化在一個配置項或者是數(shù)據(jù)庫中，應用啟動時或者是進行切換操作的時候會去加載配置。
配置一般包括一個[StartKey，Endkey)的左閉右開區(qū)間和一個數(shù)據(jù)庫節(jié)點信息，例如：
示例代碼：
- private TreeMap<Long, Integer> nodeTreeMap = new TreeMap<>();
- @Override
- public void afterPropertiesSet() {
- // 啟動時加載分區(qū)配置
- List<HashCfg> cfgList = fetchCfgFromDb();
- for (HashCfg cfg : cfgList) {
- nodeTreeMap.put(cfg.endKey, cfg.nodeIdx);
- }
- }
- public ShardCfg shard(String userId) {
- int hash = userId.hashCode();
- int dbIdx = nodeTreeMap.tailMap((long) hash, false).firstEntry().getValue();
- int tblIdx = Math.abs(hash % 100);
- return new ShardCfg(dbIdx, tblIdx);
- }
我們可以看到，這種形式和上文描述的 Range 分表非常相似，Range 分庫分表方式針對分片鍵本身劃分范圍，而一致性 Hash 是針對分片鍵的 Hash 值進行范圍配置。
正規(guī)的一致性 Hash 算法會引入虛擬節(jié)點，每個虛擬節(jié)點會指向一個真實的物理節(jié)點。
這樣設計方案主要是能夠在加入新節(jié)點后的時候，可以有方案保證每個節(jié)點遷移的數(shù)據(jù)量級和遷移后每個節(jié)點的壓力保持幾乎均等。
但是用在分庫分表上，一般大部分都只用實際節(jié)點，引入虛擬節(jié)點的案例不多。
主要有以下原因：
- 應用程序需要花費額外的耗時和內存來加載虛擬節(jié)點的配置信息。如果虛擬節(jié)點較多，內存的占用也會有些不太樂觀。
- 由于 MySQL 有非常完善的主從復制方案，與其通過從各個虛擬節(jié)點中篩選需要遷移的范圍數(shù)據(jù)進行遷移，不如通過從庫升級方式處理后再刪除冗余數(shù)據(jù)簡單可控。
- 虛擬節(jié)點主要解決的痛點是節(jié)點數(shù)據(jù)搬遷過程中各個節(jié)點的負載不均衡問題，通過虛擬節(jié)點打散到各個節(jié)點中均攤壓力進行處理。
而作為 OLTP 數(shù)據(jù)庫，我們很少需要突然將某個數(shù)據(jù)庫下線，新增節(jié)點后一般也不會從 0 開始從其他節(jié)點搬遷數(shù)據(jù)，而是前置準備好大部分數(shù)據(jù)的方式，故一般來說沒有必要引入虛擬節(jié)點來增加復雜度。
常見擴容方案
①翻倍擴容法
翻倍擴容法的主要思維是每次擴容，庫的數(shù)量均翻倍處理，而翻倍的數(shù)據(jù)源通常是由原數(shù)據(jù)源通過主從復制方式得到的從庫升級成主庫提供服務的方式。故有些文檔將其稱作"從庫升級法"。
理論上，經(jīng)過翻倍擴容法后，我們會多一倍的數(shù)據(jù)庫用來存儲數(shù)據(jù)和應對流量，原先數(shù)據(jù)庫的磁盤使用量也將得到一半空間的釋放。
如下圖所示：
具體的流程大致如下：
時間點 t1：為每個節(jié)點都新增從庫，開啟主從同步進行數(shù)據(jù)同步。
時間點 t2：主從同步完成后，對主庫進行禁寫。
此處禁寫主要是為了保證數(shù)據(jù)的正確性。若不進行禁寫操作，在以下兩個時間窗口期內將出現(xiàn)數(shù)據(jù)不一致的問題：
- 斷開主從后，若主庫不禁寫，主庫若還有數(shù)據(jù)寫入，這部分數(shù)據(jù)將無法同步到從庫中。
- 應用集群識別到分庫數(shù)翻倍的時間點無法嚴格一致，在某個時間點可能兩臺應用使用不同的分庫數(shù)，運算到不同的庫序號，導致錯誤寫入。
時間點 t3：同步完全完成后，斷開主從關系，理論上此時從庫和主庫有著完全一樣的數(shù)據(jù)集。
時間點t4：從庫升級為集群節(jié)點，業(yè)務應用識別到新的分庫數(shù)后，將應用新的路由算法。
一般情況下，我們將分庫數(shù)的配置放到配置中心中，當上述三個步驟完成后，我們修改分庫數(shù)進行翻倍，應用生效后，應用服務將使用新的配置。
這里需要注意的是，業(yè)務應用接收到新的配置的時間點不一定一致，所以必定存在一個時間窗口期，該期間部分機器使用原分庫數(shù)，部分節(jié)點使用新分庫數(shù)。這也正是我們的禁寫操作一定要在此步完成后才能放開的原因。
時間點 t5：確定所有的應用均接受到庫總數(shù)的配置后，放開原主庫的禁寫操作，此時應用完全恢復服務。
啟動離線的定時任務，清除各庫中的約一半冗余數(shù)據(jù)。
為了節(jié)省磁盤的使用率，我們可以選擇離線定時任務清除冗余的數(shù)據(jù)。也可以在業(yè)務初期表結構設計的時候，將索引鍵的 Hash 值存為一個字段。
那么以上述常用姿勢四為例，我們離線的清除任務可以簡單的通過 sql 即可實現(xiàn)(需要防止鎖住全表，可以拆分成若干個 id 范圍的子 sql 執(zhí)行)：
- delete from db0.tbl0 where hash_val mod 4 <> 0;
- delete from db1.tbl0 where hash_val mod 4 <> 1;
- delete from db2.tbl0 where hash_val mod 4 <> 2;
- delete from db3.tbl0 where hash_val mod 4 <> 3;
具體的擴容步驟可參考下圖：
總結：通過上述遷移方案可以看出，從時間點 t2 到 t5 時間窗口呢內，需要對數(shù)據(jù)庫禁寫，相當于是該時間范圍內服務器是部分有損的，該階段整體耗時差不多是在分鐘級范圍內。若業(yè)務可以接受，可以在業(yè)務低峰期進行該操作。
當然也會有不少應用無法容忍分鐘級寫入不可用，例如寫操作遠遠大于讀操作的應用，此時可以結合 canel 開源框架進行窗口期內數(shù)據(jù)雙寫操作以保證數(shù)據(jù)的一致性。
該方案主要借助于 MySQL 強大完善的主從同步機制，能在事前提前準備好新的節(jié)點中大部分需要的數(shù)據(jù)，節(jié)省大量的人為數(shù)據(jù)遷移操作。
但是缺點也很明顯，一是過程中整個服務可能需要以有損為代價，二是每次擴容均需要對庫數(shù)量進行翻倍，會提前浪費不少的數(shù)據(jù)庫資源。
②一致性 Hash 擴容
我們主要還是看下不帶虛擬槽的一致性 Hash 擴容方法，假如當前數(shù)據(jù)庫節(jié)點 DB0 負載或磁盤使用過大需要擴容，我們通過擴容可以達到例如下圖的效果。
下圖中，擴容前配置了三個 Hash 分段，發(fā)現(xiàn)[-Inf，-10000)范圍內的的數(shù)據(jù)量過大或者壓力過高時，需要對其進行擴容。
主要步驟如下：
- 時間點 t1：針對需要擴容的數(shù)據(jù)庫節(jié)點增加從節(jié)點，開啟主從同步進行數(shù)據(jù)同步。
- 時間點 t2：完成主從同步后，對原主庫進行禁寫。此處原因和翻倍擴容法類似，需要保證新的從庫和原來主庫中數(shù)據(jù)的一致性。
- 時間點 t3：同步完全完成后，斷開主從關系，理論上此時從庫和主庫有著完全一樣的數(shù)據(jù)集。
- 時間點 t4：修改一致性 Hash 范圍的配置，并使應用服務重新讀取并生效。
- 時間點 t5：確定所有的應用均接受到新的一致性 Hash 范圍配置后，放開原主庫的禁寫操作，此時應用完全恢復服務。
啟動離線的定時任務，清除冗余數(shù)據(jù)。
可以看到，該方案和翻倍擴容法的方案比較類似，但是它更加靈活，可以根據(jù)當前集群每個節(jié)點的壓力情況選擇性擴容，而無需整個集群同時翻倍進行擴容。
小結
本文主要描述了我們進行水平分庫分表設計時的一些常見方案。
我們在進行分庫分表設計時，可以選擇例如范圍分表，Hash 分表，路由表，或者一致性 Hash 分表等各種方案。進行選擇時需要充分考慮到后續(xù)的擴容可持續(xù)性，最大數(shù)據(jù)偏斜率等因素。
文中也列舉了一些常見的錯誤示例，例如庫表計算邏輯中公約數(shù)的影響，使用前若干位計算庫序號常見的數(shù)據(jù)傾斜因素等等。
我們在實際進行選擇時，一定要考慮自身的業(yè)務特點，充分驗證分片鍵在各個參數(shù)因子下的數(shù)據(jù)偏斜程度，并提前規(guī)劃考慮好后續(xù)擴容的方案。
作者：Han Lei
編輯：陶家龍
出處：轉載自公眾號vivo互聯(lián)網(wǎng)技術(ID：vivoVMIC)
