别再问“分库分表”了，再问就崩溃了！(5)

这样的好处是：毫秒数在高位，生成的 ID 整体上按时间趋势递增;不依赖第三方系统，稳定性和效率较高。

理论上 QPS 约为 409.6w/s(1000*2^12)，并且整个分布式系统内不会产生 ID 碰撞;可根据自身业务灵活分配 bit 位。

不足就在于：强依赖机器时钟，如果时钟回拨，则可能导致生成 ID 重复。

综上结合数据库和 Snowflake 的唯一 ID 方案，可以参考业界较为成熟的解法：Leaf——美团点评分布式 ID 生成系统，并考虑到了高可用、容灾、分布式下时钟等问题：

https://tech.meituan.com/2017/04/21/mt-leaf.html 

数据迁移、扩容问题

当业务高速发展，面临性能和存储的瓶颈时，才会考虑分片设计，此时就不可避免的需要考虑历史数据迁移的问题。

一般做法是先读出历史数据，然后按指定的分片规则再将数据写入到各个分片节点中。

此外还需要根据当前的数据量和 QPS，以及业务发展的速度，进行容量规划，推算出大概需要多少分片(一般建议单个分片上的单表数据量不超过 1000W)。

如果采用数值范围分片，只需要添加节点就可以进行扩容了，不需要对分片数据迁移。如果采用的是数值取模分片，则考虑后期的扩容问题就相对比较麻烦。

什么时候考虑切分

下面讲述一下什么时候需要考虑做数据切分。

①能不切分尽量不要切分

并不是所有表都需要进行切分，主要还是看数据的增长速度。切分后会在某种程度上提升业务的复杂度，数据库除了承载数据的存储和查询外，协助业务更好的实现需求也是其重要工作之一。

不到万不得已不用轻易使用分库分表这个大招，避免"过度设计"和"过早优化"。

分库分表之前，不要为分而分，先尽力去做力所能及的事情，例如：升级硬件、升级网络、读写分离、索引优化等等。当数据量达到单表的瓶颈时候，再考虑分库分表。

②数据量过大，正常运维影响业务访问

这里说的运维指：

对数据库备份，如果单表太大，备份时需要大量的磁盘 IO 和网络 IO。例如 1T 的数据，网络传输占 50MB 时候，需要 20000 秒才能传输完毕，整个过程的风险都是比较高的。

对一个很大的表进行 DDL 修改时，MySQL 会锁住全表，这个时间会很长，这段时间业务不能访问此表，影响很大。

如果使用 pt-online-schema-change，使用过程中会创建触发器和影子表，也需要很长的时间。在此操作过程中，都算为风险时间。将数据表拆分，总量减少，有助于降低这个风险。

大表会经常访问与更新，就更有可能出现锁等待。将数据切分，用空间换时间，变相降低访问压力。

③随着业务发展，需要对某些字段垂直拆分

举个例子，假如项目一开始设计的用户表如下：

id bigint #用户的IDname varchar #用户的名字last_login_time datetime #最近登录时间personal_info text #私人信息..... #其他信息字段

在项目初始阶段，这种设计是满足简单的业务需求的，也方便快速迭代开发。

而当业务快速发展时，用户量从 10w 激增到 10 亿，用户非常的活跃，每次登录会更新 last_login_name 字段，使得 user 表被不断 update，压力很大。

而其他字段：id，name，personal_info 是不变的或很少更新的，此时在业务角度，就要将 last_login_time 拆分出去，新建一个 user_time 表。

personal_info 属性是更新和查询频率较低的，并且 text 字段占据了太多的空间。这时候，就要对此垂直拆分出 user_ext 表了。

④数据量快速增长

随着业务的快速发展，单表中的数据量会持续增长，当性能接近瓶颈时，就需要考虑水平切分，做分库分表了。此时一定要选择合适的切分规则，提前预估好数据容量。

⑤安全性和可用性

鸡蛋不要放在一个篮子里。在业务层面上垂直切分，将不相关的业务的数据库分隔，因为每个业务的数据量、访问量都不同，不能因为一个业务把数据库搞挂而牵连到其他业务。

利用水平切分，当一个数据库出现问题时，不会影响到 100% 的用户，每个库只承担业务的一部分数据，这样整体的可用性就能提高。

案例分析

用户中心业务场景

用户中心是一个非常常见的业务，主要提供用户注册、登录、查询/修改等功能，其核心表为：

User(uid, login_name, passwd, sex, age, nickname) 

uid为用户ID,  主键 

login_name, passwd, sex, age, nickname,  用户属性 

任何脱离业务的架构设计都是耍流氓，在进行分库分表前，需要对业务场景需求进行梳理：

用户侧：前台访问，访问量较大，需要保证高可用和高一致性。

主要有两类需求：

用户登录：通过 login_name/phone/email 查询用户信息，1% 请求属于这种类型。

用户信息查询：登录之后，通过 uid 来查询用户信息，99% 请求属这种类型。

运营侧：后台访问，支持运营需求，按照年龄、性别、登陆时间、注册时间等进行分页的查询。是内部系统，访问量较低，对可用性、一致性的要求不高。

水平切分方法

当数据量越来越大时，需要对数据库进行水平切分，上文描述的切分方法有"根据数值范围"和"根据数值取模"。

"根据数值范围"：以主键 uid 为划分依据，按 uid 的范围将数据水平切分到多个数据库上。

例如：user-db1 存储 uid 范围为 0~1000w 的数据，user-db2 存储 uid 范围为 1000w~2000w uid 数据。

优点是：扩容简单，如果容量不够，只要增加新 DB 即可。

不足是：请求量不均匀，一般新注册的用户活跃度会比较高，所以新的 user-db2 会比 user-db1 负载高，导致服务器利用率不平衡。

"根据数值取模"：也是以主键 uid 为划分依据，按 uid 取模的值将数据水平切分到多个数据库上。

例如：user-db1 存储 uid 取模得 1 的数据，user-db2 存储 uid 取模得 0 的 uid 数据。

优点是：数据量和请求量分布均匀。

不足是：扩容麻烦，当容量不够时，新增加 DB，需要 rehash。需要考虑对数据进行平滑的迁移。

非 uid 的查询方法

水平切分后，对于按 uid 查询的需求能很好的满足，可以直接路由到具体数据库。

而按非 uid 的查询，例如 login_name，就不知道具体该访问哪个库了，此时需要遍历所有库，性能会降低很多。

对于用户侧，可以采用"建立非 uid 属性到 uid 的映射关系"的方案;对于运营侧，可以采用"前台与后台分离"的方案。

①建立非 uid 属性到 uid 的映射关系

映射关系：例如：login_name 不能直接定位到数据库，可以建立 login_name→uid 的映射关系，用索引表或缓存来存储。

当访问 login_name 时，先通过映射表查询出 login_name 对应的 uid，再通过 uid 定位到具体的库。

映射表只有两列，可以承载很多数据，当数据量过大时，也可以对映射表再做水平切分。

这类 kv 格式的索引结构，可以很好的使用 cache 来优化查询性能，而且映射关系不会频繁变更，缓存命中率会很高。

基因法：分库基因，假如通过 uid 分库，分为 8 个库，采用 uid%8 的方式进行路由，此时是由 uid 的最后 3bit 来决定这行 User 数据具体落到哪个库上，那么这 3bit 可以看为分库基因。

上面的映射关系的方法需要额外存储映射表，按非 uid 字段查询时，还需要多一次数据库或 cache 的访问。

如果想要消除多余的存储和查询，可以通过 f 函数取 login_name 的基因作为 uid 的分库基因。

生成 uid 时，参考上文所述的分布式唯一 ID 生成方案，再加上最后 3 位 bit 值=f(login_name)。

当查询 login_name 时，只需计算 f(login_name)%8 的值，就可以定位到具体的库。

不过这样需要提前做好容量规划，预估未来几年的数据量需要分多少库，要预留一定 bit 的分库基因。

（编辑：ASP站长网）