封面图片来自 51CTO.com 的文章：淘宝大数据分析应对双十一来袭。引用请注明来源。

一 什么是数据架构

关于架构，大家都有了解和理解。通常一个业务或项目，在做架构设计时，可能会包含业务架构和技术架构。其中技术架构是我们作为开发角色，在做设计时重点的工作内容。但还有架构类型的划分方式，会包括业务架构、技术架构、数据架构和应用架构四种。

数据架构管理的内容包括管理对象、管理流程、管理组织，管理对象又包括数据标准、数据模型、数据库、数据质量。总之，数据架构就是由一定的管理组织，通过一系列管理流程，来实现对数据对象的管理。数据架构构成如下图所示：

二 为什么需要数据架构

“经验来源于实践”。经历过一个或多个中大型项目/产品生命周期的朋友，大多会有这样的经验。在项目早期时，为了快速验证，会以尽快上线运行为最主要的目标，架构设计会有数据结构部分，但不会过多设计。在项目快速发展之后，频繁的表结构变更、数据类型变化会带来一系列的问题，尤其是当可能发生拆库、分表等动作之后，带来几个典型的数据问题：

2.1 数据标准不一致

• 列名相同，数据类型不同；

• 列名相同，数据类型相同，长度不同；

• 列名定义没有统一标准，识别困难；

• 列名定义不统一，类型不统一，长度不同；

2.2 数据模型混乱

• 表、字段缺乏注释；

• 表无主键、允许为 NULL 列；

• 表关系不清晰；

• 不合理的冗余设计；

2.3 性能问题

• 对表结构、索引理解、使用不当；

• SQL 的编写与开发者的技术水平有关，当 sql 编写不当且缺乏审核导致带入线上，就会导致性能问题

2.4 数据缺乏安全管理

表结构规范；

索引合理性设计、创建检查；

SQL 质量；

数据安全管理（插入、删除、更新，以及批量查询动作）

三 数据架构生命周期

数据架构的重点是数据的标准化处理，这会贯穿于系统/项目的整个生命周期。包括数据架构设计阶段、开发阶段、迁移阶段、测试阶段等等。

四 数据冷热分离

4.1 大数据存储方案

关于大数据量的存储方案，常用的有分库分表方案，可以选用多种分库分表技术和中间件来实现。但有一个问题，当单表数据量到达多少的时候执行分库分表？

4.2 单表上限 2000w 的起源

一直有这样一种说法，MySQL 单表数据量大于 2000 万行，性能会明显下降。冷热分离之 OTS 表格存储实战这篇文章中给出了来源：这个传闻据说最早起源于百度。“具体情况大概是这样的，当年的 DBA 测试 MySQL 性能时发现，当单表的量在 2000 万行量级的时候，SQL 操作的性能急剧下降，因此，结论由此而来。然后又据说百度的工程师流动到业界的其它公司，随之也带去了这个信息，所以，就在业界流传开这么一个说法。再后来，阿里巴巴《Java 开发手册》提出单表行数超过 500 万行或者单表容量超过 2GB，才推荐进行分库分表。对此，有阿里的黄金铁律支撑，所以，很多人设计大数据存储时，多会以此为标准，进行分表操作。”

背后的原理，大家也可以仔细阅读这篇文章，简单来说，这个说法源于 Mysql 的 InnoDB 引擎的存储结构和索引结构。记录数过多时导致 B+树高度过高从而需要多次 IO，导致性能明显下降。

4.3 冷热分离

4.3.1 数据的冷热划分

首先，绝大部分场景，数据都可以分为“冷数据”和“热数据”。数据划分的原则，可以根据时间远近、热点/非热点用户等等。例如在以往项目中的实例，用户通常只访问一段时间之内的数据，例如近一周或一个月。如果数据不做划分，必然会导致一定程度上的性能、成本损耗。

4.3.2 冷热分离好处

通过合理的冷热分离设计，可以达到的好处：

• 降低单表数据量，提升单表性能；

• 大量业务冷数据转冷存，存储成本可以降低很多，至少 50％＋。

五 冷热分离方案

需要考虑的包括存储方案、数据迁移方案，另外需要做历史查询时也需要支持聚合查询和自动的冷热查询路由。

5.1 存储方案

存储方案，包括本地方案和云方案。本地的存储介质，通常是硬盘，但通常机械硬盘会受限于磁盘空间和 IO 瓶颈，这也是单表限制的主要原因。所以一般处于性能提升的考虑，会使用固态硬盘（SSD）。但 SSD 成本较高（远高于机械硬盘），所以不适合海量数据存储，这时候就需要考虑磁盘阵列等等。另外，磁带也是一种方案，但仅适合历史数据的持久化保存，和必要时做数据恢复，本身并不适合查询。

如果能够接受云方案，那么可选的就有云硬盘作为 DB 的存储介质、或者是云服务上提供的冷热存储（blob、表格存储）。阿里云的 OTS 就是一种表格存储实现，其技术架构如下图所示：

5.2 迁移方案

数据有冷热划分，那么就会有界限、生命周期。新的数据写入时，其属性是“热”的；当到达某个时间节点或预设阈值时，就需要把数据迁移到“冷”数据存储。这里又涉及到几个问题：

• 冷热数据标记

• 迁移方法。时效性保障

• 数据一致性

另外，为了保证冷热数据迁移过程中业务系统的稳定性，在数据迁移的过程中还一定要做到：可灰度［降低影响，提前发现］，可一键回滚［快速止血］。

总结

本文介绍了数据架构的概念、意义，以及数据的冷热分离，并阐述了冷热分离方案和注意事项。本篇作为综述，在后续系列文章中会通过实际案例来进一步探究数据架构的内容。

参考文章

数据架构-什么是数据架构