MySQL：互联网公司常用分库分表方案汇总！，javaspring 框架面试
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）。
1、IO 瓶颈
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。
2、CPU 瓶颈
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。
二、分库分表
1、水平分库
**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：
每个库的结构都一样；
每个库的数据都不一样，没有交集；
所有库的并集是全量数据；
**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。
2、水平分表
**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：
每个表的结构都一样；
每个表的数据都不一样，没有交集；
所有表的并集是全量数据；
**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。推荐：[一次 SQL 查询优化原理分析](
)**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。
3、垂直分库
**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：
每个库的结构都不一样；
每个库的数据也不一样，没有交集；
所有库的并集是
全量数据；
**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。
4、垂直分表
**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：
每个表的结构都不一样；
每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据；
所有表的并集是全量数据；
**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。
三、分库分表工具
sharding-sphere：jar，前身是 sharding-jdbc；
TDDL：jar，Taobao Distribute Data Layer；
Mycat：中间件。
注：工具的利弊，请自行调研，官网和社区优先。
四、分库分表步骤
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
1、非 partition key 的查询问题
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
还未添加个人签名 2021.03.18 加入
还未添加个人简介
评论