phpmysql分表实例MySQL数据库之常用分库分表计划实例剖析

一、数据库瓶颈

不管是IO瓶颈，还是CPU瓶颈，终极都会导致数据库的生动连接数增加，进而逼近乃至达到数据库可承载生动连接数的阈值。
在业务Service来看便是，可用数据库连接少乃至无连接可用。
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，降落查询速率 -> 分库和垂直分表。
第二种：网络IO瓶颈，要求的数据太多，网络带宽不足 -> 分库。
2、CPU瓶颈

phpmysql分表实例MySQL数据库之常用分库分表计划实例剖析 Ruby

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，建立得当的索引，在业务Service层进行业务打算。
第二种：单表数据量太大，查询时扫描的行太多，SQL效率低，CPU率先涌现瓶颈 -> 水平分表。

二、分库分表

1、水平分库

1、观点：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。

2、结果：

每个库的构造都一样；

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；

3、场景：系统绝对并发量上来了，分表难以根本上办理问题，并且还没有明显的业务归属来垂直分库。

4、剖析：库多了，io和cpu的压力自然可以成倍缓解。

2、水平分表

1、观点：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。

2、结果：

每个表的构造都一样；

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；

3、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包袱，以至于成为瓶颈。

4、剖析：表的数据量少了，单次SQL实行效率高，自然减轻了CPU的包袱。

3、垂直分库

1、观点：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。

2、结果：

每个库的构造都不一样；

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；

3、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。

4、剖析：到这一步，基本上就可以做事化了。
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，乃至可以做事化。
再有，随着业务的发展孵化出了一套业务模式，这时可以将干系的表拆到单独的库中，乃至可以做事化。

4、垂直分表

1、观点：以字段为依据，按照字段的生动性，将表中字段拆到不同的表（主表和扩展表）中。

2、结果：

每个表的构造都不一样；

每个表的数据也不一样，一样平常来说，每个表的字段至少有一列交集，一样平常是主键，用于关联数据；

所有表的并集是全量数据；

3、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。

4、剖析：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（可能会冗余常常一起查询的数据）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，要想得到全部数据就须要关联两个表来取数据。
但记住，千万别用join，由于join不仅会增加CPU包袱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，该当在业务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

1、sharding-sphere：jar，前身是sharding-jdbc；

2、TDDL：jar，Taobao Distribute Data Layer；

3、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）-> 实行（一样平常双写）-> 扩容问题（只管即便减少数据的移动）。

五、分库分表问题

1、非partition key的查讯问题（水平分库分表，拆分策略为常用的hash法）

1.1、端上除了partition key只有一个非partition key作为条件查询

映射法

注：写入时，基因法天生user_id，如图。
关于xbit基因，例如要分8张表，23=8，故x取3，即3bit基因。
根据user_id查询时可直接取模路由到对应的分库或分表。
根据user_name查询时，先通过user_name_code天生函数天生user_name_code再对其取模路由到对应的分库或分表。
id天生常用snowflake算法。
1.2、端上除了partition key不止一个非partition key作为条件查询

映射法

注：按照order_id或buyer_id查询时路由到db_o_buyer库中，按照seller_id查询时路由到db_o_seller库中。
觉得有点本末倒置！
有其他好的办法吗？改变技能栈呢？1.3、后台除了partition key还有各种非partition key组合条件查询

NoSQL法

冗余法

2、非partition key跨库跨表分页查讯问题（水平分库分表，拆分策略为常用的hash法）

注：用NoSQL法办理（ES等）。
3、扩容问题（水平分库分表，拆分策略为常用的hash法）

3.1、水平扩容库（升级从库法）

注：扩容是成倍的。
3.2、水平扩容表（双写迁移法）

第一步：（同步双写）运用配置双写，支配；

第二步：（同步双写）将老库中的老数据复制到新库中；

第三步：（同步双写）以老库为准校正新库中的老数据；

第四步：（同步双写）运用去掉双写，支配；