1 理论知识

1.1 分库分表是否必要

分库分表确实可以解决单表数据量大这个问题，但是并非首选。因为分库分表至少引入了三个必须解决的突出问题。

第一是分库分表方案本身具有的复杂性。第二是本地事务失效问题，原本在同一个数据库中可以保证强一致性业务逻辑，分库之后事务失效。第三是难以聚合查询问题，因为分库分表后查询条件中必须带有shardingKey，所以限制了很多查询场景。

在之前文章《面试官问单表数据量大是否必须分库分表》介绍过解决单表数据量过大问题，可以按照删、换、分、拆、异、热这六个字顺序进行处理，而不是首选分库分表。

删是指删除历史数据并进行归档。换是指不要只使用数据库资源，有些数据可以存储至其它替代资源。分是指读写分离，增加多个读实例应对读多写少的互联网场景。拆是指分库分表，将数据分散至不同的库表中减轻压力。异指数据异构，将一份数据根据不同业务需求保存多份。热是指热点数据，这是一个非常值得注意的问题。

1.2 分库分表两大维度

假设有一个电商数据库存放订单、商品、支付三张业务表。随着业务量越来越大，这三张业务数据表也越来越大，查询性能显著降低，数据拆分势在必行，那么数据拆分可以从纵向和横向两个维度进行。

1.2.1 纵向拆分

纵向拆分就是按照业务拆分，我们将电商数据库拆分成三个库，订单库、商品库。支付库，订单表在订单库，商品表在商品库，支付表在支付库。这样每个库只需要存储本业务数据，物理隔离不会互相影响。

1.2.2 横向拆分

按照纵向拆分方案，现在我们已经有三个库了，平稳运行了一段时间。但是随着业务增长，每个单库单表的数据量也越来越大，逐渐到达瓶颈。

这时我们就要对数据表进行横向拆分，所谓横向拆分就是根据某种规则将单库单表数据分散到多库多表，从而减小单库单表的压力。

横向拆分策略有很多方案，最重要的一点是选好ShardingKey，也就是按照哪一列进行拆分，怎么分取决于我们访问数据的方式。

(1) 范围分片

如果选择的ShardingKey是订单创建时间，那么分片策略是拆分四个数据库，分别存储每季度数据，每个库包含三张表，分别存储每个月数据：

这个方案的优点是对范围查询比较友好，例如我们需要统计第一季度的相关数据，查询条件直接输入时间范围即可。这个方案的问题是容易产生热点数据。例如双11当天下单量特别大，就会导致11月这张表数据量特别大从而造成访问压力。

(2) 查表分片

查表法是根据一张路由表决定ShardingKey路由到哪一张表，每次路由时首先到路由表里查到分片信息，再到这个分片去取数据。我们分析一个查表法思想应用实际案例。

Redis官方在3.0版本之后提供了集群方案RedisCluster，其中引入了哈希槽（slot）这个概念。一个集群固定有16384个槽，在集群初始化时这些槽会平均分配到Redis集群节点上。每个key请求最终落到哪个槽计算公式是固定的：

SLOT = CRC16(key) mod 16384

一个key请求过来怎么知道去哪台Redis节点获取数据？这就要用到查表法思想：

(1) 客户端连接任意一台Redis节点，假设随机访问到节点A
(2) 节点A根据key计算出slot值
(3) 每个节点都维护着slot和节点映射关系表
(4) 如果节点A查表发现该slot在本节点，直接返回数据给客户端
(5) 如果节点A查表发现该slot不在本节点，返回给客户端一个重定向命令，告诉客户端应该去哪个节点请求这个key的数据
(6) 客户端向正确节点发起连接请求

查表法方案优点是可以灵活制定路由策略，如果我们发现有的分片已经成为热点则修改路由策略。缺点是多一次查询路由表操作增加耗时，而且路由表如果是单点也可能会有单点问题。

(3) 哈希分片

相较于范围分片，哈希分片可以较为均匀将数据分散在数据库中。我们现在将订单库拆分为4个库编号为[0,3]，每个库包含3张表编号为[0,2]，如下图如所示：

我们选择使用orderId作为ShardingKey，那么orderId=100这个订单会保存在哪张表？因为是分库分表，第一步确定路由到哪一个库，取模计算结果表示库表序号：

db_index = 100 % 4 = 0

第二步确定路由到哪一张表：

table_index = 100 % 3 = 1

第三步数据路由到0号库1号表：

在实际开发中路由逻辑并不需要我们手动实现，因为有许多开源框架通过配置就可以实现路由功能，例如ShardingSphere、TDDL框架等等。

2 分库分表准备工作

2.1 计算库表数量

分几个库和几张表是在分库分表工作开始前必须要回答的问题，我们首先看看阿里巴巴开发手册的建议：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，如果预计3年后数据量根本达不到这个级别，请不要在创建表时就分库分表。我们提取出这个建议的两个关键词：500万、3年，作为预估库表数的基线。假设业务数据日增量60万，那么应该如何预估需要分多少个库和多少张表呢？

日增量60万计算3年后数据总量：

三年数据总量 = 60 * 365 * 3 = 65700

随着后续业务发展日增量会超过60万，所以我们要对数据总量进行冗余，冗余指数是多少根据业务情况而定，本文按照3倍冗余：

三年数据总量三倍冗余 = 65700 * 3 = 197100

单表500万并向上取整至2的幂次计算表数量：

表数量 = 197100 / 500 = 394.2 向上取整 = 512

所有表放在一个库并不合适，因为随着数据量增大，访问并发量也会呈正相关增大，一个数据库实例是难以支撑的。本文按照一个数据库实例包含32张表计算库数量：

库数量 = 512 / 32 = 16

2.2 shardingKey

确定shardingKey非常关键，因为作为分片指标，当数据拆分至多个库表之后，代理层只能根据shardingKey进行表路由。

假设我们设置了userId作为shardingKey，那么后续DML操作都必须包含userId字段。但是现在有一种场景只有orderId作为查询条件，那么我们应该如何处理这种场景呢？

第一种方案是设计orderId包含userId相关特征，这样即使只有订单号作为查询条件，也可以截取userId特征进行分片：

订单号 = 毫秒数 + 版本号 + userId后六位 + 全局序列号

第二种方案是数据异构，核心思想是以空间换时间，一份数据根据不同维度存储到多个数据介质，数据异构一般分为如下类型。

数据异构至MySQL：我们可以选择orderId作为shardingKey存储至另一个数据库实例，那么orderId就可以作为条件进行查询。

数据异构至ES：如果每一个维度都新建一个数据库实例也是不现实的，所以我们可以将数据同步至ES满足多维度查询需求。

数据异构至Hive：MySQL和ES可以满足实时查询需求，Hive可以满足离线分析需求，数据分析工作无需通过主库，而是可以通过Hive进行。

现在又引出一个新问题，业务不可能每次都将数据写入多个数据源，这样会带来性能和数据一致性问题，所以需要一个管道进行各数据源之间同步，阿里开源canal组件可以解决这个问题。

3 分库分表实例

在完成准备工作之后，我们可以开始分库分表工作了。分库分表方法有很多种，但是说到底都是在处理两类数据：存量和增量。存量表示旧数据库已经存在的数据，增量表示不存在于旧数据库待新增或者变更的数据。根据存量和增量这两种类型，我们可以将分库分表方法分为停服拆分和不停服拆分。

3.1 停服拆分

停服是指停止服务，系统不再接收新业务数据，那么旧数据在分库分表这个时间段内是静止不变的，数据全部变为了存量数据。停服拆分一般分为三个阶段。

第一阶段首先编写代理层和新DAO，代理层通过动态开关决定访问旧表还是新表，此时流量还是全部访问旧表：

第二阶段停止服务，整个应用都没有流量，旧表数据已经处于静止状态，通过脚本将存量数据分页从旧表迁移至新表：

第三阶段通过代理层访问新表：

3.2 不停服拆分

停服拆分方案比较简单，但是在分表这段时间没有业务流量，对业务是有损的，所以我们一般采用不停服拆分方案，一边有流量访问，一边进行分库分表，此时数据不仅有存量还有增量，相对而言会复杂一些。

第一阶段首先编写代理层和新DAO，代理层通过动态开关决定访问旧表还是新表，此时流量还是全部访问旧表：

第二阶段开启双写，增量数据不仅在旧表新增和修改，也在新表新增和修改，日志或者临时表记录写入新表ID起始值，旧表中小于这个值的数据就是存量数据：

第三阶段进行存量数据同步，通过脚本将存量数据分页写入新表：

第四阶段停读旧表改读新表，此时新表已经承载了所有读写业务，但是不要立刻停写旧表，需要保持双写一段时间。

不停写旧表有两个原因：第一是因为如果读新表出现问题，还可以将读流量切回旧表。第二是因为可以进行数据校对，例如新表和旧表数据都同步至Hive，选取几天的数据进行校对，从而验证数据同步准确性。

第五阶段当读写新表一段时间之后，没有发生业务问题则可以停写旧表：

3.3 代理层实现

代理层实现了新旧数据源切换，需要尽量减少业务层代码的侵入性，而适配器模式可以有效减少对业务层的侵入性。我们首先看看旧数据访问对象和业务服务：

// 订单数据对象
public class OrderDO {
    private String orderId;
    private Long price;

    public String getOrderId() {
        return orderId;
    }

    public void setOrderId(String orderId) {
        this.orderId = orderId;
    }

    public Long getPrice() {
        return price;
    }

    public void setPrice(Long price) {
        this.price = price;
    }
}

// 旧DAO
public interface OrderDAO {
    public void insert(OrderDO orderDO);
}

// 业务服务
public class OrderServiceImpl implements OrderService {

    @Resource
    private OrderDAO orderDAO;

    @Override
    public String createOrder(Long price) {
        String orderId = "orderId_123";
        OrderDO orderDO = new OrderDO();
        orderDO.setOrderId(orderId);
        orderDO.setPrice(price);
        orderDAO.insert(orderDO);
        return orderId;
    }
}

引入新数据源访问对象：

// 新数据对象
public class OrderNewDO {
    private String orderId;
    private Long price;
}

// 新DAO
public interface OrderNewDAO {
    public void insert(OrderNewDO orderNewDO);
}

适配器模式减少业务代码侵入性：

// 代理层
public class OrderDAOProxy implements OrderDAO {
    private OrderDAO orderDAO;
    private OrderNewDAO orderNewDAO;

    public OrderDAOProxy(OrderDAO orderDAO, OrderNewDAO orderNewDAO) {
        this.orderDAO = orderDAO;
        this.orderNewDAO = orderNewDAO;
    }

    @Override
    public void insert(OrderDO orderDO) {
        if(ApolloConfig.routeNewDB) {
            OrderNewDO orderNewDO = new OrderNewDO();
            orderNewDO.setPrice(orderDO.getPrice());
            orderNewDO.setOrderId(orderDO.getOrderId());
            orderNewDAO.insert(orderNewDO);
        } else {
            orderDAO.insert(orderDO);
        }
    }
}


// 业务服务
public class OrderServiceImpl implements OrderService {

    @Resource
    private OrderDAO orderDAO;
    @Resource
    private OrderNewDAO orderNewDAO;

    @Override
    public String createOrder(Long price) {
        String orderId = "orderId_123";
        OrderDO orderDO = new OrderDO();
        orderDO.setOrderId(orderId);
        orderDO.setPrice(price);
        new OrderDAOProxy(orderDAO, orderNewDAO).insert(orderDO);
        return orderId;
    }
}

4 文章总结

分库分表具有三个必须面对的突出问题：方案本身复杂性、本地事务失效问题、难以聚合查询问题，所以分库分表方案并非解决海量数据问题的首选方案，这一点非常值得注意。

如果必须分库分表，我们首先进行容量预估并选择合适的shardingKey，其次根据实际业务选择停服或者不停服方案，如果选择不停服方案，注意保持新表和旧表双写一段时间，从而验证数据准确性，希望本文对大家有所帮助。

5 延伸阅读

一种简单可落地的分布式事务方案

面试官问单表数据量大是否必须分库分表