Sharding的基本思想就要把一個數(shù)據(jù)庫切分成多個部分放到不同的數(shù)據(jù)庫(server)上，從而緩解單一數(shù)據(jù)庫的性能問題。不太嚴(yán)格的講，對于海量數(shù)據(jù)的數(shù)據(jù)庫，如果是因為表多而數(shù)據(jù)多，這時候適合使用垂直切分，即把關(guān)系緊密（比如同一模塊）的表切分出來放在一個server上。如果表并不多，但每張表的數(shù)據(jù)非常多，這時候適合水平切分，即把表的數(shù)據(jù)按某種規(guī)則（比如按ID散列）切分到多個數(shù)據(jù)庫(server)上。當(dāng)然，現(xiàn)實中更多是這兩種情況混雜在一起，這時候需要根據(jù)實際情況做出選擇，也可能會綜合使用垂直與水平切分，從而將原有數(shù)據(jù)庫切分成類似矩陣一樣可以無限擴(kuò)充的數(shù)據(jù)庫(server)陣列。

需要特別說明的是：當(dāng)同時進(jìn)行垂直和水平切分時，切分策略會發(fā)生一些微妙的變化。比如：在只考慮垂直切分的時候，被劃分到一起的表之間可以保持任意的關(guān)聯(lián)關(guān)系，因此你可以按“功能模塊”劃分表格，但是一旦引入水平切分之后，表間關(guān)聯(lián)關(guān)系就會受到很大的制約，通常只能允許一個主表（以該表ID進(jìn)行散列的表）和其多個次表之間保留關(guān)聯(lián)關(guān)系，也就是說：當(dāng)同時進(jìn)行垂直和水平切分時，在垂直方向上的切分將不再以“功能模塊”進(jìn)行劃分，而是需要更加細(xì)粒度的垂直切分，而這個粒度與領(lǐng)域驅(qū)動設(shè)計中的“聚合”概念不謀而合，甚至可以說是完全一致，每個shard的主表正是一個聚合中的聚合根！這樣切分下來你會發(fā)現(xiàn)數(shù)據(jù)庫分被切分地過于分散了（shard的數(shù)量會比較多，但是shard里的表卻不多），為了避免管理過多的數(shù)據(jù)源，充分利用每一個數(shù)據(jù)庫服務(wù)器的資源，可以考慮將業(yè)務(wù)上相近，并且具有相近數(shù)據(jù)增長速率（主表數(shù)據(jù)量在同一數(shù)量級上）的兩個或多個shard放到同一個數(shù)據(jù)源里，每個shard依然是獨立的，它們有各自的主表，并使用各自主表ID進(jìn)行散列，不同的只是它們的散列取模（即節(jié)點數(shù)量）必需是一致的.

1、常用的分庫分表中間件

1.1 簡單易用的組件：

• 當(dāng)當(dāng)sharding-jdbc

• 蘑菇街TSharding

1.2 強(qiáng)悍重量級的中間件：

• sharding

• TDDL Smart Client的方式（淘寶）

• Atlas(Qihoo 360)

• alibaba.cobar(是阿里巴巴（B2B）部門開發(fā))

• MyCAT（基于阿里開源的Cobar產(chǎn)品而研發(fā)）

• Oceanus(58同城數(shù)據(jù)庫中間件)

• OneProxy(支付寶首席架構(gòu)師樓方鑫開發(fā))

• vitess（谷歌開發(fā)的數(shù)據(jù)庫中間件）

2、分庫分表需要解決的問題

1、事務(wù)問題

解決事務(wù)問題目前有兩種可行的方案：分布式事務(wù)和通過應(yīng)用程序與數(shù)據(jù)庫共同控制實現(xiàn)事務(wù)下面對兩套方案進(jìn)行一個簡單的對比。

方案一：使用分布式事務(wù)

• 優(yōu)點： 交由數(shù)據(jù)庫管理，簡單有效

• 缺點：性能代價高，特別是shard越來越多時

方案二：由應(yīng)用程序和數(shù)據(jù)庫共同控制

• 原理：將一個跨多個數(shù)據(jù)庫的分布式事務(wù)分拆成多個僅處 于單個數(shù)據(jù)庫上面的小事務(wù)，并通過應(yīng)用程序來總控 各個小事務(wù)。

• 優(yōu)點：性能上有優(yōu)勢

• 缺點：需要應(yīng)用程序在事務(wù)控制上做靈活設(shè)計。如果使用 了spring的事務(wù)管理，改動起來會面臨一定的困難。

2、跨節(jié)點Join的問題

只要是進(jìn)行切分，跨節(jié)點Join的問題是不可避免的。但是良好的設(shè)計和切分卻可以減少此類情況的發(fā)生。解決這一問題的普遍做法是分兩次查詢實現(xiàn)。在第一次查詢的結(jié)果集中找出關(guān)聯(lián)數(shù)據(jù)的id,根據(jù)這些id發(fā)起第二次請求得到關(guān)聯(lián)數(shù)據(jù)。

3、跨節(jié)點的count,order by,group by以及聚合函數(shù)問題

這些是一類問題，因為它們都需要基于全部數(shù)據(jù)集合進(jìn)行計算。多數(shù)的代理都不會自動處理合并工作。解決方案：與解決跨節(jié)點join問題的類似，分別在各個節(jié)點上得到結(jié)果后在應(yīng)用程序端進(jìn)行合并。和join不同的是每個結(jié)點的查詢可以并行執(zhí)行，因此很多時候它的速度要比單一大表快很多。但如果結(jié)果集很大，對應(yīng)用程序內(nèi)存的消耗是一個問題。

4、數(shù)據(jù)遷移，容量規(guī)劃，擴(kuò)容等問題

來自淘寶綜合業(yè)務(wù)平臺團(tuán)隊，它利用對2的倍數(shù)取余具有向前兼容的特性（如對4取余得1的數(shù)對2取余也是1）來分配數(shù)據(jù)，避免了行級別的數(shù)據(jù)遷移，但是依然需要進(jìn)行表級別的遷移，同時對擴(kuò)容規(guī)模和分表數(shù)量都有限制。總得來說，這些方案都不是十分的理想，多多少少都存在一些缺點，這也從一個側(cè)面反映出了Sharding擴(kuò)容的難度。

5、事務(wù)

5.1 分布式事務(wù)

• 參考：關(guān)于分布式事務(wù)、兩階段提交、一階段提交、Best Efforts 1PC模式和事務(wù)補(bǔ)償機(jī)制的研究

• 優(yōu)點基于兩階段提交，最大限度地保證了跨數(shù)據(jù)庫操作的“原子性”，是分布式系統(tǒng)下最嚴(yán)格的事務(wù)實現(xiàn)方式。實現(xiàn)簡單，工作量小。由于多數(shù)應(yīng)用服務(wù)器以及一些獨立的分布式事務(wù)協(xié)調(diào)器做了大量的封裝工作，使得項目中引入分布式事務(wù)的難度和工作量基本上可以忽略不計。

• 缺點系統(tǒng)“水平”伸縮的死敵。基于兩階段提交的分布式事務(wù)在提交事務(wù)時需要在多個節(jié)點之間進(jìn)行協(xié)調(diào),最大限度地推后了提交事務(wù)的時間點，客觀上延長了事務(wù)的執(zhí)行時間，這會導(dǎo)致事務(wù)在訪問共享資源時發(fā)生沖突和死鎖的概率增高，隨著數(shù)據(jù)庫節(jié)點的增多，這種趨勢會越來越嚴(yán)重，從而成為系統(tǒng)在數(shù)據(jù)庫層面上水平伸縮的"枷鎖"， 這是很多Sharding系統(tǒng)不采用分布式事務(wù)的主要原因。

基于Best Efforts 1PC模式的事務(wù)

參考spring-data-neo4j的實現(xiàn)。鑒于Best Efforts 1PC模式的性能優(yōu)勢，以及相對簡單的實現(xiàn)方式，它被大多數(shù)的sharding框架和項目采用

5.2 事務(wù)補(bǔ)償（冪等值）

對于那些對性能要求很高，但對一致性要求并不高的系統(tǒng)，往往并不苛求系統(tǒng)的實時一致性，只要在一個允許的時間周期內(nèi)達(dá)到最終一致性即可，這使得事務(wù)補(bǔ)償機(jī)制成為一種可行的方案。事務(wù)補(bǔ)償機(jī)制最初被提出是在“長事務(wù)”的處理中，但是對于分布式系統(tǒng)確保一致性也有很好的參考意義。籠統(tǒng)地講，與事務(wù)在執(zhí)行中發(fā)生錯誤后立即回滾的方式不同，事務(wù)補(bǔ)償是一種事后檢查并補(bǔ)救的措施，它只期望在一個容許時間周期內(nèi)得到最終一致的結(jié)果就可以了。事務(wù)補(bǔ)償?shù)膶崿F(xiàn)與系統(tǒng)業(yè)務(wù)緊密相關(guān)，并沒有一種標(biāo)準(zhǔn)的處理方式。一些常見的實現(xiàn)方式有：對數(shù)據(jù)進(jìn)行對帳檢查;基于日志進(jìn)行比對;定期同標(biāo)準(zhǔn)數(shù)據(jù)來源進(jìn)行同步，等等。

6、ID問題

一旦數(shù)據(jù)庫被切分到多個物理結(jié)點上，我們將不能再依賴數(shù)據(jù)庫自身的主鍵生成機(jī)制。一方面，某個分區(qū)數(shù)據(jù)庫自生成的ID無法保證在全局上是唯一的；另一方面，應(yīng)用程序在插入數(shù)據(jù)之前需要先獲得ID,以便進(jìn)行SQL路由.

一些常見的主鍵生成策略

6.1 UUID

使用UUID作主鍵是最簡單的方案，但是缺點也是非常明顯的。由于UUID非常的長，除占用大量存儲空間外，最主要的問題是在索引上，在建立索引和基于索引進(jìn)行查詢時都存在性能問題。

結(jié)合數(shù)據(jù)庫維護(hù)一個Sequence表

此方案的思路也很簡單，在數(shù)據(jù)庫中建立一個Sequence表，表的結(jié)構(gòu)類似于：

1CREATETABLE`SEQUENCE`(2`table_name`varchar(18)NOTNULL,3`nextid`bigint(20)NOTNULL,4PRIMARYKEY(`table_name`)5)ENGINE=InnoDB

每當(dāng)需要為某個表的新紀(jì)錄生成ID時就從Sequence表中取出對應(yīng)表的nextid,并將nextid的值加1后更新到數(shù)據(jù)庫中以備下次使用。此方案也較簡單，但缺點同樣明顯：由于所有插入任何都需要訪問該表，該表很容易成為系統(tǒng)性能瓶頸，同時它也存在單點問題，一旦該表數(shù)據(jù)庫失效，整個應(yīng)用程序?qū)o法工作。有人提出使用Master-Slave進(jìn)行主從同步，但這也只能解決單點問題，并不能解決讀寫比為1:1的訪問壓力問題。

6.2 Twitter的分布式自增ID算法Snowflake

在分布式系統(tǒng)中，需要生成全局UID的場合還是比較多的，twitter的snowflake解決了這種需求，實現(xiàn)也還是很簡單的，除去配置信息，核心代碼就是毫秒級時間41位 機(jī)器ID 10位 毫秒內(nèi)序列12位。

• 10---0000000000 0000000000 0000000000 0000000000 0 --- 00000 ---00000 ---000000000000在上面的字符串中，第一位為未使用（實際上也可作為long的符號位），接下來的41位為毫秒級時間，然后5位datacenter標(biāo)識位，5位機(jī)器ID（并不算標(biāo)識符，實際是為線程標(biāo)識），然后12位該毫秒內(nèi)的當(dāng)前毫秒內(nèi)的計數(shù)，加起來剛好64位，為一個Long型。

這樣的好處是:整體上按照時間自增排序，并且整個分布式系統(tǒng)內(nèi)不會產(chǎn)生ID碰撞（由datacenter和機(jī)器ID作區(qū)分），并且效率較高，經(jīng)測試，snowflake每秒能夠產(chǎn)生26萬ID左右，完全滿足需要。

7、跨分片的排序分頁

一般來講，分頁時需要按照指定字段進(jìn)行排序。當(dāng)排序字段就是分片字段的時候，我們通過分片規(guī)則可以比較容易定位到指定的分片，而當(dāng)排序字段非分片字段的時候，情況就會變得比較復(fù)雜了。為了最終結(jié)果的準(zhǔn)確性，我們需要在不同的分片節(jié)點中將數(shù)據(jù)進(jìn)行排序并返回，并將不同分片返回的結(jié)果集進(jìn)行匯總和再次排序，最后再返回給用戶。如下圖所示：

上面圖中所描述的只是最簡單的一種情況（取第一頁數(shù)據(jù)），看起來對性能的影響并不大。但是，如果想取出第10頁數(shù)據(jù)，情況又將變得復(fù)雜很多，如下圖所示：

有些讀者可能并不太理解，為什么不能像獲取第一頁數(shù)據(jù)那樣簡單處理（排序取出前10條再合并、排序）。其實并不難理解，因為各分片節(jié)點中的數(shù)據(jù)可能是隨機(jī)的，為了排序的準(zhǔn)確性，必須把所有分片節(jié)點的前N頁數(shù)據(jù)都排序好后做合并，最后再進(jìn)行整體的排序。很顯然，這樣的操作是比較消耗資源的，用戶越往后翻頁，系統(tǒng)性能將會越差。

那如何解決分庫情況下的分頁問題呢？有以下幾種辦法：

如果是在前臺應(yīng)用提供分頁，則限定用戶只能看前面n頁，這個限制在業(yè)務(wù)上也是合理的，一般看后面的分頁意義不大（如果一定要看，可以要求用戶縮小范圍重新查詢）。

如果是后臺批處理任務(wù)要求分批獲取數(shù)據(jù)，則可以加大page size，比如每次獲取5000條記錄，有效減少分頁數(shù)（當(dāng)然離線訪問一般走備庫，避免沖擊主庫）。

分庫設(shè)計時，一般還有配套大數(shù)據(jù)平臺匯總所有分庫的記錄，有些分頁查詢可以考慮走大數(shù)據(jù)平臺。

8、分庫策略

分庫維度確定后，如何把記錄分到各個庫里呢?

8.1 兩種方式：

• 根據(jù)數(shù)值范圍，比如用戶Id為1-9999的記錄分到第一個庫，10000-20000的分到第二個庫，以此類推。

• 根據(jù)數(shù)值取模，比如用戶Id mod n，余數(shù)為0的記錄放到第一個庫，余數(shù)為1的放到第二個庫，以此類推。

優(yōu)劣比較：

評價指標(biāo)按照范圍分庫按照Mod分庫

庫數(shù)量前期數(shù)目比較小，可以隨用戶/業(yè)務(wù)按需增長前期即根據(jù)mode因子確定庫數(shù)量，數(shù)目一般比較大

訪問性能前期庫數(shù)量小，全庫查詢消耗資源少，單庫查詢性能略差前期庫數(shù)量大，全庫查詢消耗資源多，單庫查詢性能略好

調(diào)整庫數(shù)量比較容易，一般只需為新用戶增加庫，老庫拆分也只影響單個庫困難，改變mod因子導(dǎo)致數(shù)據(jù)在所有庫之間遷移

數(shù)據(jù)熱點新舊用戶購物頻率有差異，有數(shù)據(jù)熱點問題新舊用戶均勻到分布到各個庫，無熱點

實踐中，為了處理簡單，選擇mod分庫的比較多。同時二次分庫時，為了數(shù)據(jù)遷移方便，一般是按倍數(shù)增加，比如初始4個庫，二次分裂為8個，再16個。這樣對于某個庫的數(shù)據(jù)，一半數(shù)據(jù)移到新庫，剩余不動，對比每次只增加一個庫，所有數(shù)據(jù)都要大規(guī)模變動。

補(bǔ)充下，mod分庫一般每個庫記錄數(shù)比較均勻，但也有些數(shù)據(jù)庫，存在超級Id，這些Id的記錄遠(yuǎn)遠(yuǎn)超過其他Id，比如在廣告場景下，某個大廣告主的廣告數(shù)可能占總體很大比例。如果按照廣告主Id取模分庫，某些庫的記錄數(shù)會特別多，對于這些超級Id，需要提供單獨庫來存儲記錄。

9、分庫數(shù)量

分庫數(shù)量首先和單庫能處理的記錄數(shù)有關(guān)，一般來說，Mysql 單庫超過5000萬條記錄，Oracle單庫超過1億條記錄，DB壓力就很大(當(dāng)然處理能力和字段數(shù)量/訪問模式/記錄長度有進(jìn)一步關(guān)系)。

在滿足上述前提下，如果分庫數(shù)量少，達(dá)不到分散存儲和減輕DB性能壓力的目的；如果分庫的數(shù)量多，好處是每個庫記錄少，單庫訪問性能好，但對于跨多個庫的訪問，應(yīng)用程序需要訪問多個庫，如果是并發(fā)模式，要消耗寶貴的線程資源；如果是串行模式，執(zhí)行時間會急劇增加。

最后分庫數(shù)量還直接影響硬件的投入，一般每個分庫跑在單獨物理機(jī)上，多一個庫意味多一臺設(shè)備。所以具體分多少個庫，要綜合評估，一般初次分庫建議分4-8個庫。

10、路由透明

分庫從某種意義上來說，意味著DB schema改變了，必然影響應(yīng)用，但這種改變和業(yè)務(wù)無關(guān)，所以要盡量保證分庫對應(yīng)用代碼透明，分庫邏輯盡量在數(shù)據(jù)訪問層處理。當(dāng)然完全做到這一點很困難，具體哪些應(yīng)該由DAL負(fù)責(zé)，哪些由應(yīng)用負(fù)責(zé)，這里有一些建議：

對于單庫訪問，比如查詢條件指定用戶Id，則該SQL只需訪問特定庫。此時應(yīng)該由DAL層自動路由到特定庫，當(dāng)庫二次分裂時，也只要修改mod 因子，應(yīng)用代碼不受影響。

對于簡單的多庫查詢，DAL負(fù)責(zé)匯總各個數(shù)據(jù)庫返回的記錄，此時仍對上層應(yīng)用透明。

11、使用框架還是自主研發(fā)

目前市面上的分庫分表中間件相對較多，其中基于代理方式的有MySQL Proxy和Amoeba，基于Hibernate框架的是Hibernate Shards，基于jdbc的有當(dāng)當(dāng)sharding-jdbc，基于mybatis的類似maven插件式的有蘑菇街的蘑菇街TSharding，通過重寫spring的ibatis template類是Cobar Client，這些框架各有各的優(yōu)勢與短板，架構(gòu)師可以在深入調(diào)研之后結(jié)合項目的實際情況進(jìn)行選擇，但是總的來說，我個人對于框架的選擇是持謹(jǐn)慎態(tài)度的。一方面多數(shù)框架缺乏成功案例的驗證，其成熟性與穩(wěn)定性值得懷疑。另一方面，一些從成功商業(yè)產(chǎn)品開源出框架（如阿里和淘寶的一些開源項目）是否適合你的項目是需要架構(gòu)師深入調(diào)研分析的。當(dāng)然，最終的選擇一定是基于項目特點、團(tuán)隊狀況、技術(shù)門檻和學(xué)習(xí)成本等綜合因素考量確定的。