海量数据存储--分库分表策略详解

左手的ㄟ右手 2024-02-18 21:44 45阅读 0赞

**一、背景：**  
系统刚开始的时候，数据库都是单库单表结构。随着业务量的增加进行第一次数据库升级，根据业务垂直拆分数据库，这样多变成多个业务数据库，每个数据库里面还是单表结构。接下来，继续随着业务量的继续增加，单表已经很难承受数据量，就要进行分表，这个时候就是，多个业务库，每个业务库下对需要分表的表进行分表。再接下来，随着应用的增加，数据库IO，磁盘等等都抗不住了，就要把分表的表分到多个库，这样就形成了如下的结构。

![640_wx_fmt_jpeg_wxfrom_5_wx_lazy_1][]

**重点：本文主要讨论的是分库分表的策略，也就是分库分表的规则或者说是算法。**  
  
**二、分库分表的依据--分库分表字段的选择**  
分库分表首先要确定根据哪个字段、或者哪几个字段进行路由，一般的原则**是按使用频率最高维度的字段去分库分表，尽量保证高使用维度下只查询单表**。  
常用的字段有主键ID，用户ID，时间，商户ID，产品ID，业务类型等等  
  
**三、分库分表策略**  
**主要原理：分区、取模、数据路由表**  
  
**1. 按照时间区间**  
1）基本原理：  
一定区间内时间产生的数据放到一张表里面，多个时间区间的表放到一个库里面  
  
2）简单例子：  
单库多表结构，按月分表可以这样，user\_201601,user\_201602,...,user\_201612这种结构。按年分表可以这样，user\_2016,user\_2017,...这种。  
  
3）多库多表算法：  
比如按天分表，每天一张表，当单库超过100张表的时候，进行分库到下一张表。那么假如第一张报表在库BD0，表名是user\_20160201。从DB0.user\_20160201，..到DB0.user\_20160511就100张表了，接下来就要进行分库了，进入20160512，就是DB1.user\_20160512，这个算法就是上线的时候定一个上线日期，具体算法如下  
  
**库ID = （当前日期 - 上线日期）/ 100  
表ID = user\_yyyyMMdd  
注：好处是可以直接根据时间经过简单计算定位到哪个库和哪个表**  
  
**还有一种算法：  
库ID = （当前日期 - 上线日期）/ 100  
表ID = (当前日期 - 上线日期) % 100  
表名如下： DB0.user\_0001, user\_0002,....,user\_01000。  
注：表名和库名都要经过计算，比较麻烦**  
  
4）按月分表，每个月一张表；这种情况，一般就不用分库了，一年12张表说明量也不会特别大，如果量特别大，或者是热点数据，可以一年分一个库，具体算法和上面差不多。  
  
5）按季度分表，基本不用分库。  
6）按年分表，肯定不用分库了，没有必要了。  
  
**2. 按照主键ID区间**  
对于自增的主键ID，可以按照ID区间进行分表，以1000万数据量为分界线，对线性的ID进行切割分表，每涨到1000万数据，分到下一张表，超过一定数目的表，进行分库。  
  
**库ID = 主键ID / 1000万 / 100  
表ID = 主键ID / 1000万 % 100  
如：DB0.user\_0000,...,DB0.user\_0099, DB1.user\_0000,...,DB1.user\_0099**  
  
**3. 按照指定字段hash后再取模**  
如果要取模的字段不是整数型，要先hash后，再通过取模算法，算出在哪个库和那个表。具体算法，参照下面的按用户ID取模。  
![T002R68x68M000004GArUe26PXvZ.jpg][] 历历万乡 陈粒 - 如也 ![icon_qqmusic_source393e3a.png][] **4. 按照用户ID取模**  
这里把按照用户ID取模单独拎出来，因为就使用而言，是使用场景最多的情况，很多时候都是用户相关数据量最大，需要分库分表，查询维度更多也是按照用户来查询，所以对用户取模，让同一个用户的数据落到一张表里面，再好不过了。  
  
案例：假设用户ID是整数型的。**库数量**要分4库，每个库**表数量**8表，一共32张表。  
  
**原理讲解：**  
一共要分4库，8表，共32张表，也就是1到32的用户ID要平均分配到每张表应该有一条数据，这样就有两种分法。  
1） 1到8是第一个库，9到16第二个库，17到24第三个库，25到32是第四个库，每个库里面表的编号都是0到3，**这个原则是一个库里面一个一个分，分完再下一个库一个一个分，保证不重复，不漏掉。**  
2）1,5,9这样每隔4个一个库，2开头隔4个一个库**，这个原则是一个库分一个，在分下一个库，一圈走完，再在第一库没分到的表继续分，也保证了不重复，不漏掉原则。**  
  
**库ID = userId % 库数量4  
表ID = userId / 库数量4 % 表数量8  
  
或者  
  
库ID = userId / 表数量4 % 库数量4  
表ID = userId % 表数量8**  
  
**算法图示如下：**  
![640_wx_fmt_png_wxfrom_5_wx_lazy_1][]  
  
  
**5. 数据路由表**  
如果分库分表的算法很复杂，可以通过路由表+程序算法，来存储和计算分库分表规则，不过一般不建议，分库分表搞得太复杂，不便于维护和查询问题  
  
**四、各个方案对比**  
**分区算法**  
优点：线性扩容，平滑扩容，不需要数据迁移  
缺点：存在热点数据，非时间维度查询多的情况，聚合复杂  
建议：冷数据，用户维度查询少，且数据量大的情况用分区算法  
  
**取模算法**  
优点：同一个热点的数据可以做到一个表里面，查询方便  
缺点：扩容不是很方便，需要数据迁移  
建议：用户维度查询多，热点维度查询多的情况，建议使用  
  
**注：**  
分库分表的核心是未来数据量的预估，根据预估和实际使用情况来确定分库分表方案，一般像订单类数据以用户维度取模分表最好，商品数据以商户取模最好，签到等活动流水数据时间分区最好。  
取模方案扩容的解决：一、可以提前按照预估方案创建库和表，前期放到一个DB，后期迁移，或者一次性弄好 二、可以按照预估的方案去确定分库和分表的后缀ID，但是前期只创建一部分库和表。例如：最终4库，每个库16个表。后缀应该是0000----0315共64个表的后缀，前期可以一个库，4个表，也就是所有数据都在这个四张表里面。  
0000--0003-----》0000表  
0100--0103-----》0000表  
0200--0203-----》0000表  
0300--0303-----》0000表  
  
0004--0007-----》0004表  
0104--0107-----》0004表  
0204--0207-----》0004表  
0304--0307-----》0004表  
  
0008--0011-----》0008表  
0108--0111-----》0008表  
0208--0211-----》0008表  
0308--0311-----》0008表  
  
0012--0015-----》0012表  
0112--0115-----》0012表  
0212--0215-----》0012表  
0312--0315-----》0012表  
  
后续可以二分法，迁移数据，扩容。

[640_wx_fmt_jpeg_wxfrom_5_wx_lazy_1]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/077b6d352a7c45a6abe45ea8eb049b44.png
[T002R68x68M000004GArUe26PXvZ.jpg]: https://y.gtimg.cn/music/photo_new/T002R68x68M000004GArUe26PXvZ.jpg
[icon_qqmusic_source393e3a.png]: https://res.wx.qq.com/mmbizwap/zh_CN/htmledition/images/icon/appmsg/qqmusic/icon_qqmusic_source393e3a.png
[640_wx_fmt_png_wxfrom_5_wx_lazy_1]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/2d22acfa61c447059512a4d88ba460a6.png