海量数据存储--分库分表策略详解

海量数据存储--分库分表策略详解

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。



    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。

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：



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。


欢迎大家关注我的公众号：