数据库很容易成为应用系统的瓶颈。单机数据库的资源和处理能力有限，在高并发的分布式系统中，可采用分库分表突破单机局限。本文总结了分库分表的相关概念、全局ID的生成策略、分片策略、平滑扩容方案、以及流行的方案。

1 分库分表概述

在业务量不大时，单库单表即可支撑。
当数据量过大存储不下、或者并发量过大负荷不起时，就要考虑分库分表。

1.1 分库分表相关术语

• 读写分离: 不同的数据库，同步相同的数据，分别只负责数据的读和写；

• 分区: 指定分区列表达式，把记录拆分到不同的区域中(必须是同一服务器，可以是不同硬盘)，应用看来还是同一张表，没有变化；

• 分库：一个系统的多张数据表，存储到多个数据库实例中；

• 分表: 对于一张多行(记录)多列(字段)的二维数据表，又分两种情形：
  (1) 垂直分表: 竖向切分，不同分表存储不同的字段，可以把不常用或者大容量、或者不同业务的字段拆分出去；
  (2) 水平分表(最复杂): 横向切分，按照特定分片算法，不同分表存储不同的记录。

1.2 真的要采用分库分表？

需要注意的是，分库分表会为数据库维护和业务逻辑带来一系列复杂性和性能损耗，除非预估的业务量大到万不得已，切莫过度设计、过早优化。
规划期内的数据量和性能问题，尝试能否用下列方式解决：

• 当前数据量：如果没有达到几百万，通常无需分库分表；

• 数据量问题：增加磁盘、增加分库(不同的业务功能表，整表拆分至不同的数据库)；

• 性能问题：升级CPU/内存、读写分离、优化数据库系统配置、优化数据表/索引、优化 SQL、分区、数据表的垂直切分；

• 如果仍未能奏效，才考虑最复杂的方案：数据表的水平切分。

2 全局ID生成策略

2.1 自动增长列

优点：数据库自带功能，有序，性能佳。
缺点：单库单表无妨，分库分表时如果没有规划，ID可能重复。解决方案：

2.1.1 设置自增偏移和步长

1.   ### 假设总共有 10 个分表
2.   ### 级别可选: SESSION(会话级), GLOBAL(全局)
3.   SET @@SESSION.auto_increment_offset = 1; ### 起始值, 分别取值为 1~10
4.   SET @@SESSION.auto_increment_increment = 10; ### 步长增量

如果采用该方案，在扩容时需要迁移已有数据至新的所属分片。

2.1.2 全局ID映射表

在全局 Redis 中为每张数据表创建一个 ID 的键，记录该表当前最大 ID；
每次申请 ID 时，都自增 1 并返回给应用；
Redis 要定期持久至全局数据库。

2.2 UUID(128位)

在一台机器上生成的数字，它保证对在同一时空中的所有机器都是唯一的。通常平台会提供生成UUID的API。
UUID 由4个连字号(-)将32个字节长的字符串分隔后生成的字符串，总共36个字节长。形如：550e8400-e29b-41d4-a716-446655440000。
UUID 的计算因子包括：以太网卡地址、纳秒级时间、芯片ID码和许多可能的数字。
UUID 是个标准，其实现有几种，最常用的是微软的 GUID(Globals Unique Identifiers)。

优点：简单，全球唯一；
缺点：存储和传输空间大，无序，性能欠佳。

2.3 COMB(组合)

参考资料：The Cost of GUIDs as Primary Keys
组合 GUID(10字节) 和时间(6字节)，达到有序的效果，提高索引性能。

2.4 Snowflake(雪花) 算法

参考资料：twitter/snowflake，Snowflake 算法详解
Snowflake 是 Twitter 开源的分布式 ID 生成算法，其结果为 long(64bit) 的数值。
其特性是各节点无需协调、按时间大致有序、且整个集群各节点单不重复。
该数值的默认组成如下(符号位之外的三部分允许个性化调整)：

• 1bit: 符号位，总是 0(为了保证数值是正数)。

• 41bit: 毫秒数(可用 69 年)；

• 10bit: 节点ID(5bit数据中心 + 5bit节点ID，支持 32 * 32 = 1024 个节点)

• 12bit: 流水号(每个节点每毫秒内支持 4096 个 ID，相当于 409万的 QPS，相同时间内如 ID 遇翻转，则等待至下一毫秒)

3 分片策略

3.1 连续分片

根据特定字段(比如用户ID、订单时间)的范围，值在该区间的，划分到特定节点。
优点：集群扩容后，指定新的范围落在新节点即可，无需进行数据迁移。
缺点：如果按时间划分，数据热点分布不均(历史数冷当前数据热)，导致节点负荷不均。

3.3 ID取模分片

缺点：扩容后需要迁移数据。

3.2 一致性Hash算法

优点：扩容后无需迁移数据。

3.4 Snowflake 分片

优点：扩容后无需迁移数据。

4 分库分表引入的问题

4.1 分布式事务

参见 分布式事务的解决方案
由于两阶段/三阶段提交对性能损耗大，可改用事务补偿机制。

4.2 跨节点 JOIN

对于单库 JOIN，MySQL 原生就支持；
对于多库，出于性能考虑，不建议使用 MySQL 自带的 JOIN，可以用以下方案避免跨节点 JOIN：

• 全局表: 一些稳定的共用数据表，在各个数据库中都保存一份；

• 字段冗余: 一些常用的共用字段，在各个数据表中都保存一份；

• 应用组装：应用获取数据后再组装。

另外，某个 ID 的用户信息在哪个节点，他的关联数据(比如订单)也在哪个节点，可以避免分布式查询。

4.3 跨节点聚合

只能在应用程序端完成。
但对于分页查询，每次大量聚合后再分页，性能欠佳。

4.4 节点扩容

节点扩容后，新的分片规则导致数据所属分片有变，因而需要迁移数据。

5 节点扩容方案

相关资料: 数据库秒级平滑扩容架构方案

5.1 常规方案

如果增加的节点数和扩容操作没有规划，那么绝大部分数据所属的分片都有变化，需要在分片间迁移：

• 预估迁移耗时，发布停服公告；

• 停服(用户无法使用服务)，使用事先准备的迁移脚本，进行数据迁移；

• 修改为新的分片规则；

• 启动服务器。

5.2 免迁移扩容

采用双倍扩容策略，避免数据迁移。扩容前每个节点的数据，有一半要迁移至一个新增节点中，对应关系比较简单。
具体操作如下(假设已有 2 个节点 A/B，要双倍扩容至 A/A2/B/B2 这 4 个节点)：

• 无需停止应用服务器；

• 新增两个数据库 A2/B2 作为从库，设置主从同步关系为：A=>A2、B=>B2，直至主从数据同步完毕(早期数据可手工同步)；

• 调整分片规则并使之生效：
  原 ID%2=0 => A 改为 ID%4=0 => A, ID%4=2 => A2；
  原 ID%2=1 => B 改为 ID%4=1 => B, ID%4=3 => B2。

• 解除数据库实例的主从同步关系，并使之生效；

• 此时，四个节点的数据都已完整，只是有冗余(多存了和自己配对的节点的那部分数据)，择机清除即可(过后随时进行，不影响业务)。

6 分库分表方案

6.1 代理层方式

部署一台代理服务器伪装成 MySQL 服务器，代理服务器负责与真实 MySQL 节点的对接，应用程序只和代理服务器对接。对应用程序是透明的。
比如 MyCAT，官网，源码，参考文档：MyCAT+MySQL 读写分离部署
MyCAT 后端可以支持 MySQL, SQL Server, Oracle, DB2, PostgreSQL等主流数据库，也支持MongoDB这种新型NoSQL方式的存储，未来还会支持更多类型的存储。
MyCAT 不仅仅可以用作读写分离，以及分表分库、容灾管理，而且可以用于多租户应用开发、云平台基础设施，让你的架构具备很强的适应性和灵活性。

6.2 应用层方式

处于业务层和 JDBC 层中间，是以 JAR 包方式提供给应用调用，对代码有侵入性。主要方案有：
(1)淘宝网的 TDDL: 已于 2012 年关闭了维护通道，建议不要使用。
(2)当当网的 Sharding-JDBC: 仍在活跃维护中：
是当当应用框架 ddframe 中，从关系型数据库模块 dd-rdb 中分离出来的数据库水平分片框架，实现透明化数据库分库分表访问，实现了 Snowflake 分片算法；
Sharding-JDBC定位为轻量Java框架，使用客户端直连数据库，无需额外部署，无其他依赖，DBA也无需改变原有的运维方式。
Sharding-JDBC分片策略灵活，可支持等号、between、in等多维度分片，也可支持多分片键。
SQL解析功能完善，支持聚合、分组、排序、limit、or等查询，并支持Binding Table以及笛卡尔积表查询。

Sharding-JDBC直接封装JDBC API，可以理解为增强版的JDBC驱动，旧代码迁移成本几乎为零：

• 可适用于任何基于Java的ORM框架，如JPA、Hibernate、Mybatis、Spring JDBC Template或直接使用JDBC。

• 可基于任何第三方的数据库连接池，如DBCP、C3P0、 BoneCP、Druid等。

• 理论上可支持任意实现JDBC规范的数据库。虽然目前仅支持MySQL，但已有支持Oracle、SQLServer等数据库的计划。

数据库水平分库扩展

为了增加db的并发能力，常见的方案就是对数据进行sharding，也就是常说的分库分表，这个需要在初期对数据规划有一个预期，从而预先分配出足够的库来处理。

比如目前规划了3个数据库，基于uid进行取余分片，那么每个库上的划分规则如下：

我们可以看到，数据可以均衡的分配到3个数据库里面。

但是，如果后续业务发展的速度很快，用户量数据大量上升，当前容量不足以支撑，应该怎么办？

需要对数据库进行水平扩容，再增加新库来分解。新库加入之后，原先sharding到3个库的数据，就可以sharding到四个库里面了：

不过此时由于分片规则进行了变化（uid%3 变为 uid%4），大部分的数据，无法命中在原有的数据库上了，需要重新分配，大量数据需要迁移。

比如之前uid1通过uid1%3 分配在A库上，新加入库D之后，算法改为uid1%4 了，此时有可能就分配在B库上面了。如果你有看到之前《一致性哈希的原理与实践》，就会发现新增一个节点，大概会有90%的数据需要迁移，这个对DB同学的压力还是蛮大的，那么如何应对？

一般有以下几种方式：

停服迁移

停服迁移是最常见的一种方案了，一般如下流程：

• 预估停服时间，发布停服公告；

• 停服，通过事先做好的数据迁移工具，按照新的分片规则，进行迁移；

• 修改分片规则；

• 启动服务。

我们看到这种方式比较安全，停服之后没有数据写入，能够保证迁移工作的正常进行，没有一致性的问题。唯一的问题，就是停服了和时间压力了。

缺点：

• 停服，伤害用户体验，同时也降低了服务器的可用性；

• 必须在制定时间内完成迁移，如果失败，需要择日再次进行。同时增加了开发人员的压力，容易发生大的事故；

• 数据量的巨大的时候，迁移需要大量时间。

那有没有其他方式来改进一下，我们看下以下两种方案：

升级从库

线上数据库，我们为了保持其高可用，一般都会每台主库配一台从库，读写在主库，然后主从同步到从库。如下，A，B是主库，A0和B0是从库。

此时，当需要扩容的时候，我们把A0和B0升级为新的主库节点，如此由2个分库变为4个分库。同时在上层的分片配置，做好映射，规则如下：

uid%4=0和uid%4=2的分别指向A和A0，也就是之前指向uid%2=0的数据，分裂为uid%4=0和uid%4=2

uid%4=1和uid%4=3的指向B和B0，也就是之前指向uid%2=1的数据，分裂为uid%4=1和uid%4=3

因为A和A0库的数据相同，B和B0数据相同，所以此时无需做数据迁移。只需要变更一下分片配置即可，通过配置中心更新，无需重启。

由于之前uid%2的数据分配在2个库里面，此时分散到4个库中，由于老数据还存在（uid%4=0，还有一半uid%4=2的数据），所以需要对冗余数据做一次清理。

而这个清理，不会影响线上数据的一致性，可是随时随地进行。

处理完成以后，为保证高可用，以及下一步扩容需求。可以为现有的主库再次分配一个从库。

总结一下此方案步骤如下：

• 修改分片配置，做好新库和老库的映射。

• 同步配置，从库升级为主库

• 解除主从关系

• 冗余数据清理

• 为新的数据节点搭建新的从库

双写迁移

双写的方案，更多的是针对线上数据库迁移来用的，当然了，对于分库的扩展来说也是要迁移数据的，因此，也可以来协助分库扩容的问题。

原理和上述相同，做分裂扩容，只是数据的同步方式不同了。

一、增加新库写链接

双写的核心原理，就是对需要扩容的数据库上，增加新库，并对现有的分片上增加写链接，同时写两份数据。

因为新库的数据为空，所以数据的CRUD对其没有影响，在上层的逻辑层，还是以老库的数据为主。

二、新老库数据迁移

通过工具，把老库的数据迁移到新库里面，此时可以选择同步分裂后的数据（1/2）来同步，也可以全同步，一般建议全同步，最终做数据校检的时候好处理。

三、数据校检

按照理想环境情况下，数据迁移之后，因为是双写操作，所以两边的数据是一致的，特别是insert和update，一致性情况很高。但真实环境中会有网络延迟等情况，对于delete情况并不是很理想，比如：

A库删除数据a的时候，数据a正在迁移，还没有写入到C库中，此时C库的删除操作已经执行了，C库会多出一条数据。

此时就需要做好数据校检了，数据校检可以多做几遍，直到数据几乎一致，尽量以旧库的数据为准。

四、分片配置修改

数据同步完毕，就可以把新库的分片映射重新处理了，还是按照老库分裂的方式来进行：

uid%2=0，变为uid%4=0和uid%4=2

uid%2=1，变为uid%4=1和uid%4=3

五、冗余数据清理

最后，还是需要对冗余数据做一次清理。