本篇将以“订单中心”为例，介绍“多key”类业务，随着数据量的逐步增大，数据库性能显著降低，数据库水平切分相关的架构实践。

什么是“多key”类业务

所谓的“多key”，是指一条元数据中，有多个属性上存在前台在线查询需求。

订单中心业务分析

订单中心是一个非常常见的“多key”业务，主要提供订单的查询与修改的服务，其核心元数据为：

Order(oid, buyer_uid, seller_uid, time, money, detail…);

其中：

oid为订单ID，主键

buyer_uid为买家uid

seller_uid为卖家uid

time, money, detail, …等为订单属性

数据库设计上，一般来说在业务初期，单库单表就能够搞定这个需求，典型的架构设计为：

order-center：订单中心服务，对调用者提供友好的RPC接口。
order-db：对订单进行数据存储。

随着订单量的越来越大，数据库需要进行水平切分，由于存在多个key上的查询需求，用哪个字段进行切分，成了需要解决的关键技术问题：

如果用 oid 来切分，buyer_uid 和seller_uid 上的查询则需要遍历多库。

如果用buyer_uid 或seller_uid 来切分，其他属性上的查询则需要遍历多库。

总之，很难有一个完全之策，在展开技术方案之前，先一起梳理梳理查询需求。

订单中心数据查询需求分析

还是那句话，任何脱离业务的架构设计都是耍流氓，在进行架构讨论之前，首先要对业务进行简要分析，看看表结构上有哪些查询需求。

根据业务经验，订单中心往往有以下几类业务需求：

（1）用户侧，前台访问，最典型的有三类需求

订单实体查询：通过oid查询订单实体，90%都是这种需求。

用户订单列表查询：通过buyer_id分页查询用户历史订单列表，9%流量属于这种需求。

商家订单列表查询：通过seller_uid分页查询商家历史订单列表，1%流量属于这类需求。

前台访问的特点是：吞吐量大，服务要求高可用，对一致性要求较高。其中商家对一致性要求较低，可以接受一定程度的延迟。

（2）运营侧，后台访问。

根据产品、运营需求，访问模式各异：

按照时间，架构，商品和详情来进行查询

后台访问的特点：运营侧的查询基本上是批量的分页查询，访问量低，对可用性一致性的要求不高，允许秒甚至十秒级别的查询延迟。

订单中心数据查询需求解决方案-运营侧

后台运营侧的查询需求各异，基本是批量的分页查询，计算量和返回数据量较大，比较消耗数据库性能。

如果前台业务和后台业务公用一批服务和一个数据库，有可能导致，由于后台的“少数几个请求”的“批量查询”的“低效”访问，导致数据库的cpu偶尔瞬时100%，影响前台正常用户的访问（例如，订单查询超时）。

前台与后台访问的查询需求不同，对系统的要求也不一样，故应该两者解耦，实施“前台与后台分离”的架构设计。

前台：业务架构不变，站点访问，服务分层，数据库水平切分。

后台：业务需求则抽取独立的 web/service/db 来支持，解除系统之间的耦合，对于“业务复杂”、“并发量低”、“无需高可用”“能接受一定延时”的后台业务：

可以去掉 service 层，在运营后台 web 层通过 dao 直接访问数据层。

可以不需要反向代理，不需要集群冗余。

可以通过 MQ 或者线下异步同步数据，牺牲一些数据的实时性。

可以使用更契合大量数据允许接受更高延时的“索引外置”或者“HIVE”的设计方案。

订单中心数据查询需求解决方案-用户侧

明确了订单中心的访问需求后，问题转化为，前台的oid，buyer_id，seller_id如何来进行数据库的水平切分呢？

多个维度的查询较为复杂，对于复杂系统设计，可以逐步简化。

需要同时满足以下条件：

1.根据buyer_uid%n，可以定位到数据库

2.根据oid%n，可以定位到数据库

3.根据seller_uid%n，可以定位到数据库

以上业务是一个

1：N（1个买家：N个订单）和
N:N（1个买家：N个卖家， 1个卖家：N个买家）的业务场景，
对于“多对多”的业务，水平切分应该使用“数据冗余法”。

假设没有seller_uid

订单中心，假设没有seller_uid 上的查询需求，而只有 oid 和buyer_uid 上的查询需求，就蜕化为一个“1对多”的业务场景，对于“1对多”的业务，水平切分应该使用“基因法”。

再次回顾一下，什么是分库基因？

通过buyer_uid 分库，假设分为16个库，采用buyer_uid %16的方式来进行数据库路由，

所谓的模16，其本质是buyer_uid 的最后4个bit决定这行数据落在哪个库上，这4个bit，就是分库基因。

也再次回顾一下，什么是基因法分库？

在订单数据 oid 生成时，oid 末端加入分库基因，让同一个buyer_uid 下的所有订单都含有相同基因，落在同一个分库上。

如上图所示，buyer_uid=666 的用户下了一个订单：

使用 buyer_uid%16 分库，决定这行数据要插入到哪个库中。

分库基因是 buyer_uid 的最后4个 bit，即1010。

在生成订单标识 oid 时，先使用一种分布式 ID 生成算法生成前 60bit（上图中绿色部分）。

将分库基因加入到 oid 的最后4个 bit（上图中粉色部分），拼装成最终64bit的订单 oid（上图中蓝色部分）。

通过这种方法保证，同一个用户下的所有订单oid，都落在同一个库上，oid的最后4个bit都相同，于是：

通过 buyer_uid%16 能够定位到库。

通过 oid%16 也能定位到库。

假设没有oid

订单中心，假设没有 oid 上的查询需求，而只有 buyer_uid 和 seller_uid 上的查询需求，就蜕化为一个“多对多”的业务场景，对于“多对多”的业务，水平切分应该使用“数据冗余法”。

如上图所示：

当有订单生成时，通过 buyer_uid 分库，oid 中融入分库基因，写入 DB-buyer 库。

通过线下异步的方式，通过 binlog+canal，将数据冗余到 DB-seller 库中。

buyer 库通过buyer_uid 分库，seller 库通过seller_uid 分库，前者满足 oid 和buyer_uid 的查询需求，后者满足seller_uid 的查询需求。

数据冗余的方法有很多种：

服务同步双写。

服务异步双写。

线下异步双写（上图所示，是线下异步双写）。

不管哪种方案，因为两步操作不能保证原子性，总有出现数据不一致的可能，高吞吐分布式事务是业内尚未解决的难题，此时的架构优化方向，并不是完全保证数据的一致，而是尽早的发现不一致，并修复不一致。

最终一致性，是高吞吐互联网业务一致性的常用实践。保证数据最终一致性的方案有三种：

冗余数据全量定时扫描。

冗余数据增量日志扫描。

冗余数据线上消息实时检测。

这些方案细节在“多对多”业务水平拆分的文章里详细展开分析过，便不再赘述。

oid/buyer_uid/seller_uid同时存在

通过上述分析：

如果没有seller_uid ，“多key”业务会蜕化为“1对多”业务，此时应该使用“基因法”分库：使用buyer_uid 分库，在oid中加入分库基因

如果没有oid，“多key”业务会蜕化为“多对多”业务，此时应该使用“数据冗余法”分库：使用buyer_uid 和seller_uid 来分别分库，冗余数据，满足不同属性上的查询需求

如果 oid/buyer_uid/seller_uid 同时存在，可以使用上述两种方案的综合方案，来解决“多key”业务的数据库水平切分难题。

订单中心数据库切分方法--数据冗余法

• 当有订单生成时，通过buyer_uid分库，oid中融入分库基因，写入DB-buyer库
• 通过线下异步的方式，通过binlog+canal，将数据冗余到DB-seller库中
• buyer库通过buyer_uid分库，seller库通过seller_uid分库，前者满足oid和buyer_uid的查询需求，后者满足seller_uid的查询需求

为什么要冗余数据？

互联网数据量很大的业务场景，往往数据库需要进行水平切分来降低单库数据量。

水平切分会有一个patitionkey，通过patition key的查询能够直接定位到库，但是非patitionkey上的查询可能就需要扫描多个库了。

此时常见的架构设计方案，是使用数据冗余这种反范式设计来满足分库后不同维度的查询需求。

例如：订单业务，对用户和商家都有订单查询需求：

Order(oid,info_detail);

T(buyer_uid,seller_uid,oid);

如果用buyer_uid来分库，seller_uid的查询就需要扫描多库。

如果用seller_uid来分库，buyer_uid的查询就需要扫描多库。

此时可以使用数据冗余来分别满足buyer_uid和seller_uid上的查询需求：

T1(buyer_uid,seller_uid,oid)

T2(seller_uid,buyer_uid,oid)

同一个数据，冗余两份，一份以buyer_uid来分库，满足买家的查询需求；一份以seller_uid来分库，满足卖家的查询需求。

订单中心数据库切分方法|如何实现数据冗余

1.服务同步双写

服务同步双写，即由服务层同步写冗余数据。

流程如图：

（1）业务应用代用服务层，写入数据

（2）服务层将数据写入DB1

（3）服务层将数据写入DB2

（4）服务层返回新增数据成功给业务应用

优点：

简单，服务层由单写，改为两次写人

数据一致性较高，双写成功后才返回

缺点：

因为由单写变为了两次写入，请求时间增长

数据仍有可能不一致（数据写入DB1后，服务宕机或重启，则数据无法写人DB2）

2.线下异步双写

为了屏蔽“复杂性”，数据双写由线下服务或者任务来完成，不再由服务层完成。

流程如图：

（1）业务应用代用服务层，写入数据

（2）服务层将数据写入DB1

（3）服务层返回新增数据成功给业务应用

（4）数据会被写入到数据库的log中

（5）线下服务或者任务读取数据库log

（6）线下服务或者任务插入T2数据

优点：

数据双写与业务完全解耦

请求处理时间短

缺点：

返回业务新增成功时，会存在一个数据不一致的时间窗口，但能保证最终一致性

数据一致性依赖于线下服务或者任务的可凹陷

原文：https://blog.csdn.net/sunhuiliang85/article/details/78418546

参考：https://blog.csdn.net/qq_18145031/article/details/77867853

分库分表：订单中心，多key业务如何进行数据库切分相关推荐

Java互联网架构-Mysql分库分表订单生成系统实战分析
分库分表的必要性首先我们来了解一下为什么要做分库分表.在我们的业务(web应用)中,关系型数据库本身比较容易成为系统性能瓶颈,单机存储容量.连接数.处理能力等都很有限,数据库本身的"有状态 ...
如何彻底解决烦人的 MySQL 分库分表问题？写一个更好的数据库！
作者 | 黄东旭责编 | 郭芮我还清楚记得,五年前的这个时候,当时还在豌豆荚,午后与刘奇和崔秋的闲聊关于未来数据库的想象,就像一粒种子一样,到了今天看起来也竟枝繁叶茂郁郁葱葱,有点感慨.按照 ...
mysql分库分表中间件6_当当开源sharding-jdbc，轻量级数据库分库分表中间件
近期,当当开源了数据库分库分表中间件sharding-jdbc. Sharding-JDBC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 ...
当当网mysql分库分表策略_当当开源sharding-jdbc，轻量级数据库分库分表中间件
近期,当当开源了数据库分库分表中间件sharding-jdbc. Sharding-JDBC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 ...
数据库改造：怎样用MySQL对10亿级订单量进行分库分表？
一.背景随着公司业务增长,如果每天1000多万笔订单的话,3个月将有约10亿的订单量,之前数据库采用单库单表的形式已经不满足于业务需求,数据库改造迫在眉睫. 二.订单数据如何划分我们可以将订单数据 ...
10亿级订单系统分库分表设计思路
一.背景随着公司业务增长,如果每天1000多万笔订单的话,3个月将有约10亿的订单量,之前数据库采用单库单表的形式已经不满足于业务需求,数据库改造迫在眉睫. 二.订单数据如何划分我们可以将订单数据 ...
商城订单模块实战 - 数据库设计、ABA问题处理、读写分离分库分表
引言订单系统可以说是整个电商系统中最重要的一个子系统,因此订单数据可以算作电商企业最重要的数据资产.这篇文章我们来看看在我们的商城系统中订单服务是如何实现的,特别是在设计和实现一个订单系统的过程中有 ...
数据库分库分表，何时分？怎样分？
点击上方"方志朋",选择"置顶或者星标" 你的关注意义重大! 一. 数据切分关系型数据库本身比较容易成为系统瓶颈,单机存储容量.连接数.处理能力都有限.当单表 ...
史上更全面的数据库分库分表、数据一致性、主键分配思路！
作者:butterfly100 cnblogs.com/butterfly100/p/9034281.html 一. 数据切分关系型数据库本身比较容易成为系统瓶颈,单机存储容量.连接数.处理能力都有 ...

分库分表：订单中心，多key业务如何进行数据库切分