snowflake mysql_snowflake数据库
一、数据库瓶颈
不管是IO瓶颈,还是CPU瓶颈,最终都会导致数据库的活跃连接数增加,进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务Service来看就是,可用数据库连接少甚至无连接可用。接下来就可以想象了吧(并发量、吞吐量、崩溃)。
1、IO瓶颈 第一种:磁盘读IO瓶颈,热点数据太多,数据库缓存放不下,每次查询时会产生大量的IO,降低查询速度 -> 分库和垂直分表。
第二种:网络IO瓶颈,请求的数据太多,网络带宽不够 -> 分库。
2、CPU瓶颈 第一种:SQL问题,如SQL中包含join,group by,order by,非索引字段条件查询等,增加CPU运算的操作 -> SQL优化,建立合适的索引,在业务Service层进行业务计算。
第二种:单表数据量太大,查询时扫描的行太多,SQL效率低,CPU率先出现瓶颈 -> 水平分表。
二、分库分表 1、水平分库
概念:以字段为依据,按照一定策略(hash、range等),将一个库中的数据拆分到多个库中。
结果:
每个库的结构都一样;
每个库的数据都不一样,没有交集;
所有库的并集是全量数据;
场景:系统绝对并发量上来了,分表难以根本上解决问题,并且还没有明显的业务归属来垂直分库。
分析:库多了,io和cpu的压力自然可以成倍缓解。
2、水平分表
概念:以字段为依据,按照一定策略(hash、range等),将一个表中的数据拆分到多个表中。
结果:
每个表的结构都一样;
每个表的数据都不一样,没有交集;
所有表的并集是全量数据;
场景:系统绝对并发量并没有上来,只是单表的数据量太多,影响了SQL效率,加重了CPU负担,以至于成为瓶颈。推荐:一次SQL查询优化原理分析
分析:表的数据量少了,单次SQL执行效率高,自然减轻了CPU的负担。
3、垂直分库
概念:以表为依据,按照业务归属不同,将不同的表拆分到不同的库中。
结果:
每个库的结构都不一样;
每个库的数据也不一样,没有交集;
所有库的并集是全量数据;
场景:系统绝对并发量上来了,并且可以抽象出单独的业务模块。
分析:到这一步,基本上就可以服务化了。例如,随着业务的发展一些公用的配置表、字典表等越来越多,这时可以将这些表拆到单独的库中,甚至可以服务化。再有,随着业务的发展孵化出了一套业务模式,这时可以将相关的表拆到单独的库中,甚至可以服务化。
4、垂直分表
概念:以字段为依据,按照字段的活跃性,将表中字段拆到不同的表(主表和扩展表)中。
结果:
每个表的结构都不一样;
每个表的数据也不一样,一般来说,每个表的字段至少有一列交集,一般是主键,用于关联数据;
所有表的并集是全量数据;
场景:系统绝对并发量并没有上来,表的记录并不多,但是字段多,并且热点数据和非热点数据在一起,单行数据所需的存储空间较大。以至于数据库缓存的数据行减少,查询时会去读磁盘数据产生大量的随机读IO,产生IO瓶颈。
分析:可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据(可能会冗余经常一起查询的数据)放在一起作为主表,非热点数据放在一起作为扩展表。这样更多的热点数据就能被缓存下来,进而减少了随机读IO。拆了之后,要想获得全部数据就需要关联两个表来取数据。
但记住,千万别用join,因为join不仅会增加CPU负担并且会讲两个表耦合在一起(必须在一个数据库实例上)。关联数据,应该在业务Service层做文章,分别获取主表和扩展表数据然后用关联字段关联得到全部数据。
三、分库分表工具 sharding-sphere:jar,前身是sharding-jdbc;
TDDL:jar,Taobao Distribute Data Layer;
Mycat:中间件。
注:工具的利弊,请自行调研,官网和社区优先。
四、分库分表步骤 根据容量(当前容量和增长量)评估分库或分表个数 -> 选key(均匀)-> 分表规则(hash或range等)-> 执行(一般双写)-> 扩容问题(尽量减少数据的移动)。
扩展:MySQL:分库分表与分区的区别和思考
五、分库分表问题 1、非partition key的查询问题 基于水平分库分表,拆分策略为常用的hash法。
端上除了partition key只有一个非partition key作为条件查询
映射法
基因法
注:写入时,基因法生成user_id,如图。关于xbit基因,例如要分8张表,23=8,故x取3,即3bit基因。根据user_id查询时可直接取模路由到对应的分库或分表。
根据user_name查询时,先通过user_name_code生成函数生成user_name_code再对其取模路由到对应的分库或分表。id生成常用snowflake算法。
端上除了partition key不止一个非partition key作为条件查询
映射法
冗余法
注:按照order_id或buyer_id查询时路由到db_o_buyer库中,按照seller_id查询时路由到db_o_seller库中。感觉有点本末倒置!有其他好的办法吗?改变技术栈呢?
后台除了partition key还有各种非partition key组合条件查询
NoSQL法
冗余法
2、非partition key跨库跨表分页查询问题 基于水平分库分表,拆分策略为常用的hash法。
注:用NoSQL法解决(ES等)。
3、扩容问题 基于水平分库分表,拆分策略为常用的hash法。
水平扩容库(升级从库法)
注:扩容是成倍的。
水平扩容表(双写迁移法)
第一步:(同步双写)修改应用配置和代码,加上双写,部署;
第二步:(同步双写)将老库中的老数据复制到新库中;
第三步:(同步双写)以老库为准校对新库中的老数据;
第四步:(同步双写)修改应用配置和代码,去掉双写,部署;
注:双写是通用方案。
六、分库分表总结 分库分表,首先得知道瓶颈在哪里,然后才能合理地拆分(分库还是分表?水平还是垂直?分几个?)。且不可为了分库分表而拆分。
选key很重要,既要考虑到拆分均匀,也要考虑到非partition key的查询。
只要能满足需求,拆分规则越简单越好。
七、分库分表示例 示例GitHub地址:https://github.com/littlecharacter4s/study-sharding
来源:cnblogs.com/littlecharacter/p/9342129.html
俩元
snowflake mysql_snowflake数据库相关推荐
- snowflake mysql_SnowFlake 生成全局唯一id
public classSnowFlakeUtil {private longworkerId;private longdatacenterId;private long sequence = 0L; ...
- Bytebase数据库 Schema 变更管理工具
Bytebase 是一个开源数据库 DevOps 工具,它相当于在整个应用程序开发生命周期中管理数据库的 GitLab,它为 DBA 和开发人员提供了一个基于 Web 的工作空间,以安全有效地协作和管 ...
- 使用sharding-jdbc实现水平分库+水平分表
前面的文章使用sharding-jdbc实现水平分表中详细记录了如何使用sharding-jdbc实现水平分表,即根据相应的策略,将一部分数据存入到表1中,一部分数据存入到表2中,逻辑上为同一张表,分 ...
- Redis缓存详解(黑马-未完结)
文章目录 1.场景引入 2.NoSQL数据库 2.1NoSQL简介 2.2NoSQL的适用场景 2.3NoSQL不适用的场景 2.4NoSQL数据库的意义 3.SQL与NoSQL的区别 4.Redis ...
- 1024程序员节,一份精华合辑送给你
点击蓝色"有关SQL"关注我哟 加个"星标",天天与10000人一起快乐成长 写在前面 今天,10月24日. 对于程序员来说,这天意义非凡.我的公众号,提供了一 ...
- Redis(八) - Redis企业实战之优惠券秒杀
文章目录 一.全局唯一ID 1. 全局ID生成器 2. 全局唯一ID生成策略 3. Redis自增ID策略 二.实现优惠券秒杀下单 1. 添加优惠券 2. 编写添加秒杀券的接口 三.实现秒杀下单 四. ...
- SpringBoot整合Redis实现优惠券秒杀服务(笔记+优化思路版)
本文属于看黑马的redis的学习笔记,记录了思路和优化流程,精简版最终版请点击这里查看. 文章目录 一.全局ID生成器 1.1 理论 1.1.1 全局唯一ID生成策略 1.2 代码(Redis自增) ...
- LLVM 之父 Chris Lattner:模块化设计决定 AI 前途,不服来辩
作者 | OneFlow社区 来源 | OneFlow 缺乏模块化的单体系统就像浑然一体的金字塔,失去了演化空间,抑制了创新速度.当前,AI领域正面临系统和工具链的互不兼容和碎片化,对这种混杂局面,编 ...
- 带你了解「美团、百度和滴滴」的分布式 ID 生成系统
文章目录 美团 背景 常见方法介绍 UUID 类snowflake方案 数据库生成 Leaf 方案实现 Leaf-segment 数据库方案 双 buffer 优化 Leaf 高可用容灾 Leaf-s ...
最新文章
- MySQL基础之增删改查
- 【Linux】28_网站服务动态站点
- boost::hana::while_用法的测试程序
- jquery的$.extend和$.fn.extend作用及区别(—)
- MyCat分布式数据库集群架构工作笔记0024---高可用_单表存储千万级_海量存储_分表扩展_按照日期分片
- 中国内鼻扩张器市场趋势报告、技术动态创新及市场预测
- 配置文件中有“路径信息”时,需呀注意的问题(路径中的\是转义字符)~
- jquery 分片上传php,jquery 大文件分片上传插件 fcup.js
- PyTorch源码解读之torch.utils.data.DataLoader
- MATLAB GUI 设全局变量的位置
- m2增长率曲线_中国m2历年数据曲线图_中国m2历年数据
- 一年级课程表(3月14日-3月18日)
- Kali历史版本下载地址
- 决策树及输出结果解释
- 一键代理浏览器_支持IPv6的防关联指纹浏览器 VMLogin 支持模拟电脑名称、支持修改MAC地址、支持模拟真人输入、支持自定义经纬度...
- nginx 域名重定向跳转至另一个域名
- Python之列表推导式
- 【C++实现】编译原理 免考小队 消除一切左递归
- 德玛西亚服务器显示排队,告别一区高峰期排队10万? 马服艾欧尼亚迎来服务器扩容...
- C语言 格式输入输出与字符输入输出
热门文章
- python中使用指定GPU
- LLVM数据流分析的理论
- SLAM的通用框架:GSLAM
- View的Touch事件分发(二.源码分析)
- 客快物流大数据项目(四十九):开发环境初始化
- HTTP/HTTPS的请求和响应
- Django 验证码4.4
- java.lang.UnsupportedOperationException: Required method destroyItem was not overridden
- getIntExtra() 获取传递过来的int 值总是默认值
- 如何在Fragment中使用findViewById