来源

来自对大佬们文章的总结，参考的文章都列在最后啦

1 数据库拆分

垂直拆分 -> 读写分离 -> 分库分表(水平拆分)

1.1 垂直拆分

• 多张表的数据库 -> 多个小的数据库
• 大表 -> 小表（实际开发比较少用）
• 服务化(SOA Service-Oriented Architecture)改造

1.2 读写分离

• 一个 Master 节点(主库)对应多个 Salve 节点(从库)
  补充知识点：集群、mysql主从切换、主从复制、binlog

1.2.1 优点

• 减轻单个库访问压力

1.2.1 挑战

• DBA（Database Administrator）：
  多了很多集群运维工作
• 开发人员：
  1. 基本读写分离功能：读请求 写请求
  2. 主从数据同步延迟问题：强一致性场景，写/读都走主库
  3. 事务问题：跨多个库事务，写/读都走主库
  4. 感知集群信息变更：主从切换、增加新节点

1.3 分库分表

垂直分库 + Master/Salve 模式 -> 高并发访问操作；但是业务表中的数据还是会很大 -> 维护和性能

• 只分表
• 只分库
• 分库分表

1.3.1 优点

• 存储能力的水平扩展：多个mysql主从复制集群
• 写能力的水平扩展：每个分片都有一个master写入、索引开销等

1.3.2 挑战

希望像操作单库单表一样操作分库分表

• 基本的数据库增删改功能
  希望像操作单库单表一样操作分库分表

  1. sql解析
  2. sql路由：库路由和表路由
  3. sql改写
  4. sql执行：并发带不同的库
  5. 结果集合并

• 分布式id
  单库的自增主键id会冲突，需要一个全局的id生成器

• 分布式事务

  1. XA事务
  2. 柔性事务

• 动态扩容
  增加分库分表的数量

2 主流数据库中间件设计方案

单库单表，通过连接池与数据库建立连接，进行读写操作
读写分离和分库分表，应用都要操作多个数据库实例，需要使用数据库中间件

2.1 设计方案

典型：proxy、smart-client

2.1.1 proxy模式

2.1.1.1 优点

• 多语言支持：以mysql为例，如果proxy本身实现了mysql的通信协议，可以就将其看成一个mysql服务器
• 对业务开发同学透明：可以把proxy当成mysql服务器

2.1.1.2 缺点

• 实现复杂：需要实现被代理的数据库server端的通信协议，也许只能代理某一种数据库，如mysql
• proxy本身需要保证高可用：不能挂
• 租户隔离：多个应用都访问proxy代理的底层数据库时
  补充知识点：怎么隔离

2.1.2 smart-client模式

通常smart-client是在连接池或者driver的基础上进行了一层封装，smart-client内部与不同的库建立连接，sql交给smart-client

• 读写分离 -> 选择走从库还是主库
• 分库分表 -> 进行sql解析、sql改写等操作，然后路由到不同的分库，将结果合并，返回给应用

2.1.2.1 优点

• 实现简单：proxy需要实现数据库的服务端协议，而smart-client不需要实现客户端通信协议，有厂商提供的Driver
• 天然去中心化：以sdk方式，被应用引用，部署到不同节点，且直连数据库；相对proxy高可用

2.1.2.2 缺点

• 通常仅支持某一种语言：例如tddl需使用java语言开发
• 版本升级困难：多个应用都依赖某版本jar包，有bug都要升级；而proxy只要升级代理服务器

2.2 业界产品

各有优缺点

proxy实现

目前的实现方案有：

• 阿里巴巴开源的cobar
• 阿里云上的drds
• mycat团队在cobar基础上开发的mycat
• mysql官方提供的mysql-proxy
• 奇虎360在mysql-proxy基础开发的atlas
• 当当网开源的sharing-sphere
• 等等

smart-client实现

目前的实现方案有：

• 阿里巴巴开源的tddl
• 大众点评开源的zebra
• 当当网开源的sharding-jdbc
• 蚂蚁金服的zal
• 等等

3 读写分离核心要点

3.1 基本路由功能

3.1.1 sql类型判断

• write语句
• query语句

3.1.2 强制走主库

具体实现上有2种方案：hint 或API

• hint：比如/*master*/select * from table_xx
• Api：数据库中间件决定

3.2 从库路由策略

一些简单的选择策略包括：

• 随机选择(random)
• 按照权重进行选择(weight)
• 或者轮循(round-robin)
• 等等
• 就近路由：跨IDC(Internet Data Center)部署的数据库集群

3.3 HA、Scalable相关

• HA(High Available)：主库宕机，需要重新选主
• Scalable：读qps太高，增加从库，分担流量

3.3.1 配置中心

事实上：主从变更，增加从库 -> 配置信息变更 -> 监听配置中心
配置中心的选择：

• 阿里的diamond
• 百度的disconf
• 点评开源的lion
• 携程开源的apollo
• 等等

3.3.1.1 问题

• 延迟：监控服务监控到集群信息变更 -> 配置中心 -> 数据库中间件，必然存在一些延迟
  1. 主从切换
  2. 从库切换，可以自动重试
  3. 大量的配置信息需要推送

3.3.2 轻量级的HA保障

• 主动隔离，异步检测

3.3.3 限流和降级

• 烂sql拦截

4 分库分表

核心要点：希望像操作单个数据库实例那样编写sql，数据库中间件帮忙屏蔽所有底层的复杂逻辑
示例场景：批量插入

4.1 SQL解析

目前较为流行的sql解析器包括：

• FoundationDB SQL Parser
• Jsqlparser
• Druid SQL Parser：解析性能最好，支持数据库方言最多

4.2 SQL路由

分库分表的字段称为路由字段，或者分区字段。
注意点：SQL中应该包含这个路由字段- INSERT- SELECT- UPDATE、DELETE。
路由规则有：

• 库规则：用于确定到哪一个分库
• 表规则：用于确定到哪一个分表

4.3 SQL改写

很复杂，支持简单的OLTP场景，迈向OLAP
补充知识点：OLTP(On-Line Transaction Processing，联机事务处理)，OLAP(On-Line Analytical Processing，联机分析处理)，HTAP

4.4 SQL执行

拆出来的多个SQL，并发执行

4.5 结果集合并

权衡实现复杂度、执行效率，case by case分析

• 对于查询条件：
  分区字段 =、IN
  普通字段 NOT IN、BETWEEN…AND、LIKE、NOT LIKE等

• 聚合函数：
  大部分支持MAX、MIN、COUNT、SUM
  部分支持AVG
  部分支持函数嵌套、GROUP BY

• 子查询：
  支持非常有限
  分为FROM部分的子查询和WHERE部分的子查询
  语法上兼容，但是无法识别子查询中的分区字段，或者要求子查询的表名必须与外部查询表名相同，又或者只能支持一级嵌套子查询

• JOIN：
  很复杂
  不可能把两个表的所有分表，全部拿到内存中来进行JOIN
  取巧的办法，一个是Binding Table，另外一个是小表广播

• 分页排序：
  分页的效率较低
  ORDER BY和LIMIT

• 关于JOIN的特属说明：

  1. Binding Table：
     强关联的表的路由规则设置为完全一样，在同一个分库中join

  2. 小表广播：
     每个分库内都实时同步一份完整的数据，在同一个分库中join
     补充知识点：同步组件，canal、puma

4.6 二级索引（辅维度同步）

user_id分库分表，同步到另一个集群，按phone_id分库分表

4.7 分布式id生成器

• 基于zk
• 基于mysql
• 基于缓存
• 基于算法
  1. twitter的snowflake算法
  2. 美团开源的分布式ID生成系统Leaf
  3. 百度开源的分布式唯一ID生成器UidGenerator
  4. 等等

4.8 分布式事务

4.8.1 事务简介

事务(Transaction)是访问并可能更新数据库中各种数据项的一个程序执行单元(unit)

• 四个属性：ACID
  1. 原子性（atomicity）
  2. 一致性（consistency）
  3. 隔离性（isolation）
  4. 持久性（durability）/永久性（permanence）

4.8.2 本地事务

只需要操作单一的数据库，ACID特性由数据库支持
补充：spring @Transitional 使用注意

4.8.3 分布式事务典型场景

• 跨库事务
• 分库分表
• 服务化(SOA)

4.8.4 X/Open DTP模型与XA规范

4.8.4.1 DTP模型（分布式事务处理 Distributed Transaction Processing）

5个基本元素：
- 应用程序(Application Program ，简称AP)：用于定义事务边界(即定义事务的开始和结束)，并且在事务边界内对资源进行操作。
- 资源管理器(Resource Manager，简称RM)：如数据库、文件系统等，并提供访问资源的方式。
- 事务管理器(Transaction Manager ，简称TM)：负责分配事务唯一标识，监控事务的执行进度，并负责事务的提交、回滚等。
- 通信资源管理器(Communication Resource Manager，简称CRM)：控制一个TM域(TM domain)内或者跨TM域的分布式应用之间的通信。
- 通信协议(Communication Protocol，简称CP)：提供CRM提供的分布式应用节点之间的底层通信服务。CRM底层采用OSI TP(Open Systems Interconnection — Distributed Transaction Processing)通信服务

4.8.4.2 XA规范

XA是DTP模型定义TM和RM之间通讯的接口规范。

4.8.4.2.1 两阶段提交协议(2PC)

4.8.4.2.1.1 XA规范对2PC的2点优化

• Read-only
• One-phase Commit

4.8.4.2.1.2 存在的问题

• 同步阻塞问题
• 单点故障：协调者TM发生故障
• 数据不一致

4.8.4.2.2 三阶段提交协议(Three-phase commit)

4.8.4.2.2.1 3PC针对2PC改动点

• 引入超时机制
• 在第一阶段和第二阶段中插入一个准备阶段

4.8.4.2.2.2 3PC和2PC区别

相对于2PC，3PC主要解决的单点故障问题，并减少阻塞
都无法彻底解决分布式的一致性问题

4.8.5 BASE理论与柔性事务

4.8.5.1 经典的分布式系统理论-CAP

• 一致性
  强 / 最终 / 弱
• 可用性
• 分区容错性

4.8.5.2 BASE理论

BASE理论是对CAP理论的延伸，核心思想是即使无法做到强一致性（Strong Consistency，CAP的一致性就是强一致性），但应用可以采用适合的方式达到最终一致性（Eventual Consitency）

• 基本可用（Basically Available）
• 软状态（ Soft State）
• 最终一致（ Eventual Consistency）

4.8.5.3 典型的柔性事务方案

• 最大努力通知（非可靠消息、定期校对）
• 可靠消息最终一致性（异步确保型）
• TCC（两阶段型、补偿型）（Try-Confirm-Cancel）

4.8.5.3.1 最大努力通知

• 不可靠消息
• 定期校对

4.8.5.3.2 TCC两阶段补偿型（maybe目前最火）

4.8.5.3.2.1 TCC两阶段提交 VS XA两阶段提交

• XA是资源层面的分布式事务，强一致性，在两阶段提交的整个过程中，一直会持有资源的锁。
• TCC是业务层面的分布式事务，最终一致性，不会一直持有资源的锁。

4.8.5.3.2.2 补偿性事务（Compensation-Based Transactions）

补偿是一个独立的支持ACID特性的本地事务，用于在逻辑上取消服务提供者上一个ACID事务造成的影响，对于一个长事务(long-running transaction)，与其实现一个巨大的分布式ACID事务，不如使用基于补偿性的方案，把每一次服务调用当做一个较短的本地ACID事务来处理，执行完就立即提交

4.8.5.3.2.3 TCC事务模型 VS DTP事务模型

4.8.5.3.2.4 TCC事务的优缺点

• 优点
  解决提交占用资源锁时间过长导致的性能问题
• 缺点
  开发成本，主业务从业务都要改造

4.8.5.3.3 可靠消息最终一致性

两种方案

• 基于MQ的事务消息
• 并不是所有的mq都支持事务消息。也就是消息一旦发送到消息队列中，消费者立马就可以消费到。此时可以使用独立消息服务、或者本地事务表。

4.9 分库分表常用方案

分库分表方案中有常用的方案，hash取模和range范围方案

4.9.1 hash取模

• 优点：数据均匀，不会有热点
• 缺点：数据迁移和扩容很难

4.9.2 range范围方案

• 优点：利于将来的扩容
• 缺点：有热点问题

4.9.3 俩者结合

4.9.4 分库分表能无限扩容么

• 不能，数据库连接过多
• 解决办法：不让应用连接所有的数据库 -> 异地多活

4.10 什么时候分库分表？数据的量级？

5. 异地多活

附

tddl 配置

• tddl-rule.xml

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.org/dtd/spring-beans.dtd">

<beans>
    <bean id="vtabroot" class="com.taobao.tddl.interact.rule.VirtualTableRoot" init-method="init">
        <property name="dbType" value="MYSQL" />
        <property name="defaultDbIndex" value="XXX_0000_GROUP" />
        <property name="tableRules">
            <map>
                <entry key="xxx_user" value-ref="xxx_user" />
                <entry key="xxx_dept" value-ref="xxx_dept" />
            </map>
        </property>
    </bean>
    <bean id="xxx_user" class="com.taobao.tddl.interact.rule.TableRule">
        <property name="dbNamePattern" value="XXX_{0000}_GROUP" />
        <property name="tbNamePattern" value="xxx_user_{0000}" />
        <property name="dbRuleArray" value="(#corp_id,1,1024#.hashCode().abs().longValue() % 1024).intdiv(64)" />
        <property name="tbRuleArray" value="(#corp_id,1,1024#.hashCode().abs().longValue() % 1024)" />
        <property name="allowFullTableScan" value="false" />
    </bean>
    <bean id="xxx_dept" class="com.taobao.tddl.interact.rule.TableRule">
        <property name="dbNamePattern" value="XXX_{0000}_GROUP" />
        <property name="tbNamePattern" value="xxx_dept_{0000}" />
        <property name="dbRuleArray" value="(#corp_id,1,1024#.hashCode().abs().longValue() % 1024).intdiv(64)" />
        <property name="tbRuleArray" value="(#corp_id,1,1024#.hashCode().abs().longValue() % 1024)" />
        <property name="allowFullTableScan" value="false" />
    </bean>
</beans>

• datasource.xml

<bean id="dataSource" class="com.taobao.tddl.client.jdbc.TDataSource" init-method="init">
        <!--<property name="appName" value="XXX_APP"/>-->
        <property name="appName" value="XXX_APP"/>
        <property name="appRuleFile" value="/xxx/tddl-rule.xml"/>
        <property name="dynamicRule" value="true"/>
</bean>

参考

DRDS 实例中的连接

分库分表的基本思想

分库分表？如何做到永不迁移数据和避免热点？

MySQL binlog原来可以这样用？各种场景和原理剖析！

leaf：美团开源的分布式ID生成系统剖析

UidGenerator：百度开源的分布式ID服务（解决了时钟回拨问题）

数据库中间件详解

1.0 分布式事务概述

分布式事务

扎心一问：分库分表就能无限扩容吗

饿了么异地多活技术实现

数据库异地多活解决方案

异地多活没那么难

2017双11技术揭秘—TDDL/DRDS 的类 KV 查询优化实践