首页  思维导图  详情

saas应用分库分表

2024-06-23 11:35:48   0  举报





AI智能生成

为你推荐

查看更多



Saas应用分库分表是一种在Saas应用中广泛使用的技术，用于解决大规模数据处理和数据存储问题。通过将数据分散到多个数据库和数据表中，可以有效提高查询性能和数据处理的速度。同时，分库分表还可以提高系统的可用性和容错性，因为即使某个数据库或数据表出现故障，其他数据库或数据表仍然可以正常运行。分库分表技术通常与分布式数据库管理系统、云存储等技术结合使用，以满足现代企业对数据处理和数据存储的高要求。

运维

大数据

作者其他创作

大纲/内容

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

IO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

CPU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）

一、数据库瓶颈

以医院组织为分库依据

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

概念

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

结果

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

场景

库多了，io和cpu的压力成倍缓解

分析

1、水平分库

以医院组织跟用户为分表依据

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

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

一次SQL查询优化原理分析（900W+数据，从17s到300ms）

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

表的数据量少了，单次SQL执行效率高，自然减轻了CPU的负担

2、水平分表

font color=\"#e74f4c\

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

每个库的结构都不一样

每个库的数据也不一样，没有交集

系统绝对并发量上来了，可以抽象出单独的业务模块

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

3、垂直分库

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

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

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

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

4、垂直分表

二、分库分表

ShardingJDBC

sharding-sphere：jar，前身是sharding-jdbc

TDDL：jar，Taobao Distribute Data Layer

Mycat：中间件

三、分库分表工具

垂直拆分

以组织跟用户为分表依据

水平拆分

分库分表的策略

按数据量拆分