BATJ一线互联网都爱问的海量数据问题，如何处理？

今年以来，网络上时不时的就会传出“某某公司又裁员了，技术团队也被裁了”，其中不乏我们熟悉的一些大厂。

在这之后，市场上的“技术劳动力”又多了起来，而且这些“劳动力”中有相当一部分是有大型工程经验的，比如海量数据处理、高并发处理等经验。

对于求职者来说，竞争更加激烈了，在这个时刻，硬实力更显得尤为重要。

面试的时候，很可能会被问到海量数据的处理问题：

订单数据越来越多（亿级），查询越来越慢，如何处理？

分库分表会带来哪些副作用？可能的解决方式有哪些？

目前经常使用的关系型数据库如MySQL、SQL Server等，都是以“行”为单位进行存储，为了快速检索，也都采用了B树或其他索引技术。

从原理上来讲，表中的数据越多，索引树的范围越大，磁盘读取也越多，性能也就越低。

从实践角度来看，一般以百万到千万作为一个表的存储量级，超出该范围之后，性能就会下降，需要采用其他技术手段解决。

首先想到的就是能否将读和写分离，主数据库用于写入，读数据库（多个）用于对外提供查询，通过数据复制的方式将主数据库的数据同步到读库。该架构提升了数据库的读写能力，但对于主数据库的写入能力依然没法扩展。

其次，依据数据库分区的思路，可以将不同的数据分散到不同的库中，每个库存储的数据都不同，这样就可以将单一库的压力分散到多个库中，从而提升整个数据库的服务能力，这就是所说的分库分表技术。

若按照“字段（列）”分区，每个库/表存储不同的的字段，即schema不同，就是“垂直拆分”；

若按“数据记录（行）”分区，每个库/表的schema一致，但存储的数据不同，就是“水平拆分”。

垂直拆分

水平拆分

这样做的好处就是解决了数据存储容量的问题，但也带来了诸多弊端。这里以“水平拆分”为例来分析。

1.如何能做到数据的平均拆分，防止某一库压力过大？

系统开发者要结合业务特点来确定分库分表键，比如以userID为分库分表键，采用hash取模的方式将数据散列到不同的库中。

但并不是所有场景都适合用userID作为分库分表键的，若存在“大卖家”，则该userID可能有很多条记录，若简单的按照上述方法进行拆分，则可能打爆其中一个数据库。

一般来说，会将一段时间以前的数据归档（比如某个userID三个月之前的数据），存放到类似HBase这种非关系型数据库中，以此来解决上述问题。

2.分库分表之后就要求每个查询的where子句中必须携带分库分表键，但并非每个查询都能携带分库分表键的。

比如订单库按照订单号hash取模之后存储，此时分库分表键为订单号，那么想查询某位买家所有的订单，查询时就没有了分库分表键，就会出现“全表扫描”的情况。

一般在实践中解决这种问题的方法是建立“异构索引表”，即采用异步机制将原表内的每次一创建或更新，都换一个维度保存一份完整的数据表或索引表，拿空间换时间。

在上面说到，订单库按照订单号hash取模之后存储，同时也按照userID维度进行hash取模，再存储一份数据，那么想要获取某一userID的全部订单时，就将userID作为分库分表键传进去即可，避免了全表扫描。

上面这些是在海量数据处理过程中出现问题的解决思路，工程师的硬实力不仅体现在解决问题的思路上，更在于细节问题的打磨，因此还需在细节上进行更深的学习和探讨。如果你对这些感兴趣，以下福利就很适合你，本周四会有网易技术大牛带你详细学习分库分表技术实战，更有线程池，高并发等热门技术讲