如何搞定数据库水平切分?

本文将介绍数据库架构设计中的一些基本概念,常见问题以及对应解决方案,为了便于读者理解,将以“用户中心”为例,讲解数据库架构设计的常见玩法。

01

用户中心

用户中心是一个非常常见的业务,主要提供用户注册、登录、信息查询与修改的服务,其核心元数据为:

User(uid, uname, passwd, sex, age, nickname, …)

其中:

  • uid为用户ID,主键。
  • uname, passwd, sex, age, nickname, …等为用户的属性。

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。

为了方便大家理解,后文图片说明如下:

  • “灰色”方框,表示service,服务。
  • “紫色”圆框,标识master,主库。
  • “粉色”圆框,表示slave,从库。

02

单库架构

最常见的架构设计如上:

  • user-service:用户中心服务,对调用者提供友好的RPC接口。
  • user-db:一个库进行数据存储。

03

分组架构

1. 分组架构究竟解决什么问题?

答:大部分互联网业务读多写少,数据库的读往往最先成为性能瓶颈,如果希望:

  • 线性提升数据库读性能。
  • 通过消除读写锁冲突提升数据库写性能。
  • 通过冗余从库实现数据的“读高可用”。

此时可以使用分组架构,需要注意的是,分组架构中,数据库的主库依然是写单点

04

分片架构

1. 分片架构究竟解决什么问题?

答:大部分互联网业务数据量很大,单库容量容易成为瓶颈,此时通过分片可以:

  • 线性提升数据库写性能,需要注意的是,分组架构是不能线性提升数据库写性能的。
  • 降低单库数据容量。

一句话总结,分片解决的是“数据库数据量大”问题,所实施的架构设计。

05

分组+分片架构

如果业务读写并发量很高,数据量也很大,通常需要实施分组+分片的数据库架构:

  • 通过分片来降低单库的数据量,线性提升数据库的写性能。
  • 通过分组来线性提升数据库的读性能,保证读库的高可用。

06

垂直切分

除了水平切分,垂直切分也是一类常见的数据库架构设计,垂直切分一般和业务结合比较紧密。

还是以用户中心为例,可以这么进行垂直切分:

User(uid, uname, passwd, sex, age, …)

User_EX(uid, intro, sign, …)

  • 垂直切分开的表,主键都是uid。
  • 登录名,密码,性别,年龄等属性放在一个垂直表(库)里。
  • 自我介绍,个人签名等属性放在另一个垂直表(库)里。

1. 如何进行垂直切分?

答:根据业务对数据进行垂直切分时,一般要考虑属性的“长度”和“访问频度”两个因素:

  • 长度较短,访问频度较高的放在一起。
  • 长度较长,访问频度较低的放在一起。

这是因为,数据库会以行(row)为单位,将数load到内存(buffer)里,在内存容量有限的情况下,长度短且访问频度高的属性,内存能够load更多的数据,命中率会更高,磁盘IO会减少,数据库的性能会提升。

06

业务场景决定数据库架构

  • 业务初期用单库。
  • 读压力大,读高可用,用分组。
  • 数据量大,写线性扩容,用分片。
  • 属性短,访问频度高的属性,垂直拆分到一起。

本文以“用户中心”为例,对常见数据库架构设计进行了简要梳理与总结,但实际数据库架构设计远比此复杂,特别是水平切分的架构设计,不同业务场景的切分方式不尽相同

感兴趣的可以订阅我的专栏,后续将要详细介绍,覆盖90%互联网业务特性的四类业务:

从《从“单KEY”类业务》中了解到:

  • 水平切分方式
  • 水平切分后碰到的问题
  • 用户侧与运营侧架构设计思路
  • 用户前台侧,“建立非uid属性到uid的映射关系”最佳实践
  • 运营后台侧,“前台与后台分离”最佳实践

从《“1对多”类业务》这篇文章,能够了解到:

  • “1对多”类业务,在架构上,采用元数据与索引数据分离的架构设计方法;
  • 对于元数据的存储,在数据量较大的情况下,有三种常见的切分方法。

从《“多对多”类业务》这篇文章,能够了解到:

  • 好友业务是一个典型的多对多关系,又分为强好友与弱好友;
  • 数据冗余是一个常见的多对多业务数据水平切分实践;
  • 冗余数据的常见三种方案;
  • 实现一致性要实践的常见三种方案。

从《“多KEY”类业务》这篇文章,能够了解到:

  • 前台、后台系统web/service/db分离解耦,避免后台低效查询引发前台查询抖动。
  • 采用前台与后台数据冗余的设计方式,分别满足两侧的需求。
  • 采用“外置索引”(例如ES搜索系统)或者“大数据处理”(例如HIVE)来满足后台变态的查询需求。

原文发布于微信公众号 - 人工智能头条(AI_Thinker)

原文发表时间:2019-08-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券