学习
实践
活动
工具
TVP
写文章
专栏首页java架构计划训练营mysql分库分表方案(第十四/十五章/十六章/十七章/十八章)海量数据处理-商用短链

mysql分库分表方案(第十四/十五章/十六章/十七章/十八章)海量数据处理-商用短链

第十四章 初恋的感觉-海量数据下的分库分表知识阶段一

第1集 账号微服务里面的流量包业务模型梳理和需求讲解

简介: 账号微服务里面的流量包业务模型梳理和需求讲解

  • 流量包业务模型梳理
  • 数据量预估(尽量一次性扩容预估好,数据迁移成本大)
    • 未来2年,短链平台累计5百万用户
      • 一个用户10条记录/年,总量就是5千万条
      • 单表不超过1千万数据,需要分5张表
      • 进一步延伸,进行水平分表,比如 2张表、4张表、8张表、16张表
    • 因为业务逻辑复杂,我们就不分那么多表,分2表操作即可
  • 问题
    • 分库分表怎么分?有哪些形式呢? 还会带来哪些问题?
    • 比如 2张表、4张表、8张表、16张表 这样的思路?
    • …更多问题

第2集【面试题】业务增长-数据库性能优化思路讲解

简介:【面试题】业务增长-数据库性能优化思路讲解

  • 面试官:这边有个数据库-单表1千万数据,未来1年还会增长多500万,性能比较慢,说下你的优化思路
  • 思路
    • 千万不要一上来就说分库分表,这个是最忌讳的事项
    • 一定要根据实际情况分析,两个角度思考
      • 不分库分表
        • 软优化
          • 数据库参数调优
          • 分析慢查询SQL语句,分析执行计划,进行sql改写和程序改写
          • 优化数据库索引结构
          • 优化数据表结构优化
          • 引入NOSQL和程序架构调整
        • 硬优化
          • 提升系统硬件(更快的IO、更多的内存):带宽、CPU、硬盘
      • 分库分表
        • 根据业务情况而定,选择合适的分库分表策略(没有通用的策略)
          • 外卖、物流、电商领域
        • 先看只分表是否满足业务的需求和未来增长
          • 数据库分表能够解决单表数据量很大的时,数据查询的效率问题,
          • 无法给数据库的并发操作带来效率上的提高,分表的实质还是在一个数据库上进行的操作,受数据库IO性能的限制
        • 如果单分表满足不了需求,再分库分表一起
  • 结论
    • 在数据量及访问压力不是特别大的情况,首先考虑缓存、读写分离、索引技术等方案
    • 如果数据量极大,且业务持续增长快,再考虑分库分表方案

第3集 走进Mysql数据库分库分表后带来的优点和缺点《上》

简介:走进Mysql数据库分库分表后带来的优点和缺点《上》

  • 分库分表解决的现状问题
    • 解决数据库本身瓶颈
      • 连接数: 连接数过多时,就会出现‘too many connections’的错误,访问量太大或者数据库设置的最大连接数太小的原因
        • 大家学第一个大课,或者微服务的时候没物理分库,多数都出现上述问题,
      • Mysql默认的最大连接数为100.可以修改,而mysql服务允许的最大连接数为16384
      • 数据库分表可以解决单表海量数据的查询性能问题
      • 数据库分库可以解决单台数据库的并发访问压力问题
    • 解决系统本身IO、CPU瓶颈
      • 磁盘读写IO瓶颈,热点数据太多,尽管使用了数据库本身缓存,但是依旧有大量IO,导致sql执行速度慢
      • 网络IO瓶颈,请求的数据太多,数据传输大,网络带宽不够,链路响应时间变长
      • CPU瓶颈,尤其在基础数据量大单机复杂SQL计算,SQL语句执行占用CPU使用率高,也有扫描行数大、锁冲突、锁等待等原因

第4集 走进Mysql数据库分库分表后带来的优点和缺点《下》

简介:走进Mysql数据库分库分表后带来的优点和缺点《下》

  • 带来新的问题
    • 问题一:跨节点数据库Join关联查询和多维度查询
      • 数据库切分前,多表关联查询,可以通过sql join进行实现
      • 分库分表后,数据可能分布在不同的节点上,sql join带来的问题就比较麻烦
  • 不同维度查看数据,利用的partitionKey是不一样的
    • 例如
      • 订单表 的partionKey是user_id,用户查看自己的订单列表方便
      • 但商家查看自己店铺的订单列表就麻烦,分布在不同数据节点
  • 问题二:分库操作带来的分布式事务问题
    • 操作内容同时分布在不同库中,不可避免会带来跨库事务问题,即分布式事务
  • 问题三:执行的SQL排序、翻页、函数计算问题
    • 分库后,数据分布再不同的节点上, 跨节点多库进行查询时,会出现limit分页、order by排序等问题
    • 而且当排序字段非分片字段时,更加复杂了,要在不同的分片节点中将数据进行排序并返回,然后将不同分片返回的结果集进行汇总和再次排序(也会带来更多的CPU/IO资源损耗)
  • 问题四:数据库全局主键重复问题
    • 常规表的id是使用自增id进行实现,分库分表后,由于表中数据同时存在不同数据库中,如果用自增id,则会出现冲突问题
  • 问题五:容量规划,分库分表后二次扩容问题
    • 业务发展快,初次分库分表后,满足不了数据存储,导致需要多次扩容
  • 问题六:分库分表技术选型问题
    • 市场分库分表中间件相对较多,框架各有各的优势与短板,应该如何选择
      • 更多问题。。。

第5集 海量数据处理之Mysql【垂直分表-垂直分库】讲解

简介:海量数据处理之Mysql数据库垂直分表和分库讲解

  • 需求:商品表字段太多,每个字段访问频次不一样,浪费了IO资源,需要进行优化
  • 垂直分表介绍
    • 也就是“大表拆小表”,基于列字段进行的
    • 拆分原则一般是表中的字段较多,将不常用的或者数据较大,长度较长的拆分到“扩展表 如text类型字段
    • 访问频次低、字段大的商品描述信息单独存放在一张表中;
    • 访问频次较高的商品基本信息单独放在一张表中
    • 垂直拆分原则
      • 把不常用的字段单独放在一张表;
      • 把text,blob等大字段拆分出来放在附表中;
      • 业务经常组合查询的列放在一张表中
    • 例子:商品详情一般是拆分主表和附表
//拆分前
CREATE TABLE `product` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `title` varchar(524) DEFAULT NULL COMMENT '视频标题',
  `cover_img` varchar(524) DEFAULT NULL COMMENT '封面图',
  `price` int(11) DEFAULT NULL COMMENT '价格,分',
  `total` int(10) DEFAULT '0' COMMENT '总库存',
  `left_num` int(10) DEFAULT '0' COMMENT '剩余',
  
  `learn_base` text COMMENT '课前须知,学习基础',
  `learn_result` text COMMENT '达到水平',
  `summary` varchar(1026) DEFAULT NULL COMMENT '概述',  
  `detail` text COMMENT '视频商品详情',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;


//拆分后
CREATE TABLE `product` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `title` varchar(524) DEFAULT NULL COMMENT '视频标题',
  `cover_img` varchar(524) DEFAULT NULL COMMENT '封面图',
  `price` int(11) DEFAULT NULL COMMENT '价格,分',
  `total` int(10) DEFAULT '0' COMMENT '总库存',
  `left_num` int(10) DEFAULT '0' COMMENT '剩余',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;

CREATE TABLE `product_detail` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `product_id` int(11) DEFAULT NULL COMMENT '产品主键',
  `learn_base` text COMMENT '课前须知,学习基础',
  `learn_result` text COMMENT '达到水平',
  `summary` varchar(1026) DEFAULT NULL COMMENT '概述',  
  `detail` text COMMENT '视频商品详情',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
  • 需求:C端项目里面,单个数据库的CPU、内存长期处于90%+的利用率,数据库连接经常不够,需要进行优化
  • 垂直分库讲解
    • 垂直分库针对的是一个系统中的不同业务进行拆分, 数据库的连接资源比较宝贵且单机处理能力也有限
    • 没拆分之前全部都是落到单一的库上的,单库处理能力成为瓶颈,还有磁盘空间,内存,tps等限制
    • 拆分之后,避免不同库竞争同一个物理机的CPU、内存、网络IO、磁盘,所以在高并发场景下,垂直分库一定程度上能够突破IO、连接数及单机硬件资源的瓶颈
    • 垂直分库可以更好解决业务层面的耦合,业务清晰,且方便管理和维护
    • 一般从单体项目升级改造为微服务项目,就是垂直分库
  • 问题:垂直分库分表可以提高并发,但是依然没有解决单表数据量过大的问题

第6集 海量数据处理之Mysql【水平分表-水平分库】讲解

简介:海量数据处理之Mysql【水平分表-水平分库】讲解

  • 需求:当一张表的数据达到几千万时,查询一次所花的时间长,需要进行优化,缩短查询时间
  • 都是大表拆小表
    • 垂直分表:表结构拆分
    • 水平分表:数据拆分
  • 水平分表
    • 把一个表的数据分到一个数据库的多张表中,每个表只有这个表的部分数据
    • 核心是把一个大表,分割N个小表,每个表的结构是一样的,数据不一样,全部表的数据合起来就是全部数据
    • 针对数据量巨大的单张表(比如订单表),按照某种规则(RANGE,HASH取模等),切分到多张表里面去
    • 但是这些表还是在同一个库中,所以单数据库操作还是有IO瓶颈,主要是解决单表数据量过大的问题
    • 减少锁表时间,没分表前,如果是DDL(create/alter/add等)语句,当需要添加一列的时候mysql会锁表,期间所有的读写操作只能等待
  • 需求:高并发的项目中,水平分表后依旧在单个库上面,1个数据库资源瓶颈 CPU/内存/带宽等限制导致响应慢,需要进行优化
  • 水平分库
    • 把同个表的数据按照一定规则分到不同的数据库中,数据库在不同的服务器上
    • 水平分库是把不同表拆到不同数据库中,它是对数据行的拆分,不影响表结构
    • 每个库的结构都一样,但每个库的数据都不一样,没有交集,所有库的并集就是全量数据
    • 水平分库的粒度,比水平分表更大

第十五章 如漆似胶-海量数据下的分库分表策略讲解

第1集 Mysql数据库水平分库分表常见策略介绍-range

简介: Mysql数据库水平分库分表常见策略介绍-range

  • 水平分库分表,根据什么规则进行?怎么划分?
  • 方案一:自增id,根据ID范围进行分表(左闭右开)
    • 规则案例
      • 1~1,000,000 是 table_1
      • 1,000,000 ~2,000,000 是 table_2
      • 2,000,000~3,000,000 是 table_3
      • …更多
    • 优点
      • id是自增长,可以无限增长
      • 扩容不用迁移数据,容易理解和维护
    • 缺点
      • 大部分读和写都访会问新的数据,有IO瓶颈,整体资源利用率低
      • 数据倾斜严重,热点数据过于集中,部分节点有瓶颈

第2集 Mysql数据库水平分库分表策略介绍-Range延伸进阶

简介: Mysql数据库水平分库分表常见策略介绍-range延伸

  • Range范围分库分表,有热点问题,所以这个没用?
    • 关于怎么选择分库分表策略问题,如果业务适合就行,没有万能策略!!!!
    • 基于方案一:自增id,根据ID范围进行分表延伸解决方案,你能想到多少种
  • 范围角度思考问题 (范围的话更多是水平分表)
    • 数字
      • 自增id范围
    • 时间
      • 年、月、日范围
      • 比如按照月份生成 库或表 pay_log_2022_01、pay_log_2022_02
    • 空间
      • 地理位置:省份、区域(华东、华北、华南)
      • 比如按照 省份 生成 库或表
  • 基于Range范围分库分表业务场景
    • 微博发送记录、微信消息记录、日志记录,id增长/时间分区都行
      • 水平分表为主,水平分库则容易造成资源的浪费
    • 网站签到等活动流水数据时间分区最好
      • 水平分表为主,水平分库则容易造成资源的浪费
    • 大区划分(一二线城市和五六线城市活跃度不一样,如果能避免热点问题,即可选择)
      • saas业务水平分库(华东、华南、华北等)

第3集 Mysql数据库水平分库分表策略介绍-Hash取模

简介: Mysql数据库水平分库分表常见策略介绍-Hash取模

  • 方案二:hash取模(Hash分库分表是最普遍的方案)
    • 为啥不之间取模,如果取模的字段不是整数型要先hash,统一规则就行

案例规则

  • 用户ID是整数型的,要分2库,每个库表数量4表,一共8张表
  • 用户ID取模后,值是0到7的要平均分配到每张表
库ID = userId % 库数量 2 
表ID = userId / 库数量 2 % 表数量4
  • 例子

userId

id % 2 (库-取余)

id /2 % 4 (表)

1

1

0

2

0

1

3

1

1

4

0

2

5

1

2

6

0

3

7

1

3

8

0

0

9

1

0

优点

  • 保证数据较均匀的分散落在不同的库、表中,可以有效的避免热点数据集中问题,

缺点

  • 扩容不是很方便,需要数据迁移

更多架构课程请访问 xdclass.net

第十六章 热恋的感觉-海量数据下的分库分表技术栈讲解

第1集 大话业界常见数据库分库分表中间件介绍

简介: 大话业界常见分库分表中间件介绍

  • 业界常见分库分表中间件
    • Cobar(已经被淘汰没使用了)
    • TDDL
      • 淘宝根据自己的业务特点开发了 TDDL (Taobao Distributed Data Layer)
      • 基于JDBC规范,没有server,以client-jar的形式存在,引入项目即可使用
      • 开源功能比较少,阿里内部使用为主
    • Mycat
      • 地址 http://www.mycat.org.cn/
      • Java语言编写的MySQL数据库网络协议的开源中间件,前身 Cobar
      • 遵守Mysql原生协议,跨语言,跨平台,跨数据库的通用中间件代理
      • 是基于 Proxy,它复写了 MySQL 协议,将 Mycat Server 伪装成一个 MySQL 数据库
      • 和ShardingShere下的Sharding-Proxy作用类似,需要单独部署
  • ShardingSphere 下的Sharding-JDBC
    • 地址:https://shardingsphere.apache.org/
    • Apache ShardingSphere 是一套开源的分布式数据库中间件解决方案组成的生态圈
      • 它由 Sharding-JDBC、Sharding-Proxy 和 Sharding-Sidecar 3个独立产品组合
    • Sharding-JDBC
      • 基于jdbc驱动,不用额外的proxy,支持任意实现 JDBC 规范的数据库
      • 它使用客户端直连数据库,以 jar 包形式提供服务,无需额外部署和依赖
      • 可理解为加强版的 JDBC 驱动,兼容 JDBC 和各类 ORM 框架
  • 面试官最喜欢问的,是Mycat和ShardingJdbc区别
    • 两者设计理念相同,主流程都是SQL解析–>SQL路由–>SQL改写–>结果归并
    • sharding-jdbc
      • 基于jdbc驱动,不用额外的proxy,在本地应用层重写Jdbc原生的方法,实现数据库分片形式
      • 是基于 JDBC 接口的扩展,是以 jar 包的形式提供轻量级服务的,性能高
      • 代码有侵入性
    • Mycat
      • 是基于 Proxy,它复写了 MySQL 协议,将 Mycat Server 伪装成一个 MySQL 数据库
      • 客户端所有的jdbc请求都必须要先交给MyCat,再有MyCat转发到具体的真实服务器
      • 缺点是效率偏低,中间包装了一层
      • 代码无侵入性

第2集 分库分表中间件Apache ShardingSphere急速认知

简介: 分库分表中间件Apache ShardingSphere急速认知

  • 什么是ShardingSphere
    • 已于2020年4月16日成为 Apache 软件基金会的顶级项目,懂的都懂
    • 是一套开源的分布式数据库解决方案组成的生态圈,定位为 Database Plus
    • 它由 JDBC、Proxy 和 Sidecar这 3 款既能够独立部署,又支持混合部署配合使用的产品组成
  • 三大构成(下面图片素材来源 sharding-sphere官网)
    • ShardingSphere-Sidecar(规划中,简单知道就行)
      • 定位为 Kubernetes 的云原生数据库代理,以 Sidecar(边车) 的形式代理所有对数据库的访问
      • 通过无中心、零侵入的方案提供与数据库交互的啮合层,即 Database Mesh,又可称数据库网格
    • ShardingSphere-JDBC
      • 它使用客户端直连数据库,以 jar 包形式提供服务
      • 无需额外部署和依赖,可理解为增强版的 JDBC 驱动,完全兼容 JDBC 和各种 ORM 框架
      • 适用于任何基于 JDBC 的 ORM 框架,如:JPA, Hibernate, Mybatis,或直接使用 JDBC
      • 支持任何第三方的数据库连接池,如:DBCP, C3P0, BoneCP, HikariCP 等;
      • 支持任意实现 JDBC 规范的数据库,目前支持 MySQL,PostgreSQL,Oracle,SQLServer 以及任何可使用 JDBC 访问的数据库
      • 采用无中心化架构,与应用程序共享资源,适用于 Java 开发的高性能的轻量级 OLTP 应用
    • ShardingSphere-Proxy
      • 数据库代理端,提供封装了数据库二进制协议的服务端版本,用于完成对异构语言的支持
      • 向应用程序完全透明,可直接当做 MySQL/PostgreSQL
      • 它可以使用任何兼容 MySQL/PostgreSQL 协议的访问客户端(如:MySQL Command Client, MySQL Workbench, Navicat 等)操作数据

第3集 分库分表和Sharding-Jdbc常见概念术语讲解

简介: 分库分表和Sharding-Jdbc常见概念术语讲解

  • 站着统一水平线上,沟通无障碍,统一下专业术语
  • 数据节点Node
    • 数据分片的最小单元,由数据源名称和数据表组成
    • 比如:ds_0.product_order_0
  • 真实表
    • 在分片的数据库中真实存在的物理表
    • 比如订单表 product_order_0、product_order_1、product_order_2
  • 逻辑表
    • 水平拆分的数据库(表)的相同逻辑和数据结构表的总称
    • 比如订单表 product_order_0、product_order_1、product_order_2,逻辑表就是product_order
  • 绑定表
    • 指分片规则一致的主表和子表
    • 比如product_order表和product_order_item表,均按照order_id分片,则此两张表互为绑定表关系
    • 绑定表之间的多表关联查询不会出现笛卡尔积关联,关联查询效率将大大提升
  • 广播表
    • 指所有的分片数据源中都存在的表,表结构和表中的数据在每个数据库中均完全一致
    • 适用于数据量不大且需要与海量数据的表进行关联查询的场景
    • 例如:字典表、配置表

第4集 分库分表和Sharding-Jdbc常见分片算法讲解

简介: 分库分表和Sharding-Jdbc常见分片算法讲解

数据库表分片(水平库、表)

  • 包含分片键和分片策略

分片键 (PartitionKey)

  • 用于分片的数据库字段,是将数据库(表)水平拆分的关键字段
  • 比如prouduct_order订单表,根据订单号 out_trade_no做哈希取模,则out_trade_no是分片键
  • 除了对单分片字段的支持,ShardingSphere也支持根据多个字段进行分片

分片策略(如果要看各个策略的实际操作,看ShardingSphere专题视频即可)

行表达式分片策略 InlineShardingStrategy

只支持【单分片键】使用Groovy的表达式,提供对SQL语句中的 =和IN 的分片操作支持

可以通过简单的配置使用,无需自定义分片算法,从而避免繁琐的Java代码开发

prouduct_order_$->{user_id % 8}` 表示订单表根据user_id模8,而分成8张表,表名称为`prouduct_order_0`到`prouduct_order_7

标准分片策略StandardShardingStrategy

  • 只支持【单分片键】,提供PreciseShardingAlgorithm和RangeShardingAlgorithm两个分片算法
  • PreciseShardingAlgorithm 精准分片 是必选的,用于处理=和IN的分片
  • RangeShardingAlgorithm 范围分配 是可选的,用于处理BETWEEN AND分片
  • 如果不配置RangeShardingAlgorithm,如果SQL中用了BETWEEN AND语法,则将按照全库路由处理,性能下降

复合分片策略ComplexShardingStrategy

  • 支持【多分片键】,多分片键之间的关系复杂,由开发者自己实现,提供最大的灵活度
  • 提供对SQL语句中的=, IN和BETWEEN AND的分片操作支持
  • prouduct_order_0_0、prouduct_order_0_1、prouduct_order_1_0、prouduct_order_1_1
  • Hint分片策略HintShardingStrategy
    • 这种分片策略无需配置分片健,分片健值也不再从 SQL中解析,外部手动指定分片健或分片库,让 SQL在指定的分库、分表中执行
    • 用于处理使用Hint行分片的场景,通过Hint而非SQL解析的方式分片的策略
    • Hint策略会绕过SQL解析的,对于这些比较复杂的需要分片的查询,Hint分片策略性能可能会更好
  • 不分片策略 NoneShardingStrategy
    • 不分片的策略。

自己实现分片策略的优缺点

  • 优点:可以根据分片策略代码里面自己拼装 真实的数据库、真实的表,灵活控制分片规则
  • 缺点:增加了编码,不规范的sql容易造成全库表扫描,部分sql语法支持不友好

第十七章 流量包模块-海量数据下的分库分表《青铜玩法》

第1集 账号微服务-流量包模块水平分表需求讲解和开发

简介: 账号微服务-流量包模块水平分表需求讲解和开发

需求

  • 未来2年,短链平台累计5百万用户
    • 付费流量包记录:一个用户10条/年,总量就是5千万条
    • 单表不超过1千万数据,需要分5张表
    • 进一步延伸,进行水平分表,比如 2张表、4张表、8张表、16张表
  • 流量包traffic表数据太多,选取可用流量包 会影响性能,需要降低单表数据量,进行水平分表
  • 分表数量:线上分8张表,本地分2张表即可
  • 分片key: account_no,查询维度都是根据account_no进行查询
  • 分片策略:行表达式分片策略 InlineShardingStrategy

新建表

  • traffic_0
  • traffic_1
CREATE TABLE `traffic_0` (
  `id` bigint unsigned NOT NULL AUTO_INCREMENT,
  `day_limit` int DEFAULT NULL COMMENT '每天限制多少条,短链',
  `day_used` int DEFAULT NULL COMMENT '当天用了多少条,短链',
  `total_limit` int DEFAULT NULL COMMENT '总次数,活码才用',
  `account_no` bigint DEFAULT NULL COMMENT '账号',
  `out_trade_no` varchar(64) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin DEFAULT NULL COMMENT '订单号',
  `level` varchar(64) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin DEFAULT NULL COMMENT '产品层级:FIRST青铜、SECOND黄金、THIRD钻石',
  `expired_date` date DEFAULT NULL COMMENT '过期日期',
  `plugin_type` varchar(64) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin DEFAULT NULL COMMENT '插件类型',
  `product_id` bigint DEFAULT NULL COMMENT '商品主键',
  `gmt_create` datetime DEFAULT CURRENT_TIMESTAMP,
  `gmt_modified` datetime DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_trade_no` (`out_trade_no`,`account_no`) USING BTREE,
  KEY `idx_account_no` (`account_no`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin;

配置

  • 加入 sharding-jdbc依赖包,account项目注释下面的依赖排查
          <exclusions>
                <exclusion>
                    <groupId>org.apache.shardingsphere</groupId>
                    <artifactId>sharding-jdbc-spring-boot-starter</artifactId>
                </exclusion>
            </exclusions>
  • 配置文件 (注释之前jdbc单库配置)
# 数据源 ds0 第一个数据库
  shardingsphere:
    datasource:
      ds0:
        connectionTimeoutMilliseconds: 30000
        driver-class-name: com.mysql.cj.jdbc.Driver
        idleTimeoutMilliseconds: 60000
        jdbc-url: jdbc:mysql://120.79.150.146:3306/dcloud_account?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
        maintenanceIntervalMilliseconds: 30000
        maxLifetimeMilliseconds: 1800000
        maxPoolSize: 50
        minPoolSize: 50
        password: xdclass.net168
        type: com.zaxxer.hikari.HikariDataSource
        username: root
      names: ds0
    props:
    # 打印执行的数据库以及语句
      sql:
        show: true

    sharding:
      tables:
        traffic:
# 指定traffic表的数据分布情况,配置数据节点,行表达式标识符使用 ${...} 或 $->{...},但前者与 Spring 本身的文件占位符冲突,所以在 Spring 环境中建议使用 $->{...}
          actual-data-nodes: ds0.traffic_$->{0..1}

第2集 账号微服务-流量包模块水平分表策略配置和测试实战

简介: 账号微服务-流量包模块水平分表策略配置和测试实战

  • 水平分表策略配置
# 水平分表策略+行表达式分片
          table-strategy:
            inline:
              algorithm-expression: traffic_$->{account_no % 2}
              sharding-column: account_no
  • 单元测试
  @Autowired
    private TrafficMapper trafficMapper;

    @Test
    public  void testSaveTraffic(){

        Random random = new Random();
        for(int i=0;i<3;i++) {
            TrafficDO trafficDO = new TrafficDO();
            trafficDO.setAccountNo(Long.valueOf(random.nextInt(1000)));
            trafficMapper.insert(trafficDO);
        }
    }
  • 问题
    • 主键id重复

第3集 分库分表暴露的问题-ID冲突和分布式id生成介绍

简介: 分库分表暴露的问题-ID冲突和分布式id生成

单库下一般使用Mysql自增ID, 但是分库分表后,会造成不同分片上的数据表主键会重复。

需求

  • 性能强劲
  • 全局唯一
  • 防止恶意用户根据id的规则来获取数据

业界常用ID解决方案

数据库自增ID

  • 利用自增id, 设置不同的自增步长,auto_increment_offset、auto-increment-increment
DB1: 单数
//从1开始、每次加2

DB2: 偶数
//从2开始,每次加2
  • 缺点
    • 依靠数据库系统的功能实现,但是未来扩容麻烦
    • 主从切换时的不一致可能会导致重复发号
    • 性能瓶颈存在单台sql上

UUID

  • 性能非常高,没有网络消耗
  • 缺点
    • 无序的字符串,不具备趋势自增特性
    • UUID太长,不易于存储,浪费存储空间,很多场景不适用

Redis发号器

  • 利用Redis的INCR和INCRBY来实现,原子操作,线程安全,性能比Mysql强劲
  • 缺点
    • 需要占用网络资源,增加系统复杂度

Snowflake雪花算法

  • twitter 开源的分布式 ID 生成算法,代码实现简单、不占用宽带、数据迁移不受影响
  • 生成的 id 中包含有时间戳,所以生成的 id 按照时间递增
  • 部署了多台服务器,需要保证系统时间一样,机器编号不一样
  • 缺点
    • 依赖系统时钟(多台服务器时间一定要一样)

第4集 小D-带你彻底掌握分布式 ID 生成算法Snowflake原理

简介: 小D-带你彻底掌握分布式 ID 生成算法Snowflake原理

  • 什么是雪花算法Snowflake
    • twitter用scala语言编写的高效生成唯一ID的算法
    • 优点
      • 生成的ID不重复
      • 算法性能高
      • 基于时间戳,基本保证有序递增
  • 计算机的基础知识回顾
    • bit与byte
      • bit(位):电脑中存储的最小单位,可以存储二进制中的0或1
      • byte(字节):一个byte由8个bit组成
    • 常规64位系统里面java数据类型存储字节大小
      • int:4 个字节
      • short:2 个字节
      • long:8 个字节
      • byte:1 个字节
      • float:4 个字节
      • double:8 个字节
      • char:2 个字节
    • 科普:数据类型在不同位数机器的平台下长度不同(怼面试官的严谨性)
      • 16位平台 int 2个字节16位
      • 32位平台 int 4个字节32位
      • 64位平台 int 4个字节32位
  • 雪花算法生成的数字,long类,所以就是8个byte,64bit
    • 表示的值 -9223372036854775808(-2的63次方) ~ 9223372036854775807(2的63次方-1)
    • 生成的唯一值用于数据库主键,不能是负数,所以值为0~9223372036854775807(2的63次方-1)

第5集 分布式ID生成器Snowflake里面的坑你是否知道

简介: 分布式ID生成器Snowflake里面的坑你是否知道

分布式ID生成器需求

  • 性能强劲
  • 全局唯一不能重复
  • 防止恶意用户根据id的规则来获取数据

全局唯一不能重复-坑

  • 坑一
    • 分布式部署就需要分配不同的workId, 如果workId相同,可能会导致生成的id相同
  • 坑二:
    • 分布式情况下,需要保证各个系统时间一致,如果服务器的时钟回拨,就会导致生成的 id 重复
      • 啥时候会有系统回拨????
        • 小滴课堂-老王闲着,人工去生产环境做了系统时间调整,应该不会这么傻吧
        • 业务需求,代码里面做了系统时间同步

配置实操

spring.shardingsphere.sharding.tables.traffic.key-generator.props.worker.id=1

方式一

订单id使用MybatisPlus的配置,TrafficDO类配置

@TableId(value = "id", type = IdType.ASSIGN_ID)
默认实现类为DefaultIdentifierGenerator雪花算法

方式二

  • 使用Sharding-Jdbc配置文件,注释DO类里面的id分配策略
#id生成策略
          key-generator:
            column: id
            props:
              worker:
                id: 0
            #id生成策略
            type: SNOWFLAKE

第6集 分布式ID生成器Snowflake自定义wrokId实战

简介: 分布式ID生成器Snowflake自定义wrokId实战

  • 进阶:动态指定sharding jdbc 的雪花算法中的属性work.id属性
    • 使用sharding-jdbc中的使用IP后几位来做workId, 但在某些情况下会出现生成重复ID的情况
      • 解决办法时
        • 在启动时给每个服务分配不同的workId, 引入redis/zk都行,缺点就是多了依赖
        • 启动程序的时候,通过JVM参数去控制,覆盖变量
@Configuration
public class SnowFlakeWordIdConfig {

    /**
     * 动态指定sharding jdbc 的雪花算法中的属性work.id属性
     * 通过调用System.setProperty()的方式实现,可用容器的 id 或者机器标识位
     * workId最大值 1L << 100,就是1024,即 0<= workId < 1024
     * {@link SnowflakeShardingKeyGenerator#getWorkerId()}
     *
     */
    static {
        try {
            InetAddress ip4 = Inet4Address.getLocalHost();
            String addressIp = ip4.getHostAddress();
            System.setProperty("workerId", (Math.abs(addressIp.hashCode())%1024)+"");
        } catch (UnknownHostException e) {
            throw new BizException(BizCodeEnum.OPS_NETWORK_ADDRESS_ERROR);
        }
    }
}
  • 配置
#id生成策略
          key-generator:
            column: id
            props:
              worker:
                id: ${workerId}
            #id生成策略
            type: SNOWFLAKE

第7集 shardingjdbc-Snowflake时间回拨问题解决和封装ID生成器

简介: shardingjdbc-Snowflake时间回拨问题解决和封装ID生成器

  • shardingjdbc-Snowflake里面解决时间回拨问题
  • 需求
    • 用户注册-生成的account_no需要是long类型,且全局唯一
  • 利用Sharding-Jdbc封装id生成器
public class IDUtil {

    private static SnowflakeShardingKeyGenerator shardingKeyGenerator = new SnowflakeShardingKeyGenerator();

    /**
     * 雪花算法生成器,配置workId,避免重复
     *
     * 10进制 654334919987691526
     * 64位 0000100100010100101010100010010010010110000000000000000000000110
     *
     * {@link SnowFlakeWordIdConfig}
     *
     * @return
     */
    public static Comparable<?> geneSnowFlakeID(){
        return shardingKeyGenerator.generateKey();
    }
}
  • 修改注册时账号生成策略
本文参与 腾讯云自媒体分享计划 ,欢迎热爱写作的你一起参与!
本文分享自作者个人站点/博客:https://www.sky12580.cn复制
如有侵权,请联系 cloudcommunity@tencent.com 删除。
登录 后参与评论
0 条评论

相关文章

  • AXU3CG开发板

    这款 MPSoCs 开发平台采用核心板加扩展板的模式,方便用户对核心板的二次开发利用。核心板使用 XILINX Zynq UltraScale+ CG 芯片 Z...

    碎碎思
  • 技术阅读-《MySQL 必知必会》

    第一章 了解SQL第二章 MySQL 介绍第三章 使用 MySQL第四章 检索数据第五章 排序检索数据第六章 过滤数据第七章 数据过滤第八章 通配符过滤第九章 ...

    闻人的技术博客
  • 顶级程序员必读的13本Java书籍

    公众号 IT老哥
  • C#设计模式开启闯关之路

      这是一条望不到尽头的编程之路,自踏入编程之路开始。就面临着各式各样的挑战,而我们也需要不断的挑战自己、不断学习充实自己、打好坚实的基础。以使我们可以走的更远...

    小世界的野孩子
  • ApacheCN Python 译文集 20211108 更新

    ApacheCN_飞龙
  • 冗余双写架构/分布式锁(第二十二章/二十三章/二十四章/二十五章/二十六章/二十七章/二十八章/二十九章/三十章)海量数据处理-商用短链

    实现分布式锁 可以用 Redis、Zookeeper、Mysql数据库这几种 , 性能最好的是Redis且是最容易理解

    高大北
  • 数据驱动业务发展 共建数据技术未来——专访OceanBase数据库创始人阳振坤

    墨墨导读:2020年11月20日,一年一度的数据技术嘉年华(DTC)如约而至,今年正值DTC举办的第十个年头,大会以“自研·智能·新基建——云和数据促创新 生态...

    数据和云
  • 16 张图图解 | 淘宝十年架构变迁!

    哈喽,小伙伴们好呀。我是狗哥,之前有读者留言让写一篇大型网站的架构演进过程,发现下面这篇文章讲解得很详细,特此分享给大家,相信看完会有所收获。

    JavaFish
  • 万字长文 | 淘宝 10年架构演进

    分享一篇讲解大型网站的架构演进过程的文章,相信看完会有所收获。 文章在介绍一些基本概念后,按照以下过程阐述了整个架构的演进过程: 单机架构 第一次演进:Tomc...

    范蠡
  • 分布式架构演进过程

    实现的是反向代理。简单来说,正向代理是代理服务器代替系统内部来访问外部网络的过程,反向代理是外部请求访问系统时通过代理服务器转发到内部服务器的过程。

    海仔
  • 16 张图解 | 淘宝 10年架构演进

    之前有读者留言让写一篇大型网站的架构演进过程,发现下面这篇文章讲解得很详细,特此分享给大家,相信看完会有所收获。

    小林coding
  • 如何读懂大数据平台—写给大数据开发初学者的话 | 附教程

    本文将从以下十个章节介绍大数据平台,希望能给大数据开发初学者、爱好者一些支持。

    挖掘大数据
  • 写给大数据开发初学者的话 | 附教程

    其实这就是想告诉你的大数据的三个发展方向,平台搭建/优化/运维/监控、大数据开发/设计/架构、数据分析/挖掘。请不要问我哪个容易,哪个前景好,哪个钱多。 ? 导...

    小莹莹
  • 一个单机架构的14次演进之路(内含示意图)

    点击上方“芋道源码”,选择“设为星标” 管她前浪,还是后浪? 能浪的浪,才是好浪! 每天 10:33 更新文章,每天掉亿点点头发... 源码精品专栏 原创 |...

    芋道源码

作者介绍

精选专题

活动推荐

扫码关注腾讯云开发者

领取腾讯云代金券