分库分表-ShardingSphere
分库分表拆常见分方法与特点
分片策略 | 数据分布 | 以后扩展 |
|---|---|---|
基于Hash：hash(分片键)%分片数 | 数据分布均匀 | 不易扩容，扩容需要数据迁移 |
范围分片：例如按年分，按月，按日 | 数据分表可能不均匀 | 易扩展，扩展不需要数据迁移 |
分库分表的常见问题与解决方式
如何确定最初需要多少张表？
一般考虑10年的数据量即可，如果是基于Hash，扩容需要再次迁移
分库之后Join如何处理？
如果是绑定表，即有关联的一组表，例如订单与订单详情表，使用同一个分库分表策略。
如果要join的表，是个字典表（表小，数据变动不大），建议做成广播表，所有的库都有存一份。
如果就是落在不同的库，例如订单，商品，可以采取 CQRS或者API Composition
用户分表了，某个用户手机号，找到用户信息？
加一张关联表， phone -> userId， 先根据phone 查找userId，之后根据userId ，查询订单表
分库分表后全局唯一ID如何生产？
- UUID，无序，写入性能差
- snowflake·： ShardingSphere提供这个算法， 有序，写入性能好，生成性能无上限。
- 利用Redis作为发号器： String 类型 key：yyyyMMddHHmmssSSS value： 序号 防止时钟不准，key的有效时间为：30s，生产性能受到redis限制，一般业务够用
ShardingSphere 分片流程
分片流程：解析--> 路由->改写->执行->归并
解析 SQLParserEngine
1.解析成AST 语法树 官网图片如下：
2.提取SQLSegment
3.填充SQL语句 SQLStatement
路由SQLRouteEngine
获取SQLRouteExecutor 并执行
创建ShardingConditions
对SQLStatement进行校验。
调用链条
StandardShardingStrategy 内部doSharding方法 对精准和范围均有支持
PreciseShardingValue 处理精准分片 = ，in
RangeShardingValue 处理范围分片 >,>=,
从ShardingStrategy 的生命可以得出：分片 = 分片键+ 分片算法
public interface ShardingStrategy {
// 分片键
Collection<String> getShardingColumns();
// 算法
ShardingAlgorithm getShardingAlgorithm();
//分片方式
Collection<String> doSharding(
Collection<String> availableTargetNames,
Collection<ShardingConditionValue> shardingConditionValues,
DataNodeInfo dataNodeInfo,
ConfigurationProperties props);
}改写SQLRewriteEntry
调用链条
扩展 - 装饰者模式
不改变对象结构，动态给该对象，添加额外的功能。
标准类图，ShardingSphere 改写部分的 略有不同。
执行ExecutorEngine
官网图
连接模式说明
public enum ConnectionMode {
MEMORY_STRICTLY, CONNECTION_STRICTLY
}MEMORY_STRICTLY 内存模式，适合OLAP，并行处理
- Sharding Sphere 一次性获取所需的数据库连接。
- 只需获取一个数据库的连接不加锁
CONNECTION_STRICTLY 连接模式，适合OLTP，串行处理。
配置项
props:
max-connections-size-per-query: 1
默认为1 ，标示使用CONNECTION_STRICTLY
自动控制算法
内部自动选择算法，位于AbstractExecutionPrepareEngine#prepare
ConnectionMode connectionMode =
maxConnectionsSizePerQuery < sqlUnits.size()
? ConnectionMode.CONNECTION_STRICTLY
: ConnectionMode.MEMORY_STRICTLY;maxConnectionsSizePerQuery 用户的配置
sqlUnits.size() 路由引擎产生的Sqlunits数，粗暴的理解：要查询的SQL语句数
归并MergeEngine
流式归并：
每一次从结果集中获取的数据，都能通过逐条的方式返回正确的单条数据，就会流式归并
流式与内存互斥。
核心接口MergedResult 实现
分页LimitDecoratorMergedResult 是装饰者模式，在skipOffset（），跳过了不需要的数据，不会存在内存中。
public final class LimitDecoratorMergedResult extends DecoratorMergedResult {
private final PaginationContext pagination;
private final boolean skipAll;
private int rowNumber;
public LimitDecoratorMergedResult(final MergedResult mergedResult, final PaginationContext pagination) throws SQLException {
super(mergedResult);
this.pagination = pagination;
skipAll = skipOffset();
}
private boolean skipOffset() throws SQLException {
for (int i = 0; i < pagination.getActualOffset(); i++) {
if (!getMergedResult().next()) {
return true;
}
}
rowNumber = 0;
return false;
}
@Override public boolean next() throws SQLException {
if (skipAll) {
return false;
}
if (!pagination.getActualRowCount().isPresent()) {
return getMergedResult().next();
}
return ++rowNumber <= pagination.getActualRowCount().get() && getMergedResult().next();
}
}AggregationUnitFactory 能查到对应的聚合函数
public static AggregationUnit create(final AggregationType type, final boolean isDistinct) {
switch (type) {
case MAX:
return new ComparableAggregationUnit(false);
case MIN:
return new ComparableAggregationUnit(true);
case SUM:
return isDistinct ? new DistinctSumAggregationUnit() : new AccumulationAggregationUnit();
case COUNT:
return isDistinct ? new DistinctCountAggregationUnit() : new AccumulationAggregationUnit();
case AVG:
return isDistinct ? new DistinctAverageAggregationUnit() : new AverageAggregationUnit();
case BIT_XOR:
return new BitXorAggregationUnit();
default:
throw new UnsupportedSQLOperationException(type.name());
}
}