前言：一旦遇到数据量比较大的时候，小伙伴应该都知道要对数据进行拆分。有垂直和水平两种。

垂直区分比较简单，也就是本来一个数据库，数据量大之后，从业务角度进行拆分多个库。如下图，独立的拆分出订单库和用户库。

image.png

水平拆分的概念，是同一个业务数据量大之后，进行水平拆分。

image.png
上图中订单数据达到了4000万, 大家都知道Mysq单表存储量推荐是百万级。大量的数据囤积，如果不进行处理，则会造成性能拖慢。这个时候我们就要对数据进行水平拆分，把数据拆分成4张或者更多张表。当然也可以分库，再分表。把压力从数据库层级分开。

一、谈谈分库分表方案

分库分表中常用的方案：Hash取模方案和range范围方案；
路由算法为最主要的算法，指得是把路由的Key按照指定的算法进行存放；

以下是两个方案的特点：

1.1、Hash取模方案

image.png

在我们设计之时，需要先预估大概这几年的订单量，如：4000W。每张表我们可以容纳1000W，我们就可以设计4张表进行存储。

那具体路由是如何存储的呢？hash取模方案就是对指定的路由key（如：id）对分表的总数进行取模。
上图中，id=12的订单，对4进行取模，得到0，那此订单会放到0表中。
id=13的订单，取模得到为1，就会放到1表中。
为什么对4取模，是因为分表总数是4。

• 优点：订单数据可以均匀的放在4张表中，在订单操作的时候，就不会出现热点问题。

什么是热点?
订单集中操作在一张表中,而其他表的操作却很少。
订单有个特点就是时间属性，一般用户操作订单数据的时候。都会集中在这个时间段产生的订单。如果这段时间产生的订单都在同一个表的情况下，就会形成热点问题，此时的压力就特别大。

• 缺点：数量量的增大，就非常有必要做数据迁移、扩容，这将非常的困难。

例如:业绩突飞猛进,订单量超出了4000万的量,需要增加分表数。如果我们增加4个表

image.png

问题就来了,一旦我们增加了分表总数,取模的计数就变成8,id=12的订单按照此方案就会到4表中查询,但之前的查询是在0表中,这就导致了数据查不到，就是因为取模的基数产生了变化。

遇到这种情况这么办？可能大家想的就是数据迁移。把之前4000W的数据,重新做一个Hash取模方案,放到新的规划分表中。有些小公司可以接受晚上停机迁移，但大公司是不允许停机做数据迁移的。这其实是个非常痛苦的事情，那有没有不需要做数据迁移的方案呢，我们看下面的方案

1.2、range范围方案

range范围方案就是以指定的范围进行拆分数据。

image.png

此方案就是把一定范围内的订单，存放到一个表中。如上图，id=12存放到0表中,id=1300万的存放到1表中。前期设计就是把表的范围设定好，通过id进行路由存放。

• 优点：利于扩容，不需要做数据迁移。即使再增加4张表，之前的4张表也不用改变。且新增的4张表肯定大于4000万之后的范围划分。

-缺点：会有热点问题。因为id会一直递增变大，那就是说，会有一个时间段的订单集中在一个表中，例如id=1000W~2000W,集中在这个表中的订单就会导致1表过热，压力增大，而其他的表就没有什么压力。

总结：

hash取模方案：没有热点问题，但扩容迁移数据痛苦
range方案：不需要迁移数据，但有热点问题。

那么问题来了，能否做到即不需要迁移数据，又能解决数据热点的问题呢？
其实还有一个现实需求，能否根据服务器的性能以及存储高低，适当均匀调整存储呢？

二、方案思路

在Range方案的基础上做Hash取模。

先使用Range方案让数据落在一个范围里，这样以后id不论怎么变大，以前的数据都不需要迁移。
而后进行数据均分，那么是不是可以在一定范围内进行数据均分。
未来需要扩容之时，就可以提前规划好扩容的范围大小，保证范围内的数据均分。
实现即不需要迁移数据，又能解决数据热点的问题。

三、方案设计

image.png

由上图可知，我们定义了一个Group组概念，将DB0、DB1、DB2三个数据库纳入Group01组。
DB0~DB2中，也根据range范围方案取好了表与表之间id存放的范围。
当id=0~4000万，数据落入group01组。

关键问题

1. gruop01有3个DB，我们如何精准分配路由id到哪个DB?

2. 根据hash取模定位DB，那模数为多少？这里的模数必须取所有此group组DB中的表数。上图总表数为10。为什么要取表的总数？而不是DB总数3呢？

3. 如id=12，id%10=2；那值为2，落到哪个DB库呢？这是前期设定好的，那怎么设定的呢？

4. 一旦设计定位哪个DB后，就需要确定落到DB中的哪张表呢？

四、核心主流程

image.png

根据上图的流程，我们可以有效的避免热点问题。

可以来看一下，id在【0，1000w】范围内的，根据上面的流程设计。
1000万以内的id都均匀的分配到DB0、DB1、DB2三个数据表中的table_0中，就是用到了Hash取模方案,对10进行取模。

那为什么对表的总数10取模，而不是DB的总数3进行取模？我们看一下为什么DB_0是4张表，其他两个DB_1是3张表？
在我们安排服务器时，有些服务器的性能存储比较高，就可以安排多存放些数据，有些性能低的就少放点数据。如果我们取模是按照DB总数3，进行取模，那就代表着【0，4000万】的数据是平均分配到3个DB中的，那就不能够实现按照服务器能力适当分配了。

而按照Table总数10就能够达到，如下图：

image.png

上图中我们对10进行取模。
如果值为【0，1，2，3】就路由到DB_0，【4，5，6】路由到DB_1，【7，8，9】路由到DB_2。
这样的设计就可以把多一点的数据放到DB_0中，其他2个DB数据量就可以少一点。DB_0承担了4/10的数据量，DB_1承担了3/10的数据量，DB_2也承担了3/10的数据量。整个Group01承担了【0，4000万】的数据量。

上面的知识笔录，基本可以解决热点的问题，以及可以按照服务器指标，设计数据量的分配。

五、如何扩容

其实上面设计思路理解了，扩容就已经出来了；那就是扩容的时候再设计一个group02组，定义好此group的数据范围就ok。

image.png

因为是新增的一个group02组，所以就没有什么数据迁移概念，完全是新增的group组，而且这个group组照样就防止了热点，也就是【4000万，5500万】的数据，都均匀分配到三个DB的table_0表中，【5500万～7000万】数据均匀分配到table_1表中等。

六、系统设计

思路确定了，设计是比较简单的，就3张表，把group，DB，table之间建立好关联关系就行。

image.png

group和DB的关系

image.png

table和db的关系

上面的表关联其实是比较简单的，只要原理思路理顺了，就ok了。小伙伴们在开发的时候不要每次都去查询三张关联表，可以保存到缓存中（Redis缓存），这样不会影响性能。

纯学习记录，望能够帮助大家。大佬勿喷~