關係型資料庫本身比較容易成為系統瓶頸，單機儲存容量、連線數、處理能力都有限。當單表的資料量達到1000W或100G以後，由於查詢維度較多，即使添加從庫、最佳化索引，做很多操作時效能仍下降嚴重。此時就要考慮對其進行切分了，切分的目的就在於減少資料庫的負擔，縮短查詢時間。
1000W或100G可以說是業界參考值，具體還得看目前系統硬體設施、表格結構設計等因素。
資料庫分散式核心內容無非就是資料切分（Sharding），以及切分後對資料的定位、整合。資料切分就是將資料分散儲存到多個資料庫中，使得單一資料庫中的資料量變小，透過擴充主機的數量來緩解單一資料庫的效能問題，以達到提升資料庫操作效能的目的。
資料切分依其切分類型，可分為兩種方式：垂直（縱向）切分與水平（橫向）切分
垂直切分常見有垂直分庫和垂直分錶兩種。
垂直分庫就是根據業務耦合性，將關聯度低的不同表格儲存在不同的資料庫中。做法與大系統拆分為多個小系統類似，依業務分類獨立劃分。與"微服務治理"的做法相似，每個微服務使用單獨的一個資料庫。如圖：
垂直分錶是基於資料庫中的"列"進行，某個表格欄位較多，可以新建一張擴充表，將不會常用或欄位長度較大的欄位拆分出去到擴充表中。在字段很多的情況下（例如一個大表有100多個字段），透過"大表拆小表"，更便於開發與維護，也能避免跨頁問題，MySQL底層是透過資料頁儲存的，一條記錄佔用空間過大會導致跨頁，造成額外的效能開銷。另外資料庫以行為單位將數據載入到記憶體中，這樣表中欄位長度較短且存取頻率較高，記憶體能載入更多的數據，命中率更高，減少了磁碟IO，從而提升了資料庫效能。
#垂直切分的優點：
1、解決業務系統層面的耦合，業務清晰2、與微服務的治理類似，也能對不同業務的資料進行分級管理、維護、監控、擴展等3、高並發場景下，垂直切分一定程度的提升IO、資料庫連線數、單機硬體資源的瓶頸
缺點：
1、部分錶無法join，只能透過介面聚合方式解決，提升了開發的複雜度2、分散式事務處理複雜3、依然存在單表資料量過大的問題（需要水平切分）
當一個應用難以再細粒度的垂直切分，或切分後資料量行數龐大，存在單庫讀寫、儲存效能瓶頸，這時候就需要進行水平切分了。
水平切分分為庫內分錶和分庫分錶，是根據表內資料內在的邏輯關係，將同一個表依不同的條件分散到多個資料庫或多個表中，每個表中只包含一部分數據，使得單一表的數據量變小，達到分佈式的效果。如圖所示：
庫內分錶只解決了單一表格資料量過大的問題，但沒有將表分佈到不同機器的函式庫上，因此對於減輕MySQL資料庫的壓力來說，幫助不是很大，大家還是競爭同一個實體機的CPU、記憶體、網路IO，最好透過分庫分錶來解決。
水平切分的優點：
1、不存在單庫資料量過大、高並發的效能瓶頸，提升系統穩定性與負載能力2、應用端改造較小，不需要拆分業務模組
缺點：
1、跨分片的事務一致性難以保證2、跨庫的join關聯查詢性能較差3、資料多次擴展難度和維護量極大
水平切分後同一張表會出現在多個資料庫/表中，每個庫/表的內容不同。幾個典型的資料分片規則為：
依照時間區間或ID區間來切分。例如：按日期將不同月甚至是日的資料分散到不同的庫中；將userId為1~9999的記錄分到第一個庫，10000~20000的分到第二個庫，以此類推。某種意義上，某些系統中使用的"冷熱資料分離"，將一些使用較少的歷史資料遷移到其他庫中，業務功能上只提供熱點資料的查詢，也是類似的實踐。
這樣的優點在於：
1、單表大小可控2、天然便於水平擴展，後期如果想對整個分片集群擴容時，只需要添加節點即可，無需對其他分片的資料進行遷移3、使用分片欄位進行範圍查找時，連續分片可快速定位分片進行快速查詢，有效避免跨分片查詢的問題。
缺點：
熱點資料成為效能瓶頸。連續分片可能存在數據熱點，例如按時間字段分片，有些分片存儲最近時間段內的數據，可能會被頻繁的讀寫，而有些分片存儲的歷史數據，則很少被查詢
一般採用hash取模mod的切分方式，例如：將Customer 表根據cusno 字段切分到4個庫中，餘數為0的放到第一個庫，餘數為1的放到第二個庫，以此類推。這樣同一個使用者的資料會分散到同一個庫中，如果查詢條件帶有cusno字段，則可明確定位到對應庫去查詢。
優點：
資料分片相對比較均勻，不容易出現熱點和並發存取的瓶頸
缺點：
1.後期分片群集擴容時，需要遷移舊的資料（使用一致性hash演算法能較好的避免這個問題） 2.容易面臨跨分片查詢的複雜問題。例如上例中，如果頻繁用到的查詢條件中不帶cusno時，將會導致無法定位資料庫，從而需要同時向4個庫發起查詢，再在內存中合併數據，取最小集返回給應用，分庫反而成為拖累。
#分庫分錶能有效的環節單機和單庫帶來的效能瓶頸和壓力，突破網路IO、硬體資源、連線數的瓶頸，同時也帶來了一些問題。以下將描述這些技術挑戰以及對應的解決思路。
當更新內容同時分散在不同庫中，不可避免會帶來跨庫事務問題。跨分片事務也是分散式事務，沒有簡單的方案，一般可使用"XA協定"和"兩階段提交"處理。
分散式事務能最大限度地保證了資料庫操作的原子性。但在提交事務時需要協調多個節點，推後了提交事務的時間點，延長了事務的執行時間。導致事務在存取共享資源時發生衝突或死鎖的機率增高。隨著資料庫節點的增多，這種趨勢會越來越嚴重，從而成為系統在資料庫層面上水平擴展的枷鎖。
對於那些效能要求很高，但對一致性要求不高的系統，往往不苛求系統的即時一致性，只要在允許的時間內達到最終一致性即可，可採用交易補償的方式。與交易在執行中發生錯誤後立即回滾的方式不同，事務補償是一種事後檢查補救的措施，一些常見的實現方法有：對資料進行對帳檢查，基於日誌進行對比，定期同標準資料來源進行同步等等。事務補償還要結合業務系統來考慮。
#切分之前，系統中許多清單和詳情頁所需的資料可以透過sql join來完成。而切分之後，資料可能分佈在不同的節點上，此時join帶來的問題就比較麻煩了，考慮到效能，盡量避免使用join查詢。
解決這個問題的一些方法：
全域表，也可看做是"資料字典表"，就是系統中所有模組都可能依賴的一些表，為了避免跨庫join查詢，可以將這類表在每個資料庫中都保存一份。這些數據通常很少會進行修改，所以也不擔心一致性的問題。
典型的反範式設計，利用空間換時間，為了效能而避免join查詢。例如：訂單表保存userId時候，也將userName冗餘保存一份，這樣查詢訂單詳情時就不需要再去查詢"買家user表"了。
但這種方法適用場景也有限，比較適用於依賴欄位比較少的情況。而冗餘欄位的資料一致性也較難保證，就像上面訂單表的例子，買家修改了userName後，是否需要在歷史訂單中同步更新呢？這也要結合實際業務場景來考慮。
在系統層面，分兩次查詢，第一次查詢的結果集中找出關聯資料id，再根據id發起第二次請求得到關聯資料。最後將獲得的資料進行欄位拼裝。
關係型資料庫中，如果可以先確定表格之間的關聯關係，並將那些存在關聯關係的表記錄存放在同一分片上，那麼就能較好的避免跨分片join問題。在1:1或1:n的情況下，通常會依照主表的ID主鍵切分。如下圖所示：
這樣一來，Data Node1上面的order訂單表與orderdetail訂單詳情表就可以透過orderId進行局部的關聯查詢了，Data Node2上也一樣。
#跨節點多庫進行查詢時，會出現limit分頁、order by排序等問題。分頁需要依照指定欄位進行排序，當排序欄位就是分片欄位時，透過分片規則就比較容易定位到指定的分片；當排序欄位非分片欄位時，就變得比較複雜了。需要先在不同的分片節點中將資料排序並返回，然後將不同分片返回的結果集進行匯總和再次排序，最終返回給使用者。如圖所示：
上圖中只是取第一頁的數據，對效能影響還不算很大。但是如果取得頁數很大，情況則變得複雜很多，因為各分片節點中的資料可能是隨機的，為了排序的準確性，需要將所有節點的前N頁資料都排序好做合併，最後再進行整體的排序，這樣的操作時很耗費CPU和記憶體資源的，所以頁數越大，系統的效能也會越差。
在使用Max、Min、Sum、Count之類的函數進行計算的時候，也需要先在每個分片上執行對應的函數，然後將各個分片的結果集進行匯總和再次計算，最終將結果傳回。如圖所示：
在分庫分在表環境中，由於表中資料同時存在不同資料庫中，主鍵值平時使用的自增長將無用武之地，某個分區資料庫自產生的ID無法保證全域唯一。因此需要單獨設計全域主鍵，以避免跨庫主鍵重複問題。有一些常見的主鍵產生策略：
#UUID標準形式包含32個16進位數字，分為5段，形式為8-4-4-4-12的36個字符，例如：550e8400-e29b-41d4-a716-446655440000
UUID是主鍵是最簡單的方案，本地生成，性能高，沒有網路耗時。但缺點也很明顯，由於UUID非常長，會佔用大量的儲存空間；另外，作為主鍵建立索引和基於索引進行查詢時都會存在效能問題，在InnoDB下，UUID的無序性會造成資料位置頻繁變動，導致分頁。
#在資料庫中建立sequence 表：
CREATE TABLE `sequence` ( `id` bigint(20) unsigned NOT NULL auto_increment, `stub` char(1) NOT NULL default '', PRIMARY KEY (`id`), UNIQUE KEY `stub` (`stub`) ) ENGINE=MyISAM;
stub欄位設定為唯一索引，同一stub值在sequence表中只有一筆記錄，可以同時為多張表產生全域ID。 sequence表的內容，如下所示：
+-------------------+------+ | id | stub | +-------------------+------+ | 72157623227190423 | a | +-------------------+------+
使用 MyISAM 儲存引擎而不是 InnoDB，以獲取更高的效能。 MyISAM使用的是表格層級的鎖，對錶的讀寫是串列的，所以不用擔心在並發時兩次讀取同一個ID值。
當需要全域唯一的64位元ID時，執行：
REPLACE INTO sequence (stub) VALUES ('a'); SELECT LAST_INSERT_ID();
這兩個語句是Connection等級的，select lastinsertid() 必須與replace into 在同一資料庫連接下才能得到剛剛插入的新ID。
使用replace into代替insert into好處是避免了表格行數過大，不需要另外定期清理。
此方案較為簡單，但缺點也明顯：有單點問題，強烈依賴DB，當DB異常時，整個系統都不可用。配置主從可以增加可用性，但當主庫掛了，主從切換時，資料一致性在特殊情況下難以保證。另外效能瓶頸限制在單一MySQL的讀寫效能。
flickr團隊使用的一種主鍵產生策略，與上面的sequence表方案類似，但更好的解決了單點和效能瓶頸的問題。
這個方案的整體想法是：建立2個以上的全域ID產生的伺服器，每個伺服器上只部署一個資料庫，每個函式庫都有一張sequence表用於記錄目前全域ID。表中ID成長的步長是庫的數量，起始值依序錯開，這樣能將ID的生成雜湊到各個資料庫上。如下圖所示：
由兩個資料庫伺服器產生ID，設定不同的auto_increment值。第一台sequence的起始值為1，每次步長成長2，另一台的sequence起始值為2，每次步長成長也是2。結果第一台產生的ID都是奇數（1, 3, 5, 7 ...），第二台產生的ID都是偶數（2, 4, 6, 8 ...）。
這個方案將產生ID的壓力均勻分佈在兩台機器上。同時提供了系統容錯，第一台出現了錯誤，可以自動切換到第二台機器上取得ID。但有以下幾個缺點：系統增加機器，水平擴充時較複雜；每次取得ID都要讀寫一次DB，DB的壓力還是很大，只能靠堆機器提升效能。
可以基於flickr的方案繼續優化，使用批量的方式降低資料庫的寫入壓力，每次獲取一段區間的ID號段，用完之後再去資料庫獲取，可以大大減輕資料庫的壓力。如下圖所示：
或是使用兩台DB保證可用性，資料庫中只儲存目前的最大ID。 ID產生服務每次批次拉取6個ID，先將maxid修改為5，當應用程式存取ID產生服務時，就不需要存取資料庫，從號段快取依序派發0~5的ID。當這些ID發完後，再將maxid修改為11，下次就能發放6~11的ID。於是，資料庫的壓力降低為原來的1/6。
#Twitter的snowflake演算法解決了分散式系統產生全域ID的需求，產生64位的Long型數字，組成部分：
第一位未使用
接下來41位元是毫秒時間，41位元的長度可以表示69年的時間
5位元datacenterId，5位元workerId。 10位元的長度最多支援部署1024個節點
最後12位元是毫秒內的計數，12位元的計數順序號支援每個節點每毫秒產生4096個ID序列
#這樣的好處是：毫秒數在高位，產生的ID整體上按時間趨勢遞增；不依賴第三方系統，穩定性和效率較高，理論上QPS約為409.6w/s（1000*2^12），整個分散式系統內不會產生ID碰撞；可依自身業務靈活分配bit位。
不足就在於：強烈依賴機器時鐘，如果時鐘回撥，則可能導致生成ID重複。
結合資料庫與snowflake的唯一ID方案，可以參考業界較成熟的解法：Leaf－美團點評分佈式ID生成系統，並考慮了高可用、容災、分散式下時鐘等問題。
當業務高速發展，面臨效能和儲存的瓶頸時，才會考慮分片設計，此時就不可避免的需要考慮歷史資料遷移的問題。一般做法是先讀出歷史數據，然後按指定的分片規則再將數據寫入到各個分片節點。另外還需要根據目前的資料量和QPS，以及業務發展的速度，進行容量規劃，推算出大概需要多少分片（一般建議單一分片上的單表資料量不超過1000W）
如果採用數值範圍分片，只要加入節點就可以進行擴容了，不需要對分片資料遷移。如果採用的是數值取模分片，則考慮後期的擴容問題就相對比較麻煩。
下面講述什麼時候需要考慮做資料切分。
#並不是所有表格都需要切分，主要還是看資料的成長速度。切分後會在某種程度上提升業務的複雜度，資料庫除了承載資料的儲存和查詢外，協助業務更好的實現需求也是其重要工作之一。
不到萬不得已不用輕易使用分庫分錶這個大招，避免"過度設計"和"過早優化"。在分庫分錶之前，不要為分而分，先盡力去做力所能及的事情，例如：升級硬體、升級網路、讀寫分離、索引優化等等。當資料量達到單表的瓶頸時候，再考慮分庫分錶。
這裡所說的運維，指：
1）對資料庫備份，如果單表太大，備份時需要大量的磁碟IO和網路IO。例如1T的數據，網路傳輸佔50MB時候，需要20000秒才能傳輸完畢，整個過程的風險都是比較高的
2）對一個很大的表進行DDL修改時，MySQL會鎖住全表，這個時間會很長，這段時間業務不能訪問此表，影響很大。如果使用pt-online-schema-change，使用過程中會建立觸發器和影子表，也需要很長的時間。在此操作過程中，都算為風險時間。將資料表拆分，總量減少，有助於降低這個風險。
3）大表会经常访问与更新，就更有可能出现锁等待。将数据切分，用空间换时间，变相降低访问压力
举个例子，假如项目一开始设计的用户表如下：
id bigint #用户的IDname varchar #用户的名字last_login_time datetime #最近登录时间personal_info text #私人信息..... #其他信息字段
在项目初始阶段，这种设计是满足简单的业务需求的，也方便快速迭代开发。而当业务快速发展时，用户量从10w激增到10亿，用户非常的活跃，每次登录会更新 lastloginname 字段，使得 user 表被不断update，压力很大。而其他字段：id, name, personalinfo 是不变的或很少更新的，此时在业务角度，就要将 lastlogintime 拆分出去，新建一个 usertime 表。
personalinfo 属性是更新和查询频率较低的，并且text字段占据了太多的空间。这时候，就要对此垂直拆分出 userext 表了。
随着业务的快速发展，单表中的数据量会持续增长，当性能接近瓶颈时，就需要考虑水平切分，做分库分表了。此时一定要选择合适的切分规则，提前预估好数据容量
鸡蛋不要放在一个篮子里。在业务层面上垂直切分，将不相关的业务的数据库分隔，因为每个业务的数据量、访问量都不同，不能因为一个业务把数据库搞挂而牵连到其他业务。利用水平切分，当一个数据库出现问题时，不会影响到100%的用户，每个库只承担业务的一部分数据，这样整体的可用性就能提高。
用户中心是一个非常常见的业务，主要提供用户注册、登录、查询/修改等功能，其核心表为：
User(uid, login_name, passwd, sex, age, nickname) uid为用户ID, 主键login_name, passwd, sex, age, nickname, 用户属性
任何脱离业务的架构设计都是耍流氓，在进行分库分表前，需要对业务场景需求进行梳理：
用户侧：前台访问，访问量较大，需要保证高可用和高一致性。主要有两类需求：
1、使用者登入：透過login_name/phone/email查詢使用者訊息，1%請求屬於這種類型2、使用者資訊查詢：登入之後，透過uid來查詢使用者訊息，99%請求屬這種類型營運側：後台訪問，支援營運需求，依照年齡、性別、登陸時間、註冊時間等進行分頁的查詢。是內部系統，訪問量較低，對可用性、一致性的要求不高。
當資料量越來越大時，需要對資料庫進行水平切分，上文描述的切分方法有"根據數值範圍"和"根據數值取模"。
"依據數值範圍"：以主鍵uid為劃分依據，並依uid的範圍將資料等級切分到多個資料庫上。例如：user-db1儲存uid範圍為0~1000w的數據，user-db2儲存uid範圍為1000w~2000wuid數據。
優點是：擴容簡單，如果容量不夠，只要增加新db即可。
不足是：請求量不均勻，一般新註冊的用戶活躍度會比較高，所以新的user-db2會比user-db1負載高，導致伺服器使用率不平衡
"根據數值取模"：也是以主鍵uid為分割依據，依uid取模的值將資料水平切分到多個資料庫上。例如：user-db1儲存uid取模得1的數據，user-db2儲存uid取模得0的uid資料。
優點是：資料量和請求量分佈均均勻
#不足是：擴容麻煩，當容量不夠時，新增加db，需要rehash。需要考慮對資料進行平滑的遷移。
#水平切分後，對於按uid查詢的需求能很好的滿足，可以直接路由到具體資料庫。而按非uid的查詢，例如login_name，就不知道具體該訪問哪個庫了，此時需要遍歷所有庫，性能會降低很多。
對於用戶側，可以採用"建立非uid屬性到uid的映射關係"的方案；對於運營側，可以採用"前台與後台分離"的方案。
1）映射關係
例如：loginname不能直接定位到資料庫，可以建立login_name→uid的映射關係，用索引表或快取來儲存。當存取loginname時，先透過映射表查詢出login_name對應的uid，再透過uid定位到具體的函式庫。
映射表只有兩列，可以承載很多數據，當數據量過大時，也可以對映射表再做水平切分。這類kv格式的索引結構，可以很好的使用cache來最佳化查詢效能，而且映射關係不會頻繁變更，快取命中率會很高。
2）基因法
分庫基因：假如透過uid分庫，分為8個庫，採用uid%8的方式進行路由，此時是由uid的最後3bit來決定這行User資料具體落到哪個函式庫上，那麼這3bit可以看為分庫基因。
上面的映射關係的方法需要額外儲存映射表，按非uid欄位查詢時，還需要多一次資料庫或cache的存取。如果想要消除多餘的儲存與查詢，可以透過f函數取loginname的基因作為uid的分庫基因。產生uid時，參考上文所述的分散式唯一ID產生方案，再加上最後3位元bit值=f(loginname)。當查詢loginname時，只要計算f(loginname)%8的值，就可以定位到具體的函式庫。不過這樣需要事先做好容量規劃，預估未來幾年的資料量需要分多少庫，要預留一定bit的分庫基因。
對於使用者側，主要需求是以單行查詢為主，需要建立login_name/phone/email到uid的對應關係，可以解決這些欄位的查詢問題。
而對於營運側，很多批次分頁且條件多樣的查詢，這類查詢計算量大，回傳資料量大，對資料庫的效能消耗較高。此時，如果和用戶側公用同一批服務或資料庫，可能因為後台的少量請求，佔用大量資料庫資源，而導致用戶側存取效能降低或逾時。
這類業務最好採用"前台與後台分離"的方案，運營側後台業務抽取獨立的service和db，解決和前台業務系統的耦合。由於營運側對可用性、一致性的要求不高，可以不存取即時庫，而是透過binlog異步同步資料到營運庫進行存取。在資料量大的情況下，也可以使用ES搜尋引擎或Hive來滿足後台複雜的查詢方式。
站在巨人的肩膀上能省力很多，目前分庫分錶已經有一些較成熟的開源解決方案：
以上是資料庫分庫分錶，何時分？怎樣分？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
