作為資料庫核心成員，如何讓淘寶不卡頓？

時間倒轉穿越回2007年年底

一覺醒來，我還是照常去上班，走到西溪濕地附近，馬路沒有，高樓沒有，有的是小山坡和金色的稻田。一番打聽之後，才知道此時沒有什麼西溪園區。沒辦法，硬着頭皮去濱江上班，一刷卡，才發現我并不是我，我現在的身份是淘寶資料庫團隊的核心成員。

此時全國上下在迎接着奧運的到來，一片祥和。淘寶網成交額突破400億，日活使用者達1000萬。工程師們都非常興奮，磨刀霍霍。但是也遇到了棘手的問題。

一 分析目前的現狀

1.1 現有業務背景

• 淘寶網給中國市場提供了全新的購物形式，在網際網路的大潮下，使用者暴增，成交量暴增，公司持續飛速增長。
• 截止2007年，淘寶網成交額突破400億，日活使用者達1000萬。
• 全天有1000萬使用者通路淘寶。而絕大多數使用者都是在網上逛，什麼也不買。

1.2 目前的問題

1.2.1 使用者體驗與回報

使用者普遍回報逛淘寶卡頓，操作延遲特别明顯。

1.2.2 分析核心原因

• 大量的使用者在浏覽商品，并不下單。這個人數和場景的比例有20:1。
• • 說明：資料庫模式事務，寫操作會對表或者行加寫鎖，阻塞讀操作。
• 業務資料集中在一張表裡，如user表。一張表裡資料破幾千萬。查詢一條資料需要好幾秒（單表資料量太大）。
• • 說明：一張表資料提升，必然會導緻檢索變慢， 這是必然事實。不論如何加索引或者優化都無法解決的。
• 所有表集中在一個庫裡，所有庫集中在一個機器裡。資料庫集中在一台機器上，動不動就說硬碟不夠了（單機單庫）。
• • 說明：所有業務共用一份實體機器資源。機器存在瓶頸：磁盤和CPU不夠用且後期拓展性不佳。

1.2.3 總結問題

• 20:1讀寫比例場景。
• 單表單庫資料量太大。
• 小型機與單機場景，抗不住目前規模。

二 我要做什麼？

• 如何滿足目前每天1000萬使用者逛淘寶的需求，且使用者體驗好（最基本要求：響應快）。
• 如何滿足未來有上億使用者的通路，甚至是同時通路，且使用者體驗好（最基本要求：響應快）。

高築牆，廣積糧，積極做好準備。

提煉核心：

• 提高資料庫操作速度。
• 同時能應對未來規模變化。

三 我能做什麼?

為實作以上兩大目标，我能做什麼？

3.1 提高資料庫操作速度，通用方法

提煉常見的通用方法：

sql優化

• 排除文法問題，爛sql
• 下推優化

下推的目的：提前過濾資料 -> 減少網絡傳輸、并行計算。

• 提前過濾資料
• 小表驅動大表等

建立索引

• 查詢頻率高的熱點字段
• 區分度高的(DISTINCT column_name)/COUNT()，以主鍵為榜樣（1/COUNT()）
• 長度小
• 盡量能覆寫常用查詢字段
• 注意索引失效的場景

分庫分表

• 垂直分庫分表
• 水準分庫分表

讀寫分離

緩存的使用

等等。

3.2 如何應對未來的持續變化？

必須支援動态擴容。

必須走分布式化路線，百分百不動搖。

3.3 結合定位，分析自己能做的

3.3.1 分析我們的架構定位

（1）大前提

• 我們要做通用型架構，不參與業務。
• 從軟體設計原則出發，開閉原則：對擴充開放，對修改關閉。

說明：大修改就意味着不穩定，是以：我們要做到盡可能少的修改原來的代碼。在程式需要進行拓展的時候，不能去修改原有的代碼，實作一個熱插拔的效果。

（2）目前架構現狀

淘寶網主要使用hibernate/ibatis傳統架構：

（3）分析我們的架構定位

淘寶資料庫團隊當時使用映射架構（hibernate/ibatis）作為資料庫互動入庫，為了不讓他們修改代碼，那我們隻能在ibatis/hibenate這類映射架構之下。

同時jdbc是與底層資料庫互動的Java資料庫連接配接驅動程式，是基礎能力，我們要使用它，而不是改造它。

結論：我得把TDDL安插于ibatis/jdbc之間，于是有了第一張架構圖：

3.4 總結，我們能做什麼？

結合我們的目标，通用方法，大前提以及架構定位，分析下我們能做和不能做的。

不能做的：

• 索引，因為這個是設計階段，強業務相關。與大前提沖突：我們不參與業務。

能做的：

• 文法優化
• • 排除sql問題
• 分表分庫（自動水準分表，水準分庫）
• • 讀寫分離（讀寫分離/分布式化與動态擴容）

四 我們如何做？

4.1 文法優化

為達到文法優化的目的，我們需要具備什麼能力？

簡單來說：

• 我們需要認識這個别人送出給我的sql。
• 我能拆解sql。
• 優化與重組這個sql。

專業點來說：語義分析能力。

• sql解析
• sql規則制定
• sql重組

是以：我們需要設計一個sql解析器，sql優化器。

4.1.1 解析器

解析器的核心是詞法分析、文法語義分析，也就是說來了一條 select/update/insert/delete語句，你能認識它，而且你知道下一步該怎麼處理，同時為後面的優化器打下基礎。

核心：将sql解析為一棵文法樹。

例：

SELECT id, member_id FROM wp_image WHERE member_id = ‘123’           

sql文法樹：

4.1.2 優化器

核心：

• 在sql解析成sql文法樹後，使用sql優化規則(1. 文法優化 2. 下推優化)， 通過對樹進行左旋，右旋，删除子樹來對文法樹進行重構sql文法樹。
• 将重構的文法樹進行周遊得到優化後的sql。

（1）文法優化

• 函數提前計算

a. id = 1 + 1  => id = 2
           

• 判斷永真/永假式

1 = 1 and id = 1 => id = 1
0 = 1 and id = 1 => 空結果
           

• 合并範圍

id > 1 or id < 5 => 永真式
id > 1 and id = 3 => id = 3
           

• 類型處理

id = ‘1’  => id為數字類型,自動Long.valueof(1)
create=‘2015-02-14 12:12:12’ => create為timestamp類型，解析為時間類型
           

（2）下推優化

• Where條件下推

select from (A) o where o.id = 1
=>
select from (A.query(id = 1))
           

說明：提前條件過濾，提前擷取資料，減少後期計算/IO/網絡成本。

• JOIN中非join列的條件下推

A join B on A.id = B.id where A.name = 1 and B.title = 2
=> 
A.query(name = 1) join B.query(title = 2) on A.id = B.id
           

說明：提前過濾，減輕後期join計算成本，達到“小表驅動”的目的。

• 等值條件的推導

A join B on A.id = B.id where A.id = 1 => B.id = 1
=> 
A join B.query(B.id=1) on A.id = B.id
           

說明：同理，提前過濾。

4.1.3 總結

• sql解析器
• • 負責将sql語句化為sql文法樹。
• sql優化器
• • 負責将sql文法樹利用sql優化規則，重構sql文法樹。
• • 将sql文法樹轉化為sql語句。

4.2 分表分庫

單庫單表的問題：

幾年前，業務簡單，應用的資料比較少，表結構也不複雜。隻有一個資料庫，資料庫中的表是一張完整的表。而到了今天，2007年了，業務複雜起來了，資料量爆增，單表資料破千萬甚至上億條，一條DML語句，死慢死慢的。這種情況下加索引已不再有顯著的效果。

這個時候，資料庫效率瓶頸不是靠加索引，sql優化能搞定的。

正确出路：分表分庫，通過将表拆分，來降低單表資料量，進而提高資料庫操作效率。

分表分為：

• 垂直分表
• 水準分表

分庫分為：

• 垂直分庫
• 水準分庫

由于TDDL不參與業務，而垂直分庫分表是強業務相關的，是以TDDL暫不參與垂直分庫分表，隻在水準分庫分表方向上努力。

4.2.1 垂直分表

垂直拆分是将一張表垂直拆成多個表。往往是把常用的列獨立成一張主表。不常用的列以及特别長的列拆分成另一張拓展表。

簡單垂直分表舉例

核心要素：

• 冷熱分離，把常用的列放在一個表，不常用的放在一個表。
• 大字段列獨立存放，如描述資訊。
• 關聯關系的列緊密的放在一起。

它帶來的提升是：

• 為了避免IO争搶并減少鎖表的幾率，檢視詳情的使用者與商品資訊浏覽互不影響。
• 充分發揮熱門資料的操作效率，商品資訊的操作的高效率不會被商品描述的低效率所拖累。

4.2.2 水準分表

水準分表是在同一個資料庫内，把同一個表的資料按一定規則拆到多個表中。

簡單點的技巧：按照枚舉類型區分。

作用總結：

• 庫内的水準分表，解決了單一表資料量過大的問題，分出來的小表中隻包含一部分資料，進而使得單個表的資料量變小，提高檢索性能。
• 避免IO争搶并減少鎖表的幾率。

4.2.3 垂直分庫

垂直分庫是指按照業務将表進行分類，分布到不同的資料庫上面，每個庫可以放在不同的伺服器上，它的核心理念是專庫專用。

• 解決業務層面的耦合，業務清晰。
• 高并發場景下，垂直分庫一定程度的提升IO、資料庫連接配接數、降低單機硬體資源的瓶頸。
• 能對不同業務的資料進行分級管理、維護、監控、擴充等。
• 垂直分庫通過将表按業務分類，然後分布在不同資料庫，并且可以将這些資料庫部署在不同伺服器上，進而達到多個伺服器共同分攤壓力的效果，但是依然沒有解決單表資料量過大的問題。

4.2.4 水準分庫(TDDL 核心)

水準分庫是把同一個表的資料按一定規則拆到不同的資料庫中，每個庫可以放在不同的伺服器上。

• 解決了單庫單表資料量過大的問題，理論上解決了高并發的性能瓶頸。

水準分庫核心要解決的問題：

• 如何知道資料在哪個庫裡？- 路由問題
• 結果合并
• 全局唯一主鍵ID
• 分布式事務（暫時不支援）

4.2.5 水準分庫——問題解決

（1）自動路由算法

sql轉發：在水準拆分後，資料被分散到多張表裡。原來的一個sql需要拆解，進行轉發路由。

select * from tb1 where member_id in ('test1234', 'pavaretti17', 'abcd');
=>
select * from tb1 where member_id in ('test1234', 'pavaretti17', 'abcd');
select * from tb1 where member_id in ('abcd');
           

其中拆分和尋找的算法：怎麼知道對應哪個表？即自動路由算法。常見的有：固定雜湊演算法和一緻性雜湊演算法。

a）固定雜湊演算法

b）一緻性雜湊演算法

一緻性雜湊演算法在1997年由麻省理工學院提出，是一種特殊的雜湊演算法，目的是解決分布式緩存的問題。

一緻性雜湊演算法的優勢：

• 極好的應對了伺服器當機的場景。
• 很好的支援後期伺服器擴容。
• 在引入虛拟節點後：能很好的平衡各節點的資料分布。

由于一緻性雜湊演算法的優勢，此算法幾乎是所有分布式場景下使用的方案，包括mysql的分布式、redis的分布式等。

（2） 結果合并

升華：引入fork-Join，提升操作速度（多線程并發重點場景，代碼中也很常用哦）。

• 任務拆分
• 多路并行操作

（3）全局唯一主鍵

算法：基于資料庫更新＋記憶體配置設定。在資料庫中維護一個ID，擷取下一個ID時，會對資料庫進行ID=ID+100 WHERE ID=XX，拿到100個ID後，在記憶體中進行配置設定。

• 優勢：簡單高效。
• 缺點：無法保證自增順序。

水準分庫分表：一拆三場景。
主鍵分隔值：1000。
           

• 表1新增一條資料，于是給表1配置設定1000個主鍵ID， 直到它用完。
• 同理，表2、表3在新增資料時，也給它們配置設定1000個主鍵ID。直到它用完。
• 當它們的1000個主鍵ID用完後，繼續給它們配置設定1000個即可。
• 重複下去，可保證各庫表上的主鍵不重疊，唯一。

這種産生全局唯一id的方式相當有效，保證基本的全局唯一特性和高性能的同時，可以對生成id的資料庫分機架分機房部署達到容災的目的。

4.2.6 分表分庫總結

架構師角度：

• 優先考慮緩存降低對資料庫的讀操作。
• 再考慮讀寫分離，降低資料庫寫操作。
• 最後開始資料拆分，切分模式：首先垂直（縱向）拆分、再次水準拆分。
• • 首先考慮按照業務垂直拆分。

• • 再考慮水準拆分：先分庫(設定資料路由規則，把資料配置設定到不同的庫中)。
• 最後再考慮分表，單表拆分到資料1000萬以内。

個人開發角度：

• 優先使用分表分庫架構（直接使用）。
• 自己垂直分表。
• 自己水準分表。

之是以先垂直拆分才水準拆分，是因為垂直拆分後資料業務清晰而且單一，更加友善指定水準的标準。

4.3 分布式化

分布式化是大潮，是大規模伺服器最後都要走的一步。

4.3.1 讀寫分離

設計讀寫分離的資料庫，有兩大意義：

• 主從隻負責各自的寫和讀，極大程度的緩解X鎖和S鎖的競争。
• 從庫可配置myisam引擎，提升查詢性能以及節約系統開銷。

說明：myisam查詢效率高于預設的innodb效率。參考：myisam和innodb的差別。

核心問題：

• 資料的備份同步問題：參考4.4.3。
• 讀寫比例支援動态設定：結合業務，如淘寶可設定為20:1。

4.3.2 容災

主備倒換：提高可靠性 > 應對個别資料庫當機場景，尤其主庫當機。

說明：DB2主庫當機後，自動将主庫轉為DB3。

• 資料的備份同步問題：binlog 參考4.4.3。
• 檢測資料庫的線上狀态：心跳機制。

4.3.3 資料備份與同步

當隻有單機或者一份資料時，一但資料庫出問題，那麼整體服務将不可用，而且更嚴重的是會造成資料損害丢失不可逆。

在讀寫分離與主備倒換的場景下，核心要解決的是多個資料庫的資料同步與備份問題。

目前主流的是采用日志備份方式（redis也類似）。

實作原理：binlog日志備份。

說明：

• 主庫負責寫操作，在資料變更時，會寫入binlog，同時通知各從庫。
• 從庫收到通知後，IO線程會主動過來讀取主庫的binlog，并寫入自己的log。
• 寫完從庫log後，通知sql線程，sql線程讀取自己的日志，寫入從庫。

4.3.4 動态擴容

動态擴容的意義在于：随着後期業務量增大，資料庫個數可以通過增多的方式來應對，而相對的改造代價很小。

擴容前：

擴容後：

核心内容：

• 在添加新庫時
• • 注冊機器與庫

• • 路由算法調整：固定雜湊演算法-調整模數/一緻性雜湊演算法天然支援擴容
• 可選的權重調整
• • 修改權重，資料插入偏向于新庫5。

• • 在各庫數量平衡時，觸發修改回原來平衡的權重，以保證後續的均衡配置設定。

五 架構成型

sql流向

下圖介紹sql從流入TDD到流入資料庫，期間TDDL各子產品對Sql的處理。

架構圖

下圖介紹了TDDL三層的位置以及作用。

核心能力圖

TDDL 核心能力，核心組建示意圖，其中标出了各子產品核心要解決功能，核心算法等。

參考

TDDL 官方文檔

http://mw.alibaba-inc.com/products/tddl/_book/

TDD産品原理介紹

http://gitlab.alibaba-inc.com/middleware/tddl5-wiki/raw/master/docs/Tddl_Intro.ppt

TDDL(07-10年)初始版本介紹

https://wenku.baidu.com/view/9cb630ab7f1922791788e825.html

阿裡雲SQL調優指南

https://help.aliyun.com/document_detail/144293.html

一緻性雜湊演算法原理

https://www.cnblogs.com/lpfuture/p/5796398.html

TDDL初期源碼（碼雲）

https://gitee.com/justwe9891/TDDL

MyISAM與InnoDB 的差別（9個不同點）

https://blog.csdn.net/qq_35642036/article/details/82820178