從MySQL到HBase：分庫分表方案轉型的演進

移動網際網路時代，海量的使用者每天産生海量的數量，比如：

• 使用者表
• 訂單表
• 交易流水表

以支付寶使用者為例，8億；微信使用者更是10億。訂單表更誇張，比如美團外賣，每天都是幾千萬的訂單。淘寶的曆史訂單總量應該百億，甚至千億級别，這些海量資料遠不是一張表能Hold住的。事實上MySQL單表可以存儲10億級資料，隻是這時候性能比較差，業界公認MySQL單表容量在1KW量級是最佳狀态，因為這時它的BTREE索引樹高在3~5之間。

既然一張表無法搞定，那麼就想辦法将資料放到多個地方，目前比較普遍的方案有3個：

1. 分區；
2. 分庫分表；
3. NoSQL/NewSQL；

說明：隻分庫，或者隻分表，或者分庫分表融合方案都統一認為是分庫分表方案，因為分庫，或者分表隻是一種特殊的分庫分表而已。NoSQL比較具有代表性的是MongoDB，es。NewSQL比較具有代表性的是TiDB。

Why Not NoSQL/NewSQL?

1. 首先，為什麼不選擇第三種方案NoSQL/NewSQL，我認為主要是RDBMS有以下幾個優點：

   RDBMS生态完善

   RDBMS絕對穩定

   RDBMS的事務特性

NoSQL/NewSQL作為新生兒，在我們把可靠性當做首要考察對象時，它是無法與RDBMS相提并論的。RDBMS發展幾十年，隻要有軟體的地方，它都是核心存儲的首選。

目前絕大部分公司的核心資料都是：以RDBMS存儲為主，NoSQL/NewSQL存儲為輔！網際網路公司又以MySQL為主，國企&銀行等不差錢的企業以Oracle/DB2為主！NoSQL/NewSQL宣傳的無論多牛逼，就現在各大公司對它的定位，都是RDBMS的補充，而不是取而代之！

Why Not 分區?

我們再看分區表方案。了解這個方案之前，先了解它的原理：

分區表是由多個相關的底層表實作，這些底層表也是由句柄對象表示，是以我們也可以直接通路各個分區，存儲引擎管理分區的各個底層表和管理普通表一樣（所有的底層表都必須使用相同的存儲引擎），分區表的索引隻是在各個底層表上各自加上一個相同的索引，從存儲引擎的角度來看，底層表和一個普通表沒有任何不同，存儲引擎也無須知道這是一個普通表還是一個分區表的一部分。

事實上，這個方案也不錯，它對使用者屏蔽了sharding的細節，即使查詢條件沒有sharding column，它也能正常工作（隻是這時候性能一般）。不過它的缺點很明顯：很多的資源都受到單機的限制，例如連接配接數，網絡吞吐等！雖然每個分區可以獨立存儲，但是分區表的總入口還是一個MySQL示例。進而導緻它的并發能力非常一般，遠遠達不到網際網路高并發的要求！

至于網上提到的一些其他缺點比如：無法使用外鍵，不支援全文索引。我認為這都不算缺點，21世紀的項目如果還是使用外鍵和資料庫的全文索引，我都懶得吐槽了！

是以，如果使用分區表，你的業務應該具備如下兩個特點：

1. 資料不是海量（分區數有限，存儲能力就有限）；
2. 并發能力要求不高；

Why 分庫分表?

最後要介紹的就是目前網際網路行業處理海量資料的通用方法：分庫分表。

雖然大家都是采用分庫分表方案來處理海量核心資料，但是還沒有一個一統江湖的中間件，筆者這裡列舉一些有一定知名度的分庫分表中間件：

• 阿裡的TDDL，DRDS和cobar，
• 開源社群的sharding-jdbc（3.x已經更名為sharding-sphere）；
• 民間組織的MyCAT；
• 360的Atlas；
• 美團的zebra；

但是這麼多的分庫分表中間件全部可以歸結為兩大類型：

• CLIENT模式；
• PROXY模式；

CLIENT模式代表有阿裡的TDDL，開源社群的sharding-jdbc（sharding-jdbc的3.x版本即sharding-sphere已經支援了proxy模式）。架構如下：

client arch

PROXY模式代表有阿裡的cobar，民間組織的MyCAT。架構如下：

proxy arch

但是，無論是CLIENT模式，還是PROXY模式。幾個核心的步驟是一樣的：SQL解析，重寫，路由，執行，結果歸并。

筆者比較傾向于CLIENT模式，架構簡單，性能損耗較小，運維成本低。

接下來，以幾個常見的大表為案例，說明分庫分表如何落地！

實戰案例

分庫分表第一步也是最重要的一步，即sharding column的選取，sharding column選擇的好壞将直接決定整個分庫分表方案最終是否成功。而sharding column的選取跟業務強相關，筆者認為選擇sharding column的方法最主要分析你的API流量，優先考慮流量大的API，将流量比較大的API對應的SQL提取出來，将這些SQL共同的條件作為sharding column。例如一般的OLTP系統都是對使用者提供服務，這些API對應的SQL都有條件使用者ID，那麼，使用者ID就是非常好的sharding column。

這裡列舉分庫分表的幾種主要處理思路：

1. 隻選取一個sharding column進行分庫分表 ；
2. 多個sharding column多個分庫分表；
3. sharding column分庫分表 + es；

再以幾張實際表為例，說明如何分庫分表。

訂單表

訂單表幾個核心字段一般如下：

訂單表

以阿裡訂單系統為例（參考《企業IT架構轉型之道：阿裡巴巴中台戰略思想與架構實作》），它選擇了三個column作為三個獨立的sharding column，即：order_id，user_id，merchant_code。user_id和merchant_code就是買家ID和賣家ID，因為阿裡的訂單系統中買家和賣家的查詢流量都比較大，并且查詢對實時性要求都很高。而根據order_id進行分庫分表，應該是根據order_id的查詢也比較多。

這裡還有一點需要提及，多個sharding-column的分庫分表是備援全量還是隻備援關系索引表，需要我們自己權衡。

備援全量的情況如下–每個sharding列對應的表的資料都是全量的，這樣做的優點是不需要二次查詢，性能更好，缺點是比較浪費存儲空間（淺綠色字段就是sharding-column）：

備援全量

備援關系索引表的情況如下–隻有一個sharding column的分庫分表的資料是全量的，其他分庫分表隻是與這個sharding column的關系表，這樣做的優點是節省空間，缺點是除了第一個sharding column的查詢，其他sharding column的查詢都需要二次查詢，這三張表的關系如下圖所示（淺綠色字段就是sharding column）：

表之間的關系圖

備援全量表PK.備援關系表

1. 速度對比：備援全量表速度更快，備援關系表需要二次查詢，即使有引入緩存，還是多一次網絡開銷；
2. 存儲成本：備援全量表需要幾倍于備援關系表的存儲成本；
3. 維護代價：備援全量表維護代價更大，涉及到資料變更時，多張表都要進行修改。

總結：選擇備援全量表還是索引關系表，這是一種架構上的trade off，兩者的優缺點明顯，阿裡的訂單表是備援全量表。

使用者表

使用者表幾個核心字段一般如下：

使用者表

一般使用者登入場景既可以通過mobile_no，又可以通過email，還可以通過username進行登入。但是一些使用者相關的API，又都包含user_id，那麼可能需要根據這4個column都進行分庫分表，即4個列都是sharding-column。

賬戶表

賬戶表幾個核心字段一般如下：

賬戶表

與賬戶表相關的API，一般條件都有account_no，是以以account_no作為sharding-column即可。

複雜查詢

上面提到的都是條件中有sharding column的SQL執行。但是，總有一些查詢條件是不包含sharding column的，同時，我們也不可能為了這些請求量并不高的查詢，無限制的備援分庫分表。那麼這些條件中沒有sharding column的SQL怎麼處理？以sharding-jdbc為例，有多少個分庫分表，就要并發路由到多少個分庫分表中執行，然後對結果進行合并。具體如何合并，可以看筆者sharding-jdbc系列文章，有分析源碼講解合并原理。

這種條件查詢相對于有sharding column的條件查詢性能很明顯會下降很多。如果有幾十個，甚至上百個分庫分表，隻要某個表的執行由于某些因素變慢，就會導緻整個SQL的執行響應變慢，這非常符合木桶理論。

更有甚者，那些營運系統中的模糊條件查詢，或者上十個條件篩選。這種情況下，即使單表都不好建立索引，更不要說分庫分表的情況下。那麼怎麼辦呢？這個時候大名鼎鼎的elasticsearch，即es就派上用場了。将分庫分表所有資料全量備援到es中，将那些複雜的查詢交給es處理。

淘寶我的所有訂單頁面如下，篩選條件有多個，且商品标題可以模糊比對，這即使是單表都解決不了的問題（索引滿足不了這種場景），更不要說分庫分表了：

條件篩選

是以，以訂單表為例，整個架構如下：

archeitecture

具體情況具體分析：多sharding column不到萬不得已的情況下最好不要使用，成本較大，上面提到的使用者表筆者就不太建議使用。因為使用者表有一個很大的特點就是它的上限是肯定的，即使全球70億人全是你的使用者，這點資料量也不大，是以筆者更建議采用單sharding column + es的模式簡化架構。

ElasticSearch+HBase簡要

這裡需要提前說明的是，solr+HBase結合的方案在社群中出現的頻率可能更高，本篇文章為了保持一緻性，所有全文索引方案選型都是es。至于es+HBase和solr+HBase孰優孰劣，或者說es和solr孰優孰劣，不是本文需要讨論的範疇，事實上也沒有太多讨論的意義。es和solr本就是兩個非常優秀且旗鼓相當的中間件。最近幾年es更火爆：

es V.S. solr

如果抛開選型過程中所有曆史包袱，單論es+HBase和solr+HBase的優劣，很明顯後者是更好的選擇。solr+HBase高度內建，引入索引服務後我們最關心，也是最重要的索引一緻性問題，solr+HBase已經有了非常成熟的解決方案一一Lily HBase Indexer。

延伸閱讀

ElasticSearch+HBase原理

剛剛讨論到上面的以MySQL為核心，分庫分表+es的方案，随着資料量越來越來，雖然分庫分表可以繼續成倍擴容，但是這時候壓力又落到了es這裡，這個架構也會慢慢暴露出問題！

一般訂單表，積分明細表等需要分庫分表的核心表都會有好幾十列，甚至上百列（假設有50列），但是整個表真正需要參與條件索引的可能就不到10個條件（假設有10列）。這時候把50個列所有字段的資料全量索引到es中，對es叢集有很大的壓力，後面的es分片故障恢複也會需要很長的時間。

這個時候我們可以考慮減少es的壓力，讓es叢集有限的資源盡可能儲存條件檢索時最需要的最有價值的資料，即隻把可能參與條件檢索的字段索引到es中，這樣整個es叢集壓力減少到原來的1/5（核心表50個字段，隻有10個字段參與條件），而50個字段的全量資料儲存到HBase中，這就是經典的es+HBase組合方案，即索引與資料存儲隔離的方案。

Hadoop體系下的HBase存儲能力我們都知道是海量的，而且根據它的rowkey查詢性能那叫一個快如閃電。而es的多條件檢索能力非常強大。這個方案把es和HBase的優點發揮的淋漓盡緻，同時又規避了它們的缺點，可以說是一個揚長避免的最佳實踐。

它們之間的互動大概是這樣的：先根據使用者輸入的條件去es查詢擷取符合過濾條件的rowkey值，然後用rowkey值去HBase查詢，後面這一查詢步驟的時間幾乎可以忽略，因為這是HBase最擅長的場景，互動圖如下所示：

文章來源：https://youyou-tech.com/2019/11/23/HBase%E5%AE%9E%E6%88%98%E4%B8%A8%E4%BB%8EMySQL%E5%88%B0HBase/