<dl></dl>
<dt> 一、資料庫瓶頸 </dt>
<dd></dd>
<dt> 1、io瓶頸 </dt>
<dt> 2、cpu瓶頸 </dt>
<dt> 二、分庫分表 </dt>
<dt> 1、水準分庫 </dt>
<dt> 2、水準分表 </dt>
<dt> 3、垂直分庫 </dt>
<dt> 4、垂直分表 </dt>
<dt> 三、分庫分表工具 </dt>
<dt> 四、分庫分表步驟 </dt>
<dt> 五、分庫分表問題 </dt>
<dt> 1、非partition key的查詢問題（水準分庫分表，拆分政策為常用的hash法） </dt>
<dt> 2、非partition key跨庫跨表分頁查詢問題（水準分庫分表，拆分政策為常用的hash法） </dt>
<dt> 3、擴容問題（水準分庫分表，拆分政策為常用的hash法） </dt>
<dt> 六、分庫分表總結 </dt>
<dt> 七、分庫分表示例 </dt>
一、資料庫瓶頸 ↑
不管是io瓶頸，還是cpu瓶頸，最終都會導緻資料庫的活躍連接配接數增加，進而逼近甚至達到資料庫可承載活躍連接配接數的門檻值。在業務service來看就是，可用資料庫連接配接少甚至無連接配接可用。接下來就可以想象了吧（并發量、吞吐量、崩潰）。
第一種：磁盤讀io瓶頸，熱點資料太多，資料庫緩存放不下，每次查詢時會産生大量的io，降低查詢速度 -> 分庫和垂直分表 。
第二種：網絡io瓶頸，請求的資料太多，網絡帶寬不夠 -> 分庫 。
第一種：sql問題，如sql中包含join，group by，order by，非索引字段條件查詢等，增加cpu運算的操作 -> sql優化，建立合适的索引，在業務service層進行業務計算。
第二種：單表資料量太大，查詢時掃描的行太多，sql效率低，cpu率先出現瓶頸 -> 水準分表 。
二、分庫分表 ↑
概念：以 字段 為依據 ，按照一定政策（hash、range等），将一個 庫 中的資料拆分到多個 庫 中。
結果：
每個 庫 的 結構 都一樣；
每個 庫 的 資料 都不一樣，沒有交集；
所有 庫 的 并集 是全量資料；
場景：系統絕對并發量上來了，分表難以根本上解決問題，并且還沒有明顯的業務歸屬來垂直分庫。
分析：庫多了，io和cpu的壓力自然可以成倍緩解。
概念：以 字段 為依據 ，按照一定政策（hash、range等），将一個 表 中的資料拆分到多個 表 中。
每個 表 的 結構 都一樣；
每個 表 的 資料 都不一樣，沒有交集；
所有 表 的 并集 是全量資料；
場景：系統絕對并發量并沒有上來，隻是單表的資料量太多，影響了sql效率，加重了cpu負擔，以至于成為瓶頸。
分析：表的資料量少了，單次sql執行效率高，自然減輕了cpu的負擔。
概念：以 表 為依據，按照業務歸屬不同，将不同的 表 拆分到不同的 庫 中 。
每個 庫 的 結構 都不一樣；
每個 庫 的 資料 也不一樣，沒有交集；
場景：系統絕對并發量上來了，并且可以抽象出單獨的業務子產品。
分析：到這一步，基本上就可以服務化了。例如，随着業務的發展一些公用的配置表、字典表等越來越多，這時可以将這些表拆到單獨的庫中，甚至可以服務化。再有，随着業務的發展孵化出了一套業務模式，這時可以将相關的表拆到單獨的庫中，甚至可以服務化。
概念：以 字段 為依據，按照字段的活躍性，将 表 中字段拆到不同的 表 （主表和擴充表）中。
每個 表 的 結構 都不一樣；
每個 表 的 資料 也不一樣，一般來說，每個表的 字段 至少有一列交集，一般是主鍵，用于關聯資料；
場景：系統絕對并發量并沒有上來，表的記錄并不多，但是字段多，并且熱點資料和非熱點資料在一起，單行資料所需的存儲空間較大。以至于資料庫緩存的資料行減少，查詢時會去讀磁盤資料産生大量的随機讀io，産生io瓶頸。
分析：可以用清單頁和詳情頁來幫助了解。垂直分表的拆分原則是将熱點資料（可能會備援經常一起查詢的資料）放在一起作為主表，非熱點資料放在一起作為擴充表。這樣更多的熱點資料就能被緩存下來，進而減少了随機讀io。拆了之後，要想獲得全部資料就需要關聯兩個表來取資料。但記住，千萬别用join，因為join不僅會增加cpu負擔并且會講兩個表耦合在一起（必須在一個資料庫執行個體上）。關聯資料，應該在業務service層做文章，分别擷取主表和擴充表資料然後用關聯字段關聯得到全部資料。
三、分庫分表工具 ↑
sharding-sphere：jar，前身是sharding-jdbc；
tddl：jar，taobao distribute data layer；
mycat：中間件。
注：工具的利弊，請自行調研，官網和社群優先。
四、分庫分表步驟 ↑
根據容量（目前容量和增長量）評估分庫或分表個數 -> 選key（均勻）-> 分表規則（hash或range等）-> 執行（一般雙寫）-> 擴容問題（盡量減少資料的移動）。
五、分庫分表問題 ↑
端上 除了partition key隻有一個非partition key作為條件查詢
映射法
基因法
注：寫入時，基因法生成user_id，如圖。關于xbit基因，例如要分8張表，2 3 =8，故x取3，即3bit基因。根據user_id查詢時可直接取模路由到對應的分庫或分表。根據user_name查詢時，先通過user_name_code生成函數生成user_name_code再對其取模路由到對應的分庫或分表。id生成常用 snowflake算法 。
端上 除了partition key不止一個非partition key作為條件查詢
備援法
注：按照order_id或buyer_id查詢時路由到db_o_buyer庫中，按照seller_id查詢時路由到db_o_seller庫中。感覺有點本末倒置！有其他好的辦法嗎？改變技術棧呢？
背景 除了partition key還有各種非partition key組合條件查詢
nosql法
注：用 nosql法 解決（es等）。
水準擴容庫（更新從庫法）
注：擴容是成倍的。
水準擴容表（雙寫遷移法）
第一步：（同步雙寫）應用配置雙寫，部署；
第二步：（同步雙寫）将老庫中的老資料複制到新庫中；
第三步：（同步雙寫）以老庫為準校對新庫中的老資料；
第四步：（同步雙寫）應用去掉雙寫，部署；
注： 雙寫 是通用方案。
六、分庫分表總結 ↑
分庫分表，首先得知道瓶頸在哪裡，然後才能合理地拆分（分庫還是分表？水準還是垂直？分幾個？）。且不可為了分庫分表而拆分。
選key很重要，既要考慮到拆分均勻，也要考慮到非partition key的查詢。
隻要能滿足需求，拆分規則越簡單越好。
七、分庫分表示例 ↑
示例github位址： https://github.com/littlecharacter4s/study-sharding