1 对多业务，数据库水平切分架构一次搞定

本文将以“帖子中心”为例，介绍“1对多”类业务，随着数据量的逐步增大，数据库性能显著降低，数据库水平切分相关的架构实践：

• 如何来实施水平切分

• 水平切分后常见的问题

• 典型问题的优化思路及实践

 

一、什么是1 对多关系

所谓的“1对1”，“1对多”，“多对多”，来自数据库设计中的“实体-关系”ER模型，用来描述实体之间的映射关系。

 

1对1

• 一个用户只有一个登录名，一个登录名只对应一个用户

• 一个uid对应一个login_name，一个login_name只对应一个uid

这是一个1对1的关系。

 

1对多

• 一个用户可以发多条微博，一条微博只有一个发送者

• 一个uid对应多个msg_id，一个msg_id只对应一个uid

这是一个1对多的关系。

 

多对多

• 一个用户可以关注多个用户

• 一个用户也可以被多个粉丝关注

这是一个多对多的关系。

 

二、帖子中心业务分析

帖子中心是一个典型的1对多业务。

 

一个用户可以发布多个帖子，一个帖子只对应一个发布者。

 

任何脱离业务的架构设计都是耍流氓，先来看看帖子中心对应的业务需求。

 

帖子中心，是一个提供帖子发布/修改/删除/查看/搜索的服务。

 

写操作：

• 发布(insert)帖子

• 修改(update)帖子

• 删除(delete)帖子

 

读操作：

• 通过tid查询(select)帖子实体，单行查询

• 通过uid查询(select)用户发布过的帖子，列表查询

• 帖子检索(search)，例如通过时间、标题、内容搜索符合条件的帖子

 

在数据量较大，并发量较大的时候，通常通过元数据与索引数据分离的 架构来满足不同类型的需求：

架构中的几个关键点：

• tiezi-center：帖子服务

• tiezi-db：提供元数据存储

• tiezi-search：帖子搜索服务

• tiezi-index：提供索引数据存储

• MQ：tiezi-center与tiezi-search通讯媒介，一般不直接使用RPC调用，而是通过MQ对两个子系统解耦（为何这么解耦，请参见《 到底什么时候该使用MQ？》）

 

其中，tiezi-center和tiezi-search分别满足两类不同的 读需求：

如上图所示：

• tid和uid上的查询需求，可以由tiezi-center从 元数据读取并返回

• 其他类检索需求，可以由tiezi-search从 索引数据检索并返回

 

对于 写需求：

如上图所示：

• 增加，修改，删除的操作都会从tiezi-center发起

• tiezi-center修改元数据

• tiezi-center将信息修改通知发送给MQ

• tiezi-search从MQ接受修改信息

• tiezi-search修改索引数据

 

tiezi-search，搜索架构不是本文的重点（外置索引架构设计，请参见《 100亿数据1万属性数据架构设计》），后文将重点描述帖子中心元数据这一块的水平切分设计。

 

三、帖子中心元数据设计

通过帖子中心业务分析，很容易了解到，其核心元数据为：

Tiezi(tid, uid, time, title, content, …);

其中：

• tid为帖子ID，主键

• uid为用户ID，发帖人

• time, title, content …等为帖子属性

 

数据库设计上，在业务初期，单库就能满足元数据存储要求，其典型的架构设计为：

• tiezi-center：帖子中心服务，对调用者提供友好的RPC接口

• tiezi-db：对帖子数据进行存储

 

在相关字段上建立索引，就能满足相关业务需求：

• 帖子记录查询， 通过tid查询，约占读请求量90%

select * from t_tiezi where tid=$tid

• 帖子列表查询， 通过uid查询其发布的所有帖子，约占读请求量10%

select * from t_tiezi where uid=$uid

 

四、帖子中心水平切分-tid 切分法

当数据量越来越大时，需要对帖子数据的存储进行线性扩展。

既然是帖子中心，并且帖子记录查询量占了总请求的90%，很容易想到通过tid字段取模来进行水平切分：

这个方法简单直接， 优点：

• 100%写请求可以直接定位到库

• 90%的读请求可以直接定位到库

 

缺点：

• 一个用户发布的所有帖子可能会落到不同的库上，10%的请求通过uid来查询会比较麻烦

如上图，一个uid访问需要遍历所有库。

 

五、帖子中心水平切分-uid 切分法

有没有一种切分方法，确保同一个用户发布的所有帖子都落在同一个库上，而在查询一个用户发布的所有帖子时，不需要去遍历所有的库呢？

答：使用uid来分库可以解决这个问题。

 

新出现的问题：如果使用uid来分库，确保了一个用户的帖子数据落在同一个库上，那通过tid来查询，就不知道这个帖子落在哪个库上了，岂不是还需要遍历全库，需要怎么优化呢？

答： tid的查询是单行记录查询，只要在数据库（或者缓存）记录tid到uid的映射关系，就能解决这个问题。

 

新增一个索引库：

t_mapping(tid, uid);

• 这个库只有两列，可以承载很多数据

• 即使数据量过大，索引库可以利用tid水平切分

• 这类kv形式的索引结构，可以很好的利用cache优化查询性能

• 一旦帖子发布，tid和uid的映射关系就不会发生变化，cache的命中率会非常高

 

使用uid分库，并增加索引库记录tid到uid的映射关系之后，每当有uid上的查询：

可以通过uid直接定位到库。

 

每当有tid上的查询：

• 先查询索引表，通过tid查询到对应的uid

• 再通过uid定位到库

 

这个方法的 优点：

• 一个用户发布的所以帖子落在同一个库上

• 10%的请求过过uid来查询列表，可以直接定位到库

• 索引表cache命中率非常高，因为tid与uid的映射关系不会变

 

缺点：

• 90%的tid请求，以及100%的修改请求，不能直接定位到库，需要先进行一次索引表的查询，当然这个查询非常块，通常在5ms内可以返回

• 数据插入时需要操作元数据与索引表，可能引发潜在的一致性问题

 

六、帖子中心水平切分- 基因法

有没有一种方法，既能够通过uid定位到库，又不需要建立索引表来进行二次查询呢，这就是本文要叙述的“1对多”业务分库最佳实践， 基因法。

 

什么是分库基因？

通过uid分库，假设分为16个库，采用uid%16的方式来进行数据库路由，这里的uid%16，其本质是 uid的最后4个bit决定这行数据落在哪个库上， 这4个bit，就是分库基因。

 

什么是基因法分库？

在“1对多”的业务场景，使用“1”分库，在“多”的数据id生成时，id末端加入分库基因，就能同时满足“1”和“多”的分库查询需求。

如上图所示，uid=666的用户发布了一条帖子（666的二进制表示为：1010011010）：

• 使用uid%16分库，决定这行数据要插入到哪个库中

• 分库基因是uid的最后4个bit，即1010

• 在生成tid时，先使用一种分布式ID生成算法生成前60bit（上图中绿色部分）

• 将分库基因加入到tid的最后4个bit（上图中粉色部分）

• 拼装成最终的64bit帖子tid（上图中蓝色部分）

（怎么生成60bit分布式唯一ID，请参见《 分布式ID生成算法》）

这般，保证了同一个用户发布的所有帖子的tid，都落在同一个库上，tid的最后4个bit都相同，于是：

• 通过uid%16能够定位到库

• 通过tid%16也能定位到库

 

潜在问题一：同一个uid发布的tid落在同一个库上，会不会出现数据不均衡？

答：只要uid是均衡的，每个用户发布的平均帖子数是均衡的，每个库的数据就是均衡的。

 

潜在问题二：最开始分16库，分库基因是4bit，未来要扩充成32库，分库基因变成了5bit，那怎么办？

答：需要提前做好容量预估，例如事先规划好5年内数据增长256库足够，就提前预留8bit基因。

 

七、总结

将以“帖子中心”为典型的“1对多”类业务，在架构上，采用 元数据与索引数据分离的架构设计方法：

• 帖子服务，元数据满足uid和tid的查询需求

• 搜索服务，索引数据满足复杂搜索寻求

 

对于 元数据的存储，在数据量较大的情况下，有三种常见的切分方法：

• tid切分法，按照tid分库，同一个用户发布的帖子落在不同的库上，通过uid来查询要遍历所有库

• uid切分法，按照uid分库，同一个用户发布的帖子落在同一个库上，需要通过索引表或者缓存来记录tid与uid的映射关系，通过tid来查询时，先查到uid，再通过uid定位库

• 基因法，按照uid分库，在生成tid里加入uid上的分库基因，保证通过uid和tid都能直接定位到库

对于1对多的业务场景，分库架构不再是瓶颈。

相关推荐

关于“搜索架构”，请参考系列文章：

《 如何迅猛的实现搜索需求》

《 深入浅出搜索引擎架构、方案与细节》

《 58同城如何检索到1秒前发布的帖子》

《 100亿数据1万属性数据架构设计》