又拍网架构中的分库设计
本文已经首发于InfoQ中文站,原文为又拍网架构中的分库设计如需转载,请附带本声明,谢谢。
又拍网是一个照片分享社区,从2005年6月至今积累了260万用户,1.1亿张照片,目前的日访问量为200多万。 5年的发展历程里经历过许多起伏,也积累了一些经验,在这篇文章里,我要介绍一些我们在技术上的积累。
又拍和大多数Web2.0站点一样,构建于大量开源软件之上,包括MySQL, PHP, nginx, Python, memcached, redis, Solr, Hadoop, RabbitMQ等等。
又拍的服务器端开发语言主要是PHP和Python, PHP用于编写Web逻辑(通过HTTP和用户直接打交道), 而Python则主要用于开发内部服务和后台任务。而在客户端使用了大量的Javascript, 要感谢一下MooTools这个JS框架使得我们很享受前端开发过程。 另外,我们把图片处理过程从PHP进程里独立出来变成一个服务。 这个服务基于nginx, 作为nginx的一个模块而开放REST API。
由于PHP的单线程模型,我们把耗时较久的运算和I/O操作从HTTP请求周期中分离出来, 交给由Python实现的任务进程来完成,以保证请求响应速度。 这些任务主要包括:邮件发送,数据索引,数据聚合,好友动态推送(稍候会有介绍)等等。 通常这些任务由用户触发,并且,用户的一个行为可能会触发多种任务的执行。 比如,用户上传了一张新的照片,我们需要更新索引,也需要向他的朋友推送一条新的动态。 PHP通过消息队列(我们用的是RabbitMQ)来触发任务执行。
数据库一向是网站架构中最具挑战性的,瓶颈通常出现在这里。又拍网的照片数据量很大, 数据库也几度出现严重的压力问题。因此,这里我主要介绍一下又拍网在分库设计这方面的一些尝试。
分库设计
和很多使用MySQL的2.0站点一样,又拍网的MySQL集群经历了从最初的一个主库一个从库、到一个主库多个从库、 然后到多个主库多个从库的一个发展过程。
最初是由一台主库和一台从库组成,当时从库只用作备份和容灾,当主库出现故障时,从库就手动变成主库,一般情况下, 从库不作读写操作(同步除外)。随着压力的增加,我们加上了memcached,当时只用其缓存单行数据。但是, 单行数据的缓存并不能很好的解决压力问题,因为单行数据的查询通常很快。所以我们把一些实时性要求不高的Query放到从库去执行。 后面又通过添加多个从库来分流查询压力,不过随着数据量的增加,主库的写压力也越来越大。
在参考了一些相关产品和其它网站的做法后,我们决定进行数据库拆分。也就是将数据存放到不同的数据库服务器中, 一般可以按两个纬度来拆分数据:
-
垂直拆分
是指按功能模块拆分,比如可以将群组相关表和照片相关表存放在不同的数据库中,这种方式多个数据库之间的表结构不同。
-
水平拆分
而水平拆分是将同一个表的数据进行分块保存到不同的数据库中,这些数据库中的表结构完全相同。
拆分方式
一般都会先进行垂直拆分,因为这种方式拆分方式实现起来比较简单,根据表名访问不同的数据库就可以了。 但是垂直拆分方式并不能彻底解决所有压力问题,另外,也要看应用类型是否合适这种拆分方式。 如果合适的话,也能很好的起到分散数据库压力的作用。比如对于豆瓣我觉得比较适合采用垂直拆分, 因为豆瓣的各核心业务/模块(书籍、电影、音乐)相对独立,数据的增加速度也比较平稳。 不同的是,又拍网的核心业务对象是用户上传的照片,而照片数据的增加速度随着用户量的增加越来越快。 压力基本上都在照片表上,显然垂直拆分并不能从根本上解决我们的问题,所以,我们采用水平拆分的方式。
拆分规则
水平拆分实现起来相对复杂,我们要先确定一个拆分规则,也就是按什么条件将数据进行切分。 一般2.0网站都以用户为中心,数据基本都跟随用户,比如用户的照片,朋友和评论等等。 因此一个比较自然的选择是根据用户来切分。每个用户都对应一个数据库,访问某个用户的数据时, 我们要先确定他/她所对应的数据库,然后连接到该数据库进行实际的数据读写。
那么,怎么样对应用户和数据库呢? 我们有这些选择:
-
按算法对应
最简单的算法是按用户ID的奇偶性来对应,将奇数ID的用户对应到数据库A, 而偶数ID的用户则对应到数据库B。 这个方法的最大问题是,只能分成两个库。 另一个算法是按用户ID所在区间对应,比如ID在0-10000之间的用户对应到数据库A, ID在10000-20000这个范围的对应到数据库B,以此类推。 按算法分实现起来比较方便,也比较高效, 但是不能满足后续的伸缩性要求,如果需要增加数据库节点,必需调整算法或移动很大的数据集, 比较难做到在不停止服务的前提下进行扩充数据库节点。
-
按索引/映射表对应
这种方法是指建立一个索引表,保存每个用户的ID和数据库ID的对应关系,每次读写用户数据时先从这个表获取对应数据库。 新用户注册后,在所有可用的数据库中随机挑选一个为其建立索引。这种方法比较灵活,有很好的伸缩性。 一个缺点是增加了一次数据库访问,所以性能上没有按算法对应好。
我们采用的是索引表的方式,我们愿意为其灵活性损失一些性能,更何况我们还有memcached, 因为索引数据基本不会改变的缘故,缓存命中率非常高。所以能很大程度上减少了性能损失。
索引表的方式能够比较方便地添加数据库节点,在增加节点时,只要将其添加到可用数据库列表里即可。 当然如果需要平衡各个节点的压力的话,还是需要进行数据的迁移,但是这个时候的迁移是少量的,可以逐步进行。 要迁移用户A的数据,首先要将其状态置为迁移数据中,这个状态的用户不能进行写操作,并在页面上进行提示。 然后将用户A的数据全部复制到新增加的节点上后,更新映射表,然后将用户A的状态置为正常, 最后将原来对应的数据库上的数据删除。这个过程通常会在临晨进行,所以,所以很少会有用户碰到迁移数据中的情况。
当然,有些数据是不属于某个用户的,比如系统消息、配置等等,我们把这些数据保存在一个全局库中。
问题
分库会给你在应用的开发和部署上都带来很多麻烦。
-
不能执行跨库的关联查询
如果我们需要查询的数据分布于不同的数据库,我们没办法通过
JOIN
的方式查询获得。 比如要获得好友的最新照片,你不能保证所有好友的数据都在同一个数据库里。 一个解决办法是通过多次查询,再进行聚合的方式。我们需要尽量避免类似的需求。 有些需求可以通过保存多份数据来解决,比如User-A
和User-B
的数据库分别是DB-1
和DB-2
, 当User-A
评论了User-B
的照片时,我们会同时在DB-1
和DB-2
中保存这条评论信息, 我们首先在DB-2
中的photo_comments
表中插入一条新的记录,然后在DB-1
中的user_comments
表中插入一条新的记录。 这两个表的结构如下图所示。这样我们可以通过查询photo_comments
表得到User-B
的某张照片的所有评论, 也可以通过查询user_comments
表获得User-A
的所有评论。另外可以考虑使用全文检索工具来解决某些需求, 我们使用Solr来提供全站标签检索和照片搜索服务。
-
不能保证数据的一致/完整性
跨库的数据没有外键约束,也没有事务保证。比如上面的评论照片的例子, 很可能出现成功插入
photo_comments
表,但是插入user_comments
表时却出错了。 一个办法是在两个库上都开启事务,然后先插入photo_comments
,再插入user_comments
, 然后提交两个事务。这个办法也不能完全保证这个操作的原子性。 -
所有查询必须提供数据库线索
比如要查看一张照片,仅凭一个照片ID是不够的,还必须提供上传这张照片的用户的ID(也就是数据库线索), 才能找到它实际的存放位置。因此,我们必须重新设计很多URL地址,而有些老的地址我们又必须保证其仍然有效。 我们把照片地址改成
/photos/{username}/{photo_id}/
的形式,然后对于系统升级前上传的照片ID, 我们又增加一张映射表,保存photo_id
和user_id
的对应关系。当访问老的照片地址时,我们通过查询这张表获得用户信息, 然后再重定向到新的地址。 -
自增ID
如果要在节点数据库上使用自增字段,那么我们就不能保证全局唯一。这倒不是很严重的问题, 但是当节点之间的数据发生关系时,就会使得问题变得比较麻烦。我们可以再来看看上面提到的评论的例子。 如果
photo_comments
表中的comment_id
是自增字段,当我们在DB-2.photo_comments
表插入新的评论时, 得到一个新的comment_id
, 假如值为101, 而User-A
的ID为1, 那么我们还需要在DB-1.user_comments
表中插入(1, 101 ...)
。User-A
是个很活跃的用户,他又评论了User-C
的照片,而User-C
的数据库是DB-3
。 很巧的是这条新评论的ID也是101,这种情况很有可能发生。那么我们又在DB-1.user_comments
表中插入一行像这样(1, 101 ...)
的数据。 那么我们要怎么设置user_comments
表的主键呢?可以不设啊,不幸的是有的时候(框架、缓存等原因)必需设置。那么可以以user_id
、comment_id
和photo_id
为组合主键,但是photo_id
也有可能一样(的确很巧)。看来只能再加上photo_owner_id
了, 但是这个结果让我实在有点无法接受,太复杂的组合键在数据写入时会带来一定的性能影响, 这样的自然键看起来也很不自然。 更重要的是我们需要在节点之间移动数据。所以,我们放弃了在节点上使用自增字段,想办法让这些ID变成全局唯一。 为此增加了一个专门用来生成ID的数据库,这个库中的表结构都很简单,只有一个自增字段id
。 当我们要插入新的评论时,我们先在ID库的photo_comments
表里插入一条空的记录以获得一个唯一的评论ID。 当然这些逻辑都已经封装在我们的框架里了,对于开发人员是透明的。 为什么不用其它方案呢,比如一些支持incr
操作的Key-Value数据库。我们还是比较放心把数据放在MySQL里。 另外,我们会定期清理ID库的数据,以保证获取新ID的效率。
实现
我们称前面提到的一个数据库节点为Shard
,一个Shard
由两个台物理服务器组成,
我们称它们为Node-A
和Node-B
,Node-A
和Node-B
之间是配置成Master-Master
相互复制的。
虽然是Master-Master
的部署方式,但是同一时间我们还是只使用其中一个,原因是复制的延迟问题,
当然在Web应用里,我们可以在用户会话里放置一个A
或B
来保证同一用户一次会话里只访问一个数据库,
这样可以避免一些延迟问题。但是我们的Python任务是没有任何状态的,不能保证和PHP应用读写相同的数据库。
那么为什么不配置成Master-Slave
呢?我们觉得只用一台太浪费了,所以我们在每台服务器上都创建多个逻辑数据库。
如下图所示,在Node-A
和Node-B
上我们都建立了shard_001
和shard_002
两个逻辑数据库,
Node-A
上的shard_001
和Node-B
上的shard_001
组成一个Shard
,而同一时间只有一个逻辑数据库处于Active
状态。
这个时候如果需要访问Shard-001
的数据时,我们连接的是Node-A
上的shard_001
,
而访问Shard-002
的数据则是连接Node-B
上的shard_002
。以这种交叉的方式将压力分散到每台物理服务器上。
以Master-Master
方式部署的另一个好处是,我们可以不停止服务的情况下进行表结构升级,
升级前先停止复制,升级Inactive
的库,然后升级应用,再将已经升级好的数据库切换成Active
状态,
原来的Active
数据库切换成Inactive
状态,然后升级它的表结构,最后恢复复制。
当然这个步骤不一定适合所有升级过程,如果表结构的更改会导致数据复制失败,那么还是需要停止服务再升级的。
前面提到过添加服务器时,为了保证负载的平衡,我们需要迁移一部分数据到新的服务器上。 为了避免短期内迁移的必要,我们在实际部署的时候,每台机器上部署了8个逻辑数据库, 添加服务器后,我们只要将这些逻辑数据库迁移到新服务器就可以了。最好是每次添加一倍的服务器, 然后将每台的1/2逻辑数据迁移到一台新服务器上,这样能很好的平衡负载。 当然,最后到了每台上只有一个逻辑库时,迁移就无法避免了,不过那应该是比较久远的事情了。
我们把分库逻辑都封装在我们的PHP框架里了,开发人员基本上不需要被这些繁琐的事情困扰。 下面是使用我们的框架进行照片数据的读写的一些例子:
$Photos = new ShardedDBTable('Photos', 'yp_photos', 'user_id', array(
'photo_id' => array('type' => 'long', 'primary' => true, 'global_auto_increment' => true),
'user_id' => array('type' => 'long'),
'title' => array('type' => 'string'),
'posted_date' => array('type' => 'date'),
));
$photo = $Photos->new_object(array('user_id' => 1, 'title' => 'Workforme'));
$photo->insert();
// 加载ID为10001的照片,注意第一个参数为用户ID
$photo = $Photos->load(1, 10001);
// 更改照片属性
$photo->title = 'Database Sharding';
$photo->update();
// 删除照片
$photo->delete();
// 获取ID为1的用户在2010-06-01之后上传的照片
$photos = $Photos->fetch(array('user_id' => 1, 'posted_date__gt' => '2010-06-01'));
首先要定义一个ShardedDBTable
对象,所有的API都是通过这个对象开放。第一个参数是对象类型名称,
如果这个名称已经存在,那么将返回之前定义的对象。你也可以通过get_table('Photos')
这个函数来获取之前定义的Table
对象。
第二个参数是对应的数据库表名,而第三个参数是数据库线索字段,你会发现在后面的所有API中全部需要指定这个字段的值。
第四个参数是字段定义,其中photo_id
字段的global_auto_increment
属性被置为true
,这就是前面所说的全局自增ID,
只要指定了这个属性,框架会处理好ID的事情。
如果我们要访问全局库中的数据,我们需要定义一个DBTable
对象。
$Users = new DBTable('Users', 'yp_users', array(
'user_id' => array('type' => 'long', 'primary' => true, 'auto_increment' => true),
'username' => array('type' => 'string'),
));
DBTable
是ShardedDBTable
的父类,除了定义时参数有些不同(DBTable
不需要指定数据库线索字段),它们提供一样的API。
缓存
我们的框架提供了缓存功能,对开发人员是透明的。
$photo = $Photos->load(1, 10001);
比如上面的方法调用,框架先尝试以Photos-1-10001
为Key在缓存中查找,未找到的话再执行数据库查询并放入缓存。
当更改照片属性或删除照片时,框架负责从缓存中删除该照片。这种单个对象的缓存实现起来比较简单。
稍微麻烦的是像下面这样的列表查询结果的缓存。
$photos = $Photos->fetch(array('user_id' => 1, 'posted_date__gt' => '2010-06-01'));
我们把这个查询分成两步,第一步先查出符合条件的照片ID,然后再根据照片ID分别查找具体的照片信息。
这么做可以更好的利用缓存。第一个查询的缓存Key为Photos-list-{shard_key}-{md5(查询条件SQL语句)}
,
Value是照片ID列表(逗号间隔)。其中shard_key
为user_id
的值1。目前来看,列表缓存也不麻烦。
但是如果用户修改了某张照片的上传时间呢,这个时候缓存中的数据就不一定符合条件了。
所以,我们需要一个机制来保证我们不会从缓存中得到过期的列表数据。我们为每张表设置了一个revision,
当该表的数据发生变化时(调用insert/update/delete方法),我们就更新它的revision,
所以我们把列表的缓存Key改为Photos-list-{shard_key}-{md5(查询条件SQL语句)}-{revision}
,
这样我们就不会再得到过期列表了。
revision信息也是存放在缓存里的,Key为Photos-revision
。这样做看起来不错,但是好像列表缓存的利用率不会太高。
因为我们是以整个数据类型的revision为缓存Key的后缀,显然这个revision更新的非常频繁,
任何一个用户修改或上传了照片都会导致它的更新,哪怕那个用户根本不在我们要查询的Shard里。
要隔离用户的动作对其他用户的影响,我们可以通过缩小revision的作用范围来达到这个目的。
所以revision的缓存Key变成Photos-{shard_key}-revision
,这样的话当ID为1的用户修改了他的照片信息时,
只会更新Photos-1-revision
这个Key所对应的revision。
因为全局库没有shard_key
, 所以修改了全局库中的表的一行数据,还是会导致整个表的缓存失效。
但是大部分情况下,数据都是有区域范围的,比如我们的帮助论坛的主题帖子,
帖子属于主题。修改了其中一个主题的一个帖子,没必要使所有主题的帖子缓存都失效。
所以我们在DBTable
上增加了一个叫isolate_key
的属性.
$GLOBALS['Posts'] = new DBTable('Posts', 'yp_posts', array(
'topic_id' => array('type' => 'long', 'primary' => true),
'post_id' => array('type' => 'long', 'primary' => true, 'auto_increment' => true),
'author_id' => array('type' => 'long'),
'content' => array('type' => 'string'),
'posted_at' => array('type' => 'datetime'),
'modified_at' => array('type' => 'datetime'),
'modified_by' => array('type' => 'long'),
), 'topic_id');
注意构造函数的最后一个参数topic_id
就是指以字段topic_id
作为isolate_key
,
它的作用和shard_key
一样用于隔离revision的作用范围。
ShardedDBTable
继承自DBTable
,所以也可以指定isolate_key
。
ShardedDBTable
指定了isolate_key
的话,能够更大幅度缩小revision的作用范围。
比如相册和照片的关联表yp_album_photos
,当用户往他的其中一个相册里添加了新的照片时,
会导致其它相册的照片列表缓存也失效。如果我指定这张表的isolate_key
为album_id
的话,
我们就把这种影响限制在了本相册内。
我们的缓存分为两级,第一级只是一个PHP数组,有效范围是Request
。
而第二级是memcached
。这么做的原因是,很多数据在一个Request
周期内需要加载多次,
这样可以减少memcached
的网络请求。另外我们的框架也会尽可能的发送memcached
的gets
命令来获取数据,
从而减少网络请求。
总结
这个架构使得我们在很长一段时间内都不必再为数据库压力所困扰。 我们的设计很多地方参考了netlog和flickr的实现,因此非常感谢他们将一些实现细节发布出来。