一、为什么要数据库分库分表
随着业务的快速发展，数据库中的数据量越来越多，访问性能也逐渐变慢。关系型数据库本身就比较容易成为系统瓶颈，在单机情况下存量容量、连接数、处理能力都有限，当数据量达到一定数量级后，常规的sql优化已经难以提升数据库操作的性能。
当应用服务出现性能瓶颈时，我们会考虑增加实例、拆分功能来提升性能，同样当数据库出现性能瓶颈时，我们也可以通过类似的方式来提升性能，也就是对数据库进行分库分表。
从资源角度来看以下几个问题会导致数据库出现性能瓶颈：
二、分库分表方式
分库分表包括水平分表、水平分库、垂直分表、垂直分库四种。
1、水平分表：以字段为依据，按照一定策略（hash、range等），将一个表中的数据拆分到多个表中，单表的数据量少了，单次执行SQL执行效率就高了，自然减轻了CPU的负担。
水平分表的特点是：每个表的结构都一样；每个表的数据不一样，没有交集；所有表的并集是全量数据。
水平分表适合的场景：系统绝对并发量没有上来，只是单表的数据量太多，影响了SQL效率，加重了CPU负担，以至于成为瓶颈。
2、水平分库：以字段为依据，按照一定的策略（hash、range等），将一个库中的数据拆分到多个库中，数据库多了，IO和CPU的压力自然可以成倍缓解。
水平分库的特点是：每个库的结构都一样；每个库中的数据不一样，没有交集；所有库的数据并集是全量数据。
水平分库适合的场景：系统绝对并发量上来了，分表难以根本上解决问题，并且还没有明显的业务归属来垂直划分。
3、垂直分表:?以字段为依据，按照字段的活跃性，将表中字段拆到不同的表中（主表和扩展表）。垂直分表的拆分原则是将热点数据（可能经常会查询的数据）放在一起作为主表，非热点数据放在一起作为扩展表，这样更多的热点数据就能被缓存下来，进而减少了随机读IO。要想获取全部数据就需要关联两个表来取数据。但记住千万别用join，因为Join不仅会增加CPU负担并且会将两个表耦合在一起（必须在一个数据库实例上）。关联数据应该在service层进行，分别获取主表和扩展表的数据，然后用关联字段关联得到全部数据。
垂直分表的特点：每个表的结构不一样；每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据；所有表的并集是全量数据。
垂直分表适合的场景：系统绝对并发量并没有上来，表的记录并不多，但是字段多，并且热点数据和非热点数据在一起，单行数据所需的存储空间较大，以至于数据库缓存的数据行减少，查询时会去读磁盘数据产生大量随机读IO，产生IO瓶颈。
4、垂直分库：以表为依据，按照业务归属不同，将不同的表拆分到不同的库中，随着业务的发展，一些公用的配置表、字典表等越来越多，这时可以将这些表拆到单独的库中，甚至可以服务化。
垂直分库的特点：每个库的结构都不一样；每个库的数据也不一样，没有交集；所有库的并集是全量数据。
垂直分库适合的场景：系统绝对并发量上来了，并且可以抽象出单独的业务模块。?
三、分库分表带来的问题
分库分表能有效缓解单机和单表带来的性能瓶颈和压力，突破网络IO、硬件资源、连接数的瓶颈，同时也带来一些问题。
1、事务一致性问题
当更新内容同时存在于不同数据库时，不可避免会带来跨库事务问题。对于这一问题可以采用以下解决方案。
1.1分布式事务：分布式事务能最大限度保证了数据库操作的原子性。但在提交事务时需要协调多个节点，推后了提交事务的时间点，延长了事务的执行时间，导致事务在访问共享资源时发生冲突或死锁的概率增高。随着数据库节点的增多，这种趋势会越来越严重，从而成为系统在数据库层面上水平扩展的枷锁。
1.2最终一致性：对于那些性能要求很高，但对一致性要求不高的系统，往往不苛求系统的实时一致性，只要在允许的时间段内达到最终一致性即可，可采用事务补偿的方式。与事务在执行中发生错误立刻回滚的方式不同，事务补偿是一种事后检查补救的措施，一些常见的实现方法有：对数据进行对账检查，基于日志进行对比，定期同标准数据来源进行同步等。
2、跨节点关联查询join问题
切分之前，系统中很多列表和详情表的数据可以通过join来完成，但是切分之后，数据可能分布在不同的节点上，此时join带来的问题就比较麻烦了，考虑到性能，尽量避免使用Join查询。可以采用以下解决方案。
1.1全局表：也可看做“数据字典表”，就是系统中所有模块都可能依赖的一些表，为了避免库join查询，可以将这类表在每个数据库中都保存一份。这些数据通常很少修改，所以不必担心一致性的问题。
1.2字段冗余：一种典型的反范式设计，利用空间换时间，为了性能而避免join查询。例如，订单表在保存userId的时候，也将userName也冗余的保存一份，这样查询订单详情顺表就可以查到用户名userName，就不用查询买家user表了。但这种方法适用场景也有限，比较适用依赖字段比较少的情况，而冗余字段的一致性也较难保证。
1.3数据组装：在系统service业务层面，分两次查询，第一次查询的结果集找出关联的数据id，然后根据id发起器二次请求得到关联数据，最后将获得的结果进行字段组装。这是比较常用的方法。
1.4ER分片：关系型数据库中，如果已经确定了表之间的关联关系（如订单表和订单详情表），并且将那些存在关联关系的表记录存放在同一个分片上，那么就能较好地避免跨分片join的问题，可以在一个分片内进行join。在1:1或1：n的情况下，通常按照主表的ID进行主键切分。
3、跨节点分页、排序、函数问题
跨节点多库进行查询时，会出现limit分页、order by 排序等问题。分页需要按照指定字段进行排序，当排序字段就是分页字段时，通过分片规则就比较容易定位到指定的分片；当排序字段非分片字段时，就变得比较复杂.需要先在不同的分片节点中将数据进行排序并返回，然后将不同分片返回的结果集进行汇总和再次排序，最终返回给用户。如果取得页数很大，情况就变得复杂的多，因为各分片节点中的数据可能是随机的，为了排序的准确性，需要将所有节点的前N页数据都排序好做合并，最后再进行整体排序，这样的操作很耗费CPU和内存资源，所以页数越大，系统性能就会越差。 在使用Max、Min、Sum、Count之类的函数进行计算的时候，也需要先在每个分片上执行相应的函数，然后将各个分片的结果集进行汇总再次计算。
4、全局主键防重问题
在分库分表环境中，由于表中数据同时存在不同数据库中，主键值平时使用的自增长将无用武之地，某个分区数据库自生成ID无法保证全局唯一。因此需要单独设计全局主键，避免跨库主键重复问题。可以采用以下解决方案。
? ? ? ?1.1 UUID：?UUID是最简单的方案，本地生成，性能高，没有网络耗时，但是缺点明显，占用存储空间多，另外作为主键建立索引和基于索引进行查询都存在性能问题，尤其是InnoDb引擎下，UUID的无序性会导致索引位置频繁变动，导致分页。
1.2结合数据库维护主键ID表：在数据库中建立sequence表，可以同时为多张表生辰全局ID，不用担心并发时两次读取同一个ID。此方案较为简单，但缺点较为明显，存在单点问题，强依赖DB，当DB异常时，整个系统不可用，配置主从可以增加可用性。另外性能瓶颈限制在单台数据库的读写性能上；另有一种主键生成策略，类似sequence表方案，更好的解决了单点和性能瓶颈问题。这一方案的整体思想是：建立2个以上的全局ID生成的服务器，每个服务器上只部署一个数据库，每个库有一张sequence表用于记录当前全局ID。?表中增长的步长是库的数量，起始值依次错开，这样就能将ID的生成散列到各个数据库上，这种方案将生成ID的压力均匀分布在两台机器上，同时提供了系统容错，第一台出现了错误，可以自动切换到第二台获取ID。但有几个缺点：系统添加机器，水平扩展较复杂；每次获取ID都要读取一次DB，DB的压力还是很大，只能通过堆机器来提升性能。
1.3 Snowflake分布式自增ID算法：Twitter的snowfalke算法解决了分布式系统生成全局ID的需求，生成64位Long型数字，组成部分：第一位未使用，0表示正数；接下来的41位是毫秒级时间，41位的长度可以表示69年的时间；5位datacenterId、5位workerId，10位长度最多支持部署1024个节点；最后12位是毫秒内计数，12位的计数顺序号支持每个节点每毫秒产生4096个ID序列。
5、数据迁移、扩容问题
当业务高速发展、面临性能和存储瓶颈时，才会考虑分片设计，此时就不可避免的需要考虑历史数据的迁移问题。一般做法是先读出历史数据，然后按照指定的分片规则再将数据写入到各分片节点中。此外还需要根据当前的数据量个QPS，以及业务发展速度，进行容量规划，推算出大概需要多少分片（一般建议单个分片的单表数据量不超过1000W）。
四、什么时候要考虑分库分表
并不是所有表都需要切分，主要还是看数据的增长速度。切分后在某种程度上提升了业务的复杂程度。不到万不得已不要轻易使用分库分表这个“大招”，避免“过度设计”和“过早优化”。分库分表之前，先尽力做力所能及的优化：升级硬件、升级网络、读写分离、索引优化等。当数据量达到单表瓶颈后，再考虑分库分表。一般情况下出现以下几种情况可以考虑分库分表。
1、数据量过大，正常运维影响业务访问，例如：对数据库备份，如果单表太大，备份时需要大量的磁盘IO和网络IO；对一个很大的表做DDL，会锁住整个表，这个时间会很长，这段时间业务不能访问此表，影响很大；大表经常访问和更新，就更有可能出现锁等待。
2、随着业务的发展，需要对某些字段垂直拆分，将某些不经常访问的字段从大表中分离出去，保证常用数据的操作效率。
3、单表数据量过大，数据库性能达到瓶颈且较难通过sql优化提升性能，就需要考虑水平切分，做分库分表了。