一文读懂数据分片技术差异 【行业观察】数据分片哪家强
1. 分库分表定位
在考虑分库分表之前，我们先来探讨下分库分表是解决什么问题的一类技术。从大的方向上看，分库分表是解决两类问题：一是资源承载问题，二是开发架构问题。
1).资源承载问题
这里所谈的资源，是指数据库所在的底层基础资源，包括CPU、MEM、DISK等。这里比较突出的问题是来自CPU、IO及容量问题。
- CPU瓶颈 这里突出SQL处理问题。一种情况是重数据库计算类（如join、group by、order by、非索引列查询等），上述操作都会对CPU造成较大压力，一般是通过创建索引或将计算移至业务层来解决。通过数据拆分，是可以有效地减少数据处理规模，对CPU资源不足可以起到缓解作用。第二种情况是针对单表的操作，虽然计算不复杂，但需要扫描大量数据或需遍历树的层次过多，SQL效率会很低，也会非常消耗CPU。此时根据业务场景进行一些数据拆分（主要指水平分表），是可以降低对CPU的资源使用。
- IO瓶颈 针对IO瓶颈，可分为磁盘IO和网络IO两种情况。前者指磁盘的读写，后者指网络通讯传输。磁盘读IO问题，通常是指热点数据太多，数据库缓存放不下，查询时会产生大量的磁盘IO，查询速度会比较慢，进而会导致产生大量活跃连接，最终可能会发展成无连接可用的后果。解决的方式一种是采用读写分离的策略，通过多个从库来分摊查询流量；另一种是使用数据拆分（可以使分库或分表均可），通过数据拆分减少读取的数据规模。磁盘写IO问题，通常是指数据库写入频繁，频繁磁盘IO操作导致产生大量活跃连接，最终同样会发展成无连接可用的后果。解决可通过数据拆分（主要指分库方式）减少单个库的写入压力；此外辅助库内数据拆分（水平分表），可进一步减少插入数据时索引查找和更新的成本会更低，插入速度自然会更快。至于网络IO瓶颈，则比较简单，通常就是请求数据太多，网络带宽不够，通过数据拆分（主要指分库）方式即可减少传输规模。
- 容量瓶颈 这点很好理解，当业务数据很大，已经达到库或表的承载能力，就可考虑进行拆分。可通过库级别、表级别或者两者结合，降低容量的诉求。
2).开发架构问题
从开发架构角度来看，随着SOA、微服务等技术逐步成熟，被更多企业所接受。通过对架构上服务拆分，可满足快速迭代、安全发布、链路降级、主次业务解耦等问题，去解决代码大量冲突、小功能排队等待大版本发布等等问题，将业务按照一定逻辑进行拆解，形成一个个功能完备，独立运行的服务。然而，如果数据库层面不配合，就无法解决根本问题。当上层服务实例拆分后可以被大量横向扩展，以应对高并发的流量冲击，会导致底层数据库的承载压力和连接数急剧增加。所以，通过垂直拆分将业务数据解耦，各管一事，以满足微服务的效能最大化。
2. 分库分表类型
对数据进行拆分，可以有多种方式和粒度。大的方式可分为两种：垂直拆分和水平拆分。从粒度上分，又可以分为分库和分表。两者组合，就有了四种基本情况及组合。
1).垂直分库
垂直分库在“服务化、微服务”盛行的今天已非常普及。基本的思路就是按照业务模块来划分出不同的数据库，而不是像早期一样将所有的数据表都放到同一个数据库中。系统层面的“服务化”拆分操作，能够解决业务系统层面的耦合和性能瓶颈，有利于系统的扩展维护。而数据库层面的拆分，道理也是相通的。与服务的“治理”和“降级”机制类似，我们也能对不同业务类型的数据进行“分级”管理、维护、监控、扩展等。这种做法可以将访问压力分摊到多台服务器上，一方面可提升性能，一方面提高整体的业务清晰度，不同的业务库可根据自身情况定制优化方案，但是它需要解决跨库带来的所有复杂问题。
数据库是容易成为应用系统的瓶颈，而数据库本身属于“有状态”的，相对于Web和应用服务器来讲，是比较难实现“横向扩展”的。垂直分库在一定程度上能够突破IO、连接数及单机硬件资源的瓶颈，是大型分布式系统中优化数据库架构的重要手段。但这种拆分方式下，单个用户请求的响应时间变长，原因在于所有业务原本在一个节点内完成，拆分后则需要进行RPC调用后完成。虽然单个请求的响应时间增加了，但是整个服务的吞吐量会大大增加。从数据特点上看，每个库的结构不同，对应的数据也没有交集。所有库数据的合集为全量数据。
2).垂直分表
垂直分表是基于数据库中的"列"进行。可将一个宽表（字段较多），按访问频次、是否是大字段的原则拆分为多个表。这样既能使业务清晰，还能提升部分性能。通过"大表拆小表"，更便于开发与维护，也能避免数据存储跨页问题，即一条记录占用空间过大会导致跨页，造成额外的性能开销。另外，数据库以行为单位将数据加载到内存中，这样表中字段长度较短且访问频率较高，内存能加载更多的数据，命中率更高，减少了磁盘IO，从而提升了数据库性能。拆分后，尽量从业务角度避免关联查询，否则性能方面将得不偿失。
垂直分表的拆分原则是将热点与非热点数据拆分，这样更多的热点数据被缓存下来，进而减少了随机读IO。但需注意的是，拆分之后如想获得全部数据需要关联两个表来取数据。此时关联Join不仅会增加CPU负载，并且将两个表耦合在一起。建议关联数据需求，应该在业务层面解决，分别提取两张表然后通过关联字段关联起来。从数据特点上看，每个表的结构不一样，每个表的数据也不同。一般来说，每个表的字段至少有一列交集，用于关联数据。所有表的并集是全量数据。此外，拆分字段的操作建议在数据库设计阶段就做好。如果是在发展过程中拆分，则需要改写以前的查询语句，会额外带来一定的成本和风险，建议谨慎。
3).水平分库
当一个应用难以再细粒度的垂直切分，或切分后数据行数巨大，存在单库读写、存储性能瓶颈，这时候就需要进行水平切分了。根据表内数据内在的逻辑关系，将同一个表按不同的条件分散到多个数据库或多个表中，每个表中只包含一部分数据，从而使得单个表的数据量变小，达到分布式的效果。水平分库，可把一张表的数据按数据行分到多个不同的库，每个库只有表的部分数据。这些库可分布到不同服务器，从而使访问压力被多服务器负载，大大提升性能。它不仅需要解决跨库所带来的复杂问题，还需解决数据路由的问题。
使用库内分表方式，只能解决单一表数据量过大的问题，但没有将表分布到不同机器的库上，因此对于减轻数据库资源压力来说，帮助不是很大，大家还是竞争同一个物理机的CPU、内存、网络IO，最好通过分库(分表)来解决。从数据特点上看，每个库结构一样，数据不同没有交集。所有库的数据合集是全量数据。
4).水平分表
水平分表也称为横向分表，比较容易理解，就是将表中不同的数据行按照一定规律分布到不同的数据库表中（这些表保存在同一个数据库中），这样来降低单表数据量，优化查询性能。最常见的方式就是通过主键或者时间等字段进行哈希和取模后拆分。水平分表，能够降低单表的数据量，一定程度上可以缓解查询性能瓶颈。但本质上这些表还保存在同一个库中，所以库级别还是会有IO瓶颈。所以，一般不建议采用这种做法。从数据特点上看，每个表的结构一样，数据不同没有交集，所有表的合集是全量数据。
水平分库分表与上面讲到的水平分表的思想相同，唯一不同的就是将这些拆分出来的表保存在不同的数据中。这也是很多大型互联网公司所选择的做法。某种意义上来讲，有些系统中使用的“冷热数据分离”（将一些使用较少的历史数据迁移到其他的数据库中。而在业务功能上，通常默认只提供热点数据的查询），也是类似的实践。在高并发和海量数据的场景下，分库分表能够有效缓解单机和单库的性能瓶颈和压力，突破IO、连接数、硬件资源的瓶颈。当然，投入的硬件成本也会更高。同时，这也会带来一些复杂的技术问题和挑战（例如：跨分片的复杂查询，跨分片事务等）。
3. 分库分表实施
1).数据拆分时机
针对何时考虑数据拆分，取决于多种因素，包含以下几种。
- 业务发展 从业务长期发展角度来看，当数据增长到一定程度，虽然没有达到极限，还能凑活，但是遇到活动型流量冲击下，已经无法完全支持业务需求；而业务需要进行迭代增加模式时，修改数据表带来的风险又比较大。
- 业务耦合性 这点更多是从架构设计角度出发考虑，往往随着业务改造完成。
- 性能瓶颈 如果当前业务已经出现较为明显性能瓶颈，且通过常规的优化手段已经无法根本上解决该问题。
- 维护需求 当数据体量达到一定量级时，对数据表的单体操作将非常困难。例如数据库的备份、单体大表的DDL、热点大表的更新访问等，都容易出现问题。
- 可用性 在业务层面进行垂直拆分，将不相关业务分隔。因为每个业务的数量量、访问量都不同，不能因为一个业务把数据库搞挂而牵连到其他业务。而采用水平拆分后，当一个数据库出现问题时，也不会影响到100%用户，每个库只承担业务的一部分数据，整体的可用性提高。
最佳实践
在分库分表时机的判断上，没有明确的判断标准，比较依赖实际业务情况和经验判断。除了考虑当前的数据量和性能情况外，还需要考虑系统在未来1~3年的业务增长情况，对数据库QPS、连接数、容量等做合理评估和规划。这里需要尽量避免“过度设计”和“过早优化”。在真正考虑分库分表之前，不要为了分而分，先尽力从其他角度进行考虑。例如：升级硬件、升级网络、读写分离、索引优化、分区优化等。毕竟数据分片对于业务、研发、运维等都存在较高成本。
2).数据拆分原则
一般来说，在系统设计阶段就应该根据业务耦合情况来确定垂直分库、垂直分表方案。在数据量及访问压力不是特别大的情况，优先考虑缓存、读写分离、索引优化等手段解决性能问题。若数据量过大，且持续增长，再考虑水平分库及分表方案。其中，垂直拆分方面更多是来自架构层面的工作，这里不做展开；后面重点谈到关于水平拆分的一些内容。针对水平拆分，通常遵循如下的步骤。后文将针对重点几步进行说明。
- 分库or分表：明确采用水平分片的策略，是采用分库、分表还是分库分表。不同策略能解决的问题不同。需要根据当前面临的痛点来考虑。这两者之间的差异，可参考前面的说明。
- 评估分片数：根据当前容量、增量（空间、性能）要求，确定分片数。结合前面的分片策略，通过单体大小的评估，完成分片数的估算。为确保实施效果，可采取必要的验证测试工作。
- 选择分片键：选择合适的分片键。这里需要考虑的因素较多，要确保数据分布均匀，未来发展的影响，避免局部热点问题。这部分也会直接影响到后面分片应用改造工作，需要综合考量。
- 确定分片规则：明确分片字段后，确定分片规则。一方面保证数据分布均匀，一方面还需考虑未来扩展问题。如果分片规则对业务有较多依赖，还需考虑业务因素。如未来业务可能的变化等。
- 实施分片策略：真正实施分片动作，将单体拆分成多分片。这一过程中，涉及到如何做好数据迁移等问题。要实现真正的业务无感、数据准确等，还是非常有难度的。通常会考虑应用双写、日志补偿等方法或多种方法组合使用。
- 维护分片工作：日常的分片维护工作，包括可能存在的扩容、缩容等。上述操作原则上需本着尽量减少数据移动，减少对应用影响的原则。
3).选择拆分字段
在开始分片之前，首先需要确定分片字段（即分片键）。很多例子会使用自增ID或时间戳字段进行拆分，这些不是绝对的；更好的建议是结合业务，进行选择。可考虑按如下策略进行选择：
- 对系统中执行的SQL进行统计分析，选择出需要分片那个表中最频繁被使用到或最为重要的字段类分片。这其中可能包含一些来自OLAP类的查询，可将此部分SQL排除在外。
- 如业务非常复杂，存在多种维度划分可能，可以考虑适当多维度字段拆表。必要时可考虑通过业务逻辑进行拆分（而非简单字段划分）。
- 如涉及到多维度拆分，需维护一定数据冗余。一般主维度可以由程序写入，次维度则异步写入，保证两者最终一致。
- 如涉及到关联查询的问题，可配合分片策略来实施。如考虑ER表、广播表等配合策略。如非常复杂，也可考虑在OLAP系统中提供支持。数据同步策略上，可考虑推拉结合。
- 最终选择拆分字段，应是稳定的，不变更的，避免跨片移动问题。
4).选择拆分算法
针对分片算法，常规的有LIST、RANGE、HASH等。根据各拆分算法特点，可进行选择。若范围均匀可采用HASH，冷热数据明显可采用RANGE等。同时可配合一些特性化设计，如采用二级映射方式解决扩缩容问题、特征编码字段满足多特征拆分等。
这其中最为常见的就是RANGE、HASH，下面说明下。
- RANGE 通过数据的范围进行分库分表，是最朴实的一种分库方案，它也可以和其他分库分表方案灵活结合使用。当需要使用分片字段进行范围查找时，RANGE分片策略可快速定位数据进行高效查询。大多数情况下有效避免跨分片查询的问题。在后期扩容时，也比较方便，只需要添加节点即可，无需对其他分片的数据进行迁移。但这种分布方式容易存在数据热点问题。
- HASH 虽然分库分表的方案众多，但是Hash分库分表是最大众最普遍的方案。随机分片其实并不是随机，也遵循一定规则。通常采用HASH取模的方式进行分片拆分，所以有时候也称为离散分片。随机分片的数据相对均匀，不容易出现热点和并发访问的瓶颈。但涉及后面数据迁移的话，不太方便。可使用一致性HASH算法在很大程度上避免此问题。此外，离散分片也容易面临跨分片查询的复杂问题。
4. 分库分表问题及解法
数据经过拆分后，相较于传统集中式必然面临一些问题。这也是大家针对分库分表比较诟病的地方。下面针对这些常见问题，统一梳理下。
1).基本CRUD功能
对于开发人员而言，虽然分库分表了，但是其还希望能和单库单表那样的去操作数据库。但从实际使用上看，还是会存在功能不完全兼容问题。这里是需要提前给出兼容性列表，方便开发人员查询，并提供SQL审核能力，规避问题。
2).数据离散问题
分库分表的初衷就是将数据打散，将大表化为小表。因此，针对拆分后的数据离散程度是需要关注的，避免出现热点数据集中存储在某个特定库/表之中，造成读写压力不均、存储空间暴增问题。从上面拆分算法可见，在HASH、LIST容易出现此类问题。一方面，在前期设计中就需考虑热点打散问题；另一方面，针对可能出现的热点也要有必要的解决方案（如重分布）。很多分布式数据库、分库分表中间件产品也内置了热点监控能力，可以方便我们找到潜在热点，及时采取措施化解。
3).跨库关联查询
如果数据拆分后，已经存在不同实例主机上，关联操作将很困难。无论是从架构规范，性能，安全性等方面考虑，一般是禁止跨库关联的。以往类似Oracle DB Link的方式，是不推荐在现实中使用。要解决此问题，一方面可参考后面会谈到的跨片查询的一些解决方案，一方面可考虑在应用层解决数据合并问题或利用汇总库的方式完成。
4).跨片关联查询
如数据拆分后保存在多个分片中，可考虑下面一些策略。
- 全局表：也叫做数据字典表。可将此类表在每个分片中都保存一份，这样关联就可以在片内完成。这种适用于数据变化不大，不用担心一致性问题。数据规模也不大，不会占用过多空间。
- 字段冗余：典型的空间换时间，冗余保存字段数据。这种方法适用场景相对有限，适用于依赖字段较少的情况。而冗余字段的数据一致性也较难保证。
- ER分片：如能先确定表之间存在关联关系，可以将那些存在关联关系的表数据存在同一个分片上，这样能较好避免跨分片问题。
- 数据组装：通过两次查询得到数据，在上层进行关联拼接。很多分布式数据库、中间件产品都内置了这一能力。但需要关注资源消耗，避免被打爆。
5).跨片复杂查询
当需要对跨片的数据执行分页、排序、函数处理时，也是比较复杂的。
- 分页：分页是需要按照指定字段排序的。当排序字段是分片字段的时候，通过分片规则可以很容易定位到指定分片；而当排序字段为非分片字段时，情况就比较复杂。为了得到准确结果，需要在不同分片节点中将数据进行排序并返回，并将不同分片返回的结果集进行汇总和再次排序，最后再返回给用户。
- 排序：类似分页处理。
- 函数：在使用诸如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和再次计算，最终将结果返回。
6).非分片查询
理想的查询，都是按照分片键进行查询，这样效率也是比较高的。对于非分片键的查询，由于不知道数据落在哪个库上，往往需要遍历所有库，当分库数量多起来，性能会显著降低。解决的方法一般有：
- 映射表：创建非分片键与分片键的映射关系表，并借此查询出对应分片键，然后再路由查询。
- 基因法：在非分片键的字段设计上，揉入分片规则，即可通过非分片键反推出分片位置进行查询。
- 异构数据库：对于一致性要求没那么高的查询，可通过数据冗余将数据存储在异构平台上，供查询使用。
- 上层汇聚：有些产品做得比较完善，可以很好兼容复杂SQL。但是查询条件中不含有分片键，会导致扫描所有的分片，并在上端做汇聚，效率较低。所以这种方式，仅限于查询频率比较低，匹配数据比较少的情况。
7).分布式ID
在分库分表环境下，数据分布在不同分片上，不能再借助数据库自增长特性直接生成，否则会造成不同分片上的数据表主键重复。常规做法是采用第三方独立的ID服务或在不同分片上使用单独策略，避免ID冲突。
8).分布式事务
由于涉及到的数据变更分布在不同库中，不可避免会带来跨库事务问题。常规分布式事务做法是使用XA协议 两阶段提交来处理。分布式事务能最大限度保证了数据库操作的原子性。但是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。随着节点数的增多，这种趋势会愈发严重，从而成为系统在数据库层面上水平扩展的瓶颈。对于那些性能要求很高，但对一致性要求不高的系统，可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后立即回滚的方式不同，事务补偿是一种事后检查补救的措施。常见的实现方式有：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同步等。
9).迁移&扩容
很少有项目在初期就考虑使用分库分表设计，一般都是在业务高速发展面临性能、存储瓶颈时才考虑。因此，不可避免涉及到历史数据库迁移。常规做法是通过程序读取历史数据，然后按照指定的分片规则写入到各分片节点中。此外，运行一段时间后也会考虑扩容问题。如果是采用随机分片，则需要重分布策略，会比较麻烦；如果是采用范围分片，只需要添加节点就可以自动扩容。
5. 无法回避的问题：NewSQL vs 分库分表
如前面所谈到的，NewSQL的出现使得面对海量数据有了新的选择。也经常看到在各种选型场合将分库分表与NewSQL做对比。这是一个不可回避的问题。那两者到底各有何所长呢？
从上面两者的对比可见，分库分表模式体现出一种平衡、妥协的架构风格，是一个面向应用型的设计；而NewSQL数据库则是通用底层技术软件要求。
企业如何选择
企业在做技术选择之前，需关注自身痛点，结合上述两种技术方向差异做出选择。这里可通过几个问题，判断下核心诉求是什么？
- 分片是否必须做到对应用完全透明？
- 缺省的分片策略可否满足基本需要？
- 强一致事务是否必须在数据库层解决？
- 需要扩容频率是否已超出了自身运维能力？
- 相比响应时间，更看重吞吐？
- 是否有熟悉NewSQL数据库的DBA团队？
如果以上大部分问题是肯定答案，那么可考虑用NewSQL数据库。虽然前期可能需要一定的学习成本，但未来收益也会更高。当然选择NewSQL数据库，也要做好承担一定风险的准备。如果还未做出抉择，不妨再想想下面几个问题：
- 最终一致性是否可以满足实际场景？
- 扩容、DDL等操作是否有系统维护窗口？
- 对响应时间是否比吞吐更敏感？
- 是否有超大规模高并发的需求？
- 是否已有传统数据库DBA人才的积累？
- 是否可容忍分库分表对应用的侵入？
- 是否对技术风险容忍度很低？
- 是否已经有较为成熟数据库方案，不考虑底层技术栈更换？
如果这些问题有多数是肯定的，那还是分库分表吧。在软件领域很少有完美的解决方案，NewSQL数据库也不是数据分布式架构的银弹。相比而言分库分表是一个代价更低、风险更小的方案，它最大程度复用传统关系数据库生态且定制化能力更强。在当前NewSQL数据库还未完全成熟阶段，分库分表可以说是一个上限低但下限高的方案，尤其传统行业的核心系统，不失为一种更佳稳妥的选择。
