前言

文本已收录至我的GitHub仓库，欢迎Star：https://github.com/bin392328206/six-finger
种一棵树最好的时间是十年前，其次是现在

每篇一句

利剑虽强却斩不断流水，微风虽弱却能平息海浪。

絮叨

移动互联网时代，高并发下的海量的用户数据每天都在产生，基于用户使用数据等这样的分析，都需要依靠数据统计和分析，当数据量小时，数据库方面的优化显得不太重要，一旦数据量越来越大，系统响应会变慢，TPS直线下降，直至服务不可用。

业务背景

今天呢？其实就是想把自己公司题库业务下的架构梳理一下，当然不是什么牛逼的公司，可能说自己接触的东西，不是那么的牛皮，但是好歹自己也总结一下嘛，公司属于一个线上线下的教育公司，那么题库当然是支撑公司许多业务的底层基石了，当然我来了公司也不是那么久，但是目前题库业务也已经重构了2次了。今年2020年是第三次。下面我先来梳理一下存储设计流程吧

• 第一阶段 2015年到2018年，当时据说公司是给外包公司做的一个题库系统，因为当时的体量不大，研发之类的原因吧，反正就是外包给人家了，第一阶段，当时据说是采用.Net+sqlserver 做的，然后后面系统维护呀，系统反应之类的慢，因为做题记录我们当时采用的是做一个题就存一个数据，可想而知慢慢的数据量就超过500W了，毕竟业务量也是越来越大。
• 第二阶段，2018年的重构，当时我也还没来公司，把数据迁移到了 hbase上就是做题数据，所以采用的就是hbase+mysql的存储方式，但是我们用的是phoniex这个其实对于写业务的我们来说，在代码层面是没有啥改变的，其实phoniex对于oltp的业务还是蛮好的，比如索引，多表联查还是可以的，但是就是对于olap业务，就感觉力不从心了，很多业务的报表就会导致了事务事件长，导致hbase写入超时，等等问题就出现了，后面的解决方案就是说主从架构，把报表业务查从库，才解决了这个目前，当时数据量的做题数据已经达到了40亿，但是写入和少量的针对索引的查询，还是在100ms 以内，快还是可以的，但是对于oltp业务就有点力不从心的，然后因为当时2018年的重构呢，很多业务是直接抄的第一阶段的业务代码，经过了几年的开发，几年的人员变更，加上文档的齐全，导致维护，和迭代的成本越来越大，所以我们不得不考虑重构这个题库系统（重构系统的最大难处就是数据和业务的让用户无感知的迁移，这个有机会的话我再写文章来阐述）
• 再我们技术总监和产品总监的敲定下，决定对公司的所有的教务 教学， 教研 ，全自动自适应学习系统的全方面的重构，题库业务当然是首当其冲，当然其实重构之前的业务梳理，然后报表梳理，架构设计，模块设计，数据同步，系统并行，高并发设计，支撑上千校区数万学员同时考试了，等这些我先不阐述，我们来关注对于海量数据存储的方案讨论，然后我们采用的架构就是mysql+es+hbase+clickhuose的组合来应对题库全场景，全方位的业务，首先做题记录存在hbase+clickhuose中，然后试题和试卷就放到mysql+es中。反正听上面的人说，就是目标做成10年内架构不变的打算，哈哈，针对上面的这些业务背景，小六六想和大家来探讨一下，目前市面上主流的对于海量数据的处理方式。

海量数据导致性能慢怎么办

优化现有mysql数据库

• 数据库设计和表创建时就要考虑性能 mysql数据库本身高度灵活，造成性能不足，严重依赖开发人员能力。也就是说开发人员能力高，则mysql性能高。这也是很多关系型数据库的通病，所以公司的dba通常工资巨高。

  • 表字段避免null值出现，null值很难查询优化且占用额外的索引空间，推荐默认数字0代替null。
  • 尽量使用INT而非BIGINT，如果非负则加上UNSIGNED（这样数值容量会扩大一倍），当然能使用TINYINT、SMALLINT、MEDIUM_INT更好。
  • 使用枚举或整数代替字符串类型
  • 尽量使用TIMESTAMP而非DATETIME
  • 单表不要有太多字段，建议在20以内
  • 用整型来存IP

• 索引

• 索引并不是越多越好，要根据查询有针对性的创建，考虑在WHERE和ORDER BY命令上涉及的列建立索引，可根据EXPLAIN来查看是否用了索引还是全表扫描

• 应尽量避免在WHERE子句中对字段进行NULL值判断，否则将导致引擎放弃使用索引而进行全表扫描

• 值分布很稀少的字段不适合建索引，例如”性别”这种只有两三个值的字段

• 字符字段只建前缀索引

• 字符字段最好不要做主键

• 不用外键，由程序保证约束

• 尽量不用UNIQUE，由程序保证约束

• 使用多列索引时主意顺序和查询条件保持一致，同时删除不必要的单列索引 简言之就是使用合适的数据类型，选择合适的索引

总之：一条就是如果我们的mysql还能优化，那就优化它吧，不行就加缓存，就是简单的方法可以完成80% 和难的方法完成95% 那么我们也可以选择简单的方法，难的放到不得不用的时候再来。

总之，能先进行简单优化则没必要引入负责的解决方案，通常数据库刚表现出压力的时候，大部分原因不是因为业务真的发展到数据库撑不住了，而是很多慢查询导致的；

聊聊分库分表

为什么需要分库分表？

请求数太高： 在高并发情况下，大量请求落入数据库，最终会导致数据库的活跃连接数增加，进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务Service层来看就是，可用数据库连接少甚至无连接可用。接下来面临的就是并发量、吞吐量、连接异常、崩溃、宕机；

• 数据查询慢：

  • 一、单表或单库数据量过大引起的，具体参考第三条；
  • 二、单库整体并发连接数接近系统阈值，从而导致此请求获取不到连接数或者已经获取但是遇到CPU瓶颈，导致SQL所查询的表就算数据行很少也同样出现查询过慢的现象；

• 数据量太大： -一、当一个库的数据存储量太大时，就算每张表的并发数不多，但是因为是海量数据，单库中存在大量的数据表，每张表都有一部分并发请求，导致最终单库的连接数阈值（最大连接数默认100，最大可设为16384，但是一般按硬件和库的业务属性来合理配置，一般在500-1200之间）成为数据库的瓶颈；

  • 二、当一张表数据太多时也导致单表查询速度严重下降，虽然innoDB存储引擎的表允许的最大行数为10亿，但是如果一张表的数据行记录达到上亿级，那么我就算通过索引去查询一条数据，它也需要至少经过上十次到几十次磁盘IO，从而导致单表查询速度直线下降；一般一张表的数据行为1000万左右是最合适的，因为表数据为1000万时建立的索引如果是B+Tree类型的话一般树高在3~5之间，所以查询的速度自然也是很快速的；

• 单体架构通病： 单库中遇到问题需要修复时影响了整个库中所有数据，而分库时只需要修复某个库就好了；

其实以上问题都是属于数据库遭遇到了瓶颈，但是只不过根据情况不同分为不同类型的数据库瓶颈，但是最终对于客户端而言就是数据库不可用了或者变慢了。

注意！！！ 不要为了分库分表而分库分表！！！ 引入SOA架构中的一句话：架构不是一蹶而起的，而是慢慢演进的

至于分库分表的常识性问题，小六六就不在这边阐述了，我觉得每一个后端开发人员至少需要去了解一下它，它的垂直分库，垂直分表，水平分库，水平分表。它的优点（其实就是可以解决单表数据量大的情况下，查询的效率问题，因为mysql 索引的树高在3到4层的时候，查询是好的），然后它的缺点（事务，多表联查，分页，排序）等等，然后要怎么解决这些问题，目前业界也有很多开源框架，mycat,shardingsphere等等等等。其实这也算是一个知识点了，可能小六六后面会出这种文章吧，但是我们今天分库分表只能说是一种海量数据的解决方案

NoSQL/NewSQL

这边说下，例如我们公司使用的hbase,es,redis等都是nosql,他们的特点就是分布式，具有很强的水平拓展能力，

NoSQL/NewSQL作为新生儿，在我们把可靠性当做首要考察对象时，它是无法与RDBMS相提并论的。RDBMS发展几十年，只要有软件的地方，它都是核心存储的首选。

目前绝大部分公司的核心数据都是：以RDBMS存储为主，NoSQL/NewSQL存储为辅！互联网公司又以MySQL为主，国企&银行等不差钱的企业以Oracle/DB2为主。NoSQL/NewSQL宣传的无论多牛逼，就现在各大公司对它的定位，都是RDBMS的补充，而不是取而代之！

最近很火的TiDB就是一种NewSql,小六六公司也没用，但是自己去玩了一把，当然我不是专业的测试人员，对于它的性能我确实不知道到底比其他数据库好多少，但是对于用法来说，我觉得还行，因为你会sql语法，你就会用它，比较简单就能使用。它的TIKV 支持OLTP场景，他的TIflash 支持 OLAP场景，我相信，再5G时代，他会是一款非常好的数据库。

mysql+Nosql方案

目前因为NewSql的普及性，大部分的公司我觉得还是mysql为主+Nosql为辅的方案比较多，大家可以在下面评论留言，讨论一下大家公司的解决方案，

• mysql（主要数据存储）分库分表+ es（查询 分页 排序）放部分字段+主键

  这种方案的话，也是可以的，应该有公司用吧

• hbase （列式存储 rowkey设计）+es(查询 分页 排序) 部分字段+rowkey

• solr+hbase(其实这个方案更加成熟，用得估计也更多) 比如说 Lily HBase Indexer。

总结

最后，对几种方案总结如下（分库分表简称为sc）：

总之，对于海量数据，且有一定的并发量的分库分表，绝不是引入某一个分库分表中间件就能解决问题，而是一项系统的工程。需要分析整个表相关的业务，让合适的中间件做它最擅长的事情。例如有sharding column的查询走分库分表，一些模糊查询，或者多个不固定条件筛选则走es，海量存储则交给HBase。

做了这么多事情后，后面还会有很多的工作要做，比如数据同步的一致性问题，还有运行一段时间后，某些表的数据量慢慢达到单表瓶颈，这时候还需要做冷数据迁移。总之，分库分表是一项非常复杂的系统工程。任何海量数据的处理，都不是简单的事情，做好战斗的准备吧！

结尾

今天就聊这么多吧，下次有机会和大家聊聊对于高并发的处理呗，可能我们的业务场景是做题，所以处理起来就比订单 商品啥的要简单很多，但是我们也是花心思去设计我们的高并发场景的，还有重构后，连表结构都变了，我们是怎么让用户做到无感知的迁移的，反正重构绝不是说新做一个系统那么简单，路还是很长的，除非你能不要以前的数据，那就很简单了。哈哈，其实我们做的也只能是70分吧，做不到满分，不知道大公司是怎么搞重构的，希望有大佬再评论下留言。

日常求赞

好了各位，以上就是这篇文章的全部内容了，能看到这里的人呀，都是真粉。

创作不易，各位的支持和认可，就是我创作的最大动力，我们下篇文章见

六脉神剑 | 文 【原创】如果本篇博客有任何错误，请批评指教，不胜感激 ！