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,用来描述实体时间的映射关系:
1对1
一个用户只有一个登录名,一个uid对应一个login_name,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。
写操作需求
- 发布(insert)帖子
- 修改(update)帖子
- 删除(delete)帖子
读操作需求
- 通过tid查询帖子实体,单行查询。
- 通过uid查询用户发布过的帖子,列表查询。
- 帖子检索,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服务。
- tiezi-db:提供元数据存储。
- tiezi-search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。
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。
对于写操作:
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可以使用Solr,ES等开源架构实现,数据量/并发量达到10亿/10万级别时可以自研搜索引擎,这一块不是本文的重点,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,约占读请求量的90%
select * from t_tiezi where tid=$tid
- 帖子列表查询,通过uid查询其发布的所有帖子,约占读请求量的10%
select * from t_tiezi where uid=$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,优点是:
- 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。
缺点是:
- 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?
解答: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?
解答:tid的查询是单行记录查询,只要在数据库(或者缓存)新增索引记录,新增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。
这个方法的优点是:
- 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。
缺点是:
- 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,当然这个查询非常非常块,通常在5ms内可以返回。
- 数据插入时需要查询元数据与索引表,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:
- 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)。
通过这种方法保证,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。
完美!
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?
回答: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?
回答: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。
八、还有哪些未尽事宜
以好友关系为典型的“多对多”类业务,以订单中心为典型的“多KEY”类业务的水平拆分架构又应该怎么处理,敬请期待下期。
评论