1、引言
相信看到這個(gè)標(biāo)題，很多人的第一反應(yīng)就是：對數(shù)據(jù)庫進(jìn)行分庫分表啊！但是實(shí)際上，數(shù)據(jù)庫層面的分庫分表到底是用來干什么的，其不同的作用如何應(yīng)對不同的場景，我覺得很多同學(xué)可能都沒搞清楚。
本篇文章我們一起來學(xué)習(xí)一下，對于一個(gè)支撐日活百萬用戶的高并發(fā)系統(tǒng)，數(shù)據(jù)庫架構(gòu)應(yīng)該如何設(shè)計(jì)呢？
本文的討論和分享，將用一個(gè)創(chuàng)業(yè)公司的發(fā)展作為背景引入，方便大家理解。
（本文同步發(fā)布于：http://www.52im.net/thread-2510-1-1.html）
2、相關(guān)文章
高性能數(shù)據(jù)庫方面的文章：分布式架構(gòu)方面的入門文章：
3、小型系統(tǒng)的典型數(shù)據(jù)庫單機(jī)架構(gòu)和明顯的瓶頸
假如我們現(xiàn)在是一個(gè)小創(chuàng)業(yè)公司，注冊用戶就 20 萬，每天活躍用戶就 1 萬，每天單表數(shù)據(jù)量就 1000，然后高峰期每秒鐘并發(fā)請求最多就 10。
天吶！就這種系統(tǒng)，隨便找一個(gè)有幾年工作經(jīng)驗(yàn)的高級(jí)工程師，然后帶幾個(gè)年輕工程師，隨便干干都可以做出來。
因?yàn)檫@樣的系統(tǒng)，實(shí)際上主要就是在前期進(jìn)行快速的業(yè)務(wù)功能開發(fā)，搞一個(gè)單塊系統(tǒng)部署在一臺(tái)服務(wù)器上，然后連接一個(gè)數(shù)據(jù)庫就可以了。
接著大家就是不停地在一個(gè)工程里填充進(jìn)去各種業(yè)務(wù)代碼，盡快把公司的業(yè)務(wù)支撐起來。
如下圖所示：
結(jié)果呢，沒想到我們運(yùn)氣這么好，碰上個(gè)優(yōu)秀的 CEO 帶著我們走上了康莊大道！
公司業(yè)務(wù)發(fā)展迅猛，過了幾個(gè)月，注冊用戶數(shù)達(dá)到了 2000 萬！每天活躍用戶數(shù) 100 萬！每天單表新增數(shù)據(jù)量達(dá)到 50 萬條！高峰期每秒請求量達(dá)到 1 萬！
同時(shí)公司還順帶著融資了兩輪，估值達(dá)到了驚人的幾億美金！一只朝氣蓬勃的幼年獨(dú)角獸的節(jié)奏！
好吧，現(xiàn)在大家感覺壓力已經(jīng)有點(diǎn)大了，為啥呢？因?yàn)槊刻靻伪硇略?50 萬條數(shù)據(jù)，一個(gè)月就多 1500 萬條數(shù)據(jù)，一年下來單表會(huì)達(dá)到上億條數(shù)據(jù)。
經(jīng)過一段時(shí)間的運(yùn)行，現(xiàn)在咱們單表已經(jīng)兩三千萬條數(shù)據(jù)了，勉強(qiáng)還能支撐著。
但是，眼見著系統(tǒng)訪問數(shù)據(jù)庫的性能怎么越來越差呢，單表數(shù)據(jù)量越來越大，拖垮了一些復(fù)雜查詢 SQL 的性能啊！
然后高峰期請求現(xiàn)在是每秒 1 萬，咱們的系統(tǒng)在線上部署了 20 臺(tái)機(jī)器，平均每臺(tái)機(jī)器每秒支撐 500 請求，這個(gè)還能抗住，沒啥大問題。但是數(shù)據(jù)庫層面呢？
如果說此時(shí)你還是一臺(tái)數(shù)據(jù)庫服務(wù)器在支撐每秒上萬的請求，負(fù)責(zé)任的告訴你，每次高峰期會(huì)出現(xiàn)下述問題：
1）你的數(shù)據(jù)庫服務(wù)器的磁盤 IO、網(wǎng)絡(luò)帶寬、CPU 負(fù)載、內(nèi)存消耗，都會(huì)達(dá)到非常高的情況，數(shù)據(jù)庫所在服務(wù)器的整體負(fù)載會(huì)非常重，甚至都快不堪重負(fù)了；
2）高峰期時(shí)，本來你單表數(shù)據(jù)量就很大，SQL 性能就不太好，這時(shí)加上你的數(shù)據(jù)庫服務(wù)器負(fù)載太高導(dǎo)致性能下降，就會(huì)發(fā)現(xiàn)你的 SQL 性能更差了；
3）最明顯的一個(gè)感覺，就是你的系統(tǒng)在高峰期各個(gè)功能都運(yùn)行的很慢，用戶體驗(yàn)很差，點(diǎn)一個(gè)按鈕可能要幾十秒才出來結(jié)果；
4）如果你運(yùn)氣不太好，數(shù)據(jù)庫服務(wù)器的配置不是特別的高的話，弄不好你還會(huì)經(jīng)歷數(shù)據(jù)庫宕機(jī)的情況，因?yàn)樨?fù)載太高對數(shù)據(jù)庫壓力太大了。
4、多臺(tái)服務(wù)器分庫支撐高并發(fā)讀寫
首先我們先考慮第一個(gè)問題，數(shù)據(jù)庫每秒上萬的并發(fā)請求應(yīng)該如何來支撐呢？
要搞清楚這個(gè)問題，先得明白一般數(shù)據(jù)庫部署在什么配置的服務(wù)器上。通常來說，假如你用普通配置的服務(wù)器來部署數(shù)據(jù)庫，那也起碼是 16 核 32G 的機(jī)器配置。
這種非常普通的機(jī)器配置部署的數(shù)據(jù)庫，一般線上的經(jīng)驗(yàn)是：不要讓其每秒請求支撐超過 2000，一般控制在 2000 左右。
控制在這個(gè)程度，一般數(shù)據(jù)庫負(fù)載相對合理，不會(huì)帶來太大的壓力，沒有太大的宕機(jī)風(fēng)險(xiǎn)。
所以首先第一步，就是在上萬并發(fā)請求的場景下，部署個(gè) 5 臺(tái)服務(wù)器，每臺(tái)服務(wù)器上都部署一個(gè)數(shù)據(jù)庫實(shí)例。
然后每個(gè)數(shù)據(jù)庫實(shí)例里，都創(chuàng)建一個(gè)一樣的庫，比如說訂單庫。此時(shí)在 5 臺(tái)服務(wù)器上都有一個(gè)訂單庫，名字可以類似為：db_order_01、db_order_02 等等。
然后每個(gè)訂單庫里，都有一個(gè)相同的表，比如說訂單庫里有訂單信息表，那么此時(shí) 5 個(gè)訂單庫里都有一個(gè)訂單信息表。
比如：db_order_01 庫里就有一個(gè) tb_order_01 表，db_order_02 庫里就有一個(gè) tb_order_02 表。
這就實(shí)現(xiàn)了一個(gè)基本的分庫分表的思路，原來的一臺(tái)數(shù)據(jù)庫服務(wù)器變成了 5 臺(tái)數(shù)據(jù)庫服務(wù)器，原來的一個(gè)庫變成了 5 個(gè)庫，原來的一張表變成了 5 個(gè)表。
然后你在寫入數(shù)據(jù)的時(shí)候，需要借助數(shù)據(jù)庫中間件，比如 Sharding-JDBC，或者是 MyCAT，都可以。
你可以根據(jù)比如訂單 ID 來 Hash 后按 5 取模，比如每天訂單表新增 50 萬數(shù)據(jù)，此時(shí)其中 10 萬條數(shù)據(jù)會(huì)落入 db_order_01 庫的 tb_order_01 表，另外 10 萬條數(shù)據(jù)會(huì)落入 db_order_02 庫的 tb_order_02 表，以此類推。
這樣就可以把數(shù)據(jù)均勻分散在 5 臺(tái)服務(wù)器上了，查詢的時(shí)候，也可以通過訂單ID 來 hash 取模，去對應(yīng)的服務(wù)器上的數(shù)據(jù)庫里，從對應(yīng)的表里查詢那條數(shù)據(jù)出來即可。
依據(jù)這個(gè)思路畫出的圖如下所示，大家可以看看：
做這一步有什么好處呢？第一個(gè)好處，原來比如訂單表就一張表，這個(gè)時(shí)候不就成了 5 張表了么，那么每個(gè)表的數(shù)據(jù)就變成 1/5 了。
假設(shè)訂單表一年有 1 億條數(shù)據(jù)，此時(shí) 5 張表里每張表一年就 2000 萬數(shù)據(jù)了。
那么假設(shè)當(dāng)前訂單表里已經(jīng)有 2000 萬數(shù)據(jù)了，此時(shí)做了上述拆分，每個(gè)表里就只有 400 萬數(shù)據(jù)了。
而且每天新增 50 萬數(shù)據(jù)的話，那么每個(gè)表才新增 10 萬數(shù)據(jù)，這樣是不是初步緩解了單表數(shù)據(jù)量過大影響系統(tǒng)性能的問題？
另外就是每秒 1 萬請求到 5 臺(tái)數(shù)據(jù)庫上，每臺(tái)數(shù)據(jù)庫就承載每秒 2000 的請求，是不是一下子把每臺(tái)數(shù)據(jù)庫服務(wù)器的并發(fā)請求降低到了安全范圍內(nèi)？
這樣，降低了數(shù)據(jù)庫的高峰期負(fù)載，同時(shí)還保證了高峰期的性能。
5、大量分表來保證海量數(shù)據(jù)下的查詢性能
但是上述的數(shù)據(jù)庫架構(gòu)還有一個(gè)問題，那就是單表數(shù)據(jù)量還是過大，現(xiàn)在訂單表才分為了 5 張表，那么如果訂單一年有 1 億條，每個(gè)表就有 2000 萬條，這也還是太大了。
所以還應(yīng)該繼續(xù)分表，大量分表。比如可以把訂單表一共拆分為 1024 張表，這樣 1 億數(shù)據(jù)量的話，分散到每個(gè)表里也就才 10 萬量級(jí)的數(shù)據(jù)量，然后這上千張表分散在 5 臺(tái)數(shù)據(jù)庫里就可以了。
在寫入數(shù)據(jù)的時(shí)候，需要做兩次路由，先對訂單 ID Hash 后對數(shù)據(jù)庫的數(shù)量取模，可以路由到一臺(tái)數(shù)據(jù)庫上，然后再對那臺(tái)數(shù)據(jù)庫上的表數(shù)量取模，就可以路由到數(shù)據(jù)庫上的一個(gè)表里了。
通過這個(gè)步驟，就可以讓每個(gè)表里的數(shù)據(jù)量非常小，每年 1 億數(shù)據(jù)增長，但是到每個(gè)表里才 10 萬條數(shù)據(jù)增長，這個(gè)系統(tǒng)運(yùn)行 10 年，每個(gè)表里可能才百萬級(jí)的數(shù)據(jù)量。
這樣可以一次性為系統(tǒng)未來的運(yùn)行做好充足的準(zhǔn)備，看下面的圖，一起來感受一下：
6、如何解決分布數(shù)據(jù)庫架構(gòu)中全局唯一ID的生成？
6.1 概述
在分庫分表之后你必然要面對的一個(gè)問題，就是 ID 咋生成？因?yàn)橐且粋€(gè)表分成多個(gè)表之后，每個(gè)表的 ID 都是從 1 開始累加自增長，那肯定不對啊。
舉個(gè)例子，你的訂單表拆分為了 1024 張訂單表，每個(gè)表的 ID 都從 1 開始累加，這個(gè)肯定有問題了！
你的系統(tǒng)就沒辦法根據(jù)表主鍵來查詢訂單了，比如 ID = 50 這個(gè)訂單，在每個(gè)表里都有！
所以此時(shí)就需要分布式架構(gòu)下的全局唯一 ID 生成的方案了，在分庫分表之后，對于插入數(shù)據(jù)庫中的核心 ID，不能直接簡單使用表自增 ID，要全局生成唯一 ID，然后插入各個(gè)表中，保證每個(gè)表內(nèi)的某個(gè) ID，全局唯一。
比如說訂單表雖然拆分為了 1024 張表，但是 ID = 50 這個(gè)訂單，只會(huì)存在于一個(gè)表里。
那么如何實(shí)現(xiàn)全局唯一 ID 呢？有以下幾種方案，我們一一一來看看。
6.2 方案一：獨(dú)立數(shù)據(jù)庫自增 ID
這個(gè)方案就是說你的系統(tǒng)每次要生成一個(gè) ID，都是往一個(gè)獨(dú)立庫的一個(gè)獨(dú)立表里插入一條沒什么業(yè)務(wù)含義的數(shù)據(jù)，然后獲取一個(gè)數(shù)據(jù)庫自增的一個(gè) ID。拿到這個(gè) ID 之后再往對應(yīng)的分庫分表里去寫入。
比如說你有一個(gè) auto_id 庫，里面就一個(gè)表，叫做 auto_id 表，有一個(gè) ID 是自增長的。
那么你每次要獲取一個(gè)全局唯一 ID，直接往這個(gè)表里插入一條記錄，獲取一個(gè)全局唯一 ID即可，然后這個(gè)全局唯一 ID 就可以插入訂單的分庫分表中。
這個(gè)方案的好處就是方便簡單，誰都會(huì)用。缺點(diǎn)就是單庫生成自增 ID，要是高并發(fā)的話，就會(huì)有瓶頸的，因?yàn)?auto_id 庫要是承載個(gè)每秒幾萬并發(fā)，肯定是不現(xiàn)實(shí)的了。
6.3 方案二：UUID
這個(gè)每個(gè)人都應(yīng)該知道吧，就是用 UUID 生成一個(gè)全局唯一的 ID。
好處就是每個(gè)系統(tǒng)本地生成，不要基于數(shù)據(jù)庫來了。不好之處就是，UUID 太長了，作為主鍵性能太差了，不適合用于主鍵。
如果你是要隨機(jī)生成個(gè)什么文件名了，編號(hào)之類的，你可以用 UUID，但是作為主鍵是不能用 UUID 的。
6.4 方案三：獲取系統(tǒng)當(dāng)前時(shí)間
這個(gè)方案的意思就是獲取當(dāng)前時(shí)間作為全局唯一的 ID。但是問題是，并發(fā)很高的時(shí)候，比如一秒并發(fā)幾千，會(huì)有重復(fù)的情況，這個(gè)肯定是不合適的。
一般如果用這個(gè)方案，是將當(dāng)前時(shí)間跟很多其他的業(yè)務(wù)字段拼接起來，作為一個(gè) ID，如果業(yè)務(wù)上你覺得可以接受，那么也是可以的。
你可以將別的業(yè)務(wù)字段值跟當(dāng)前時(shí)間拼接起來，組成一個(gè)全局唯一的編號(hào)，比如說訂單編號(hào)：時(shí)間戳 + 用戶 ID + 業(yè)務(wù)含義編碼。
6.5 方案四：SnowFlake 算法的思想分析
SnowFlake 算法，是 Twitter 開源的分布式 ID 生成算法。其核心思想就是：使用一個(gè) 64 bit 的 long 型的數(shù)字作為全局唯一 ID。
這 64 個(gè) bit 中，其中 1 個(gè) bit 是不用的，然后用其中的 41 bit 作為毫秒數(shù)，用 10 bit 作為工作機(jī)器 ID，12 bit 作為序列號(hào)。
給大家舉個(gè)例子吧，如上圖所示，比如下面那個(gè) 64 bit 的 long 型數(shù)字：
1）第一個(gè)部分，是 1 個(gè) bit：0，這個(gè)是無意義的；
2）第二個(gè)部分，是 41 個(gè) bit：表示的是時(shí)間戳；
3）第三個(gè)部分，是 5 個(gè) bit：表示的是機(jī)房 ID，10001；
4）第四個(gè)部分，是 5 個(gè) bit：表示的是機(jī)器 ID，1 1001；
5）第五個(gè)部分，是 12 個(gè) bit：表示的序號(hào)，就是某個(gè)機(jī)房某臺(tái)機(jī)器上這一毫秒內(nèi)同時(shí)生成的 ID 的序號(hào)，0000 00000000。
① 1 bit：是不用的，為啥呢？
因?yàn)槎M(jìn)制里第一個(gè) bit 為如果是 1，那么都是負(fù)數(shù)，但是我們生成的 ID 都是正數(shù)，所以第一個(gè) bit 統(tǒng)一都是 0。
② 41 bit：表示的是時(shí)間戳，單位是毫秒。
41 bit 可以表示的數(shù)字多達(dá) 2^41 - 1，也就是可以標(biāo)識(shí) 2 ^ 41 - 1 個(gè)毫秒值，換算成年就是表示 69 年的時(shí)間。
③ 10 bit：記錄工作機(jī)器 ID，代表的是這個(gè)服務(wù)最多可以部署在 2^10 臺(tái)機(jī)器上，也就是 1024 臺(tái)機(jī)器。
但是 10 bit 里 5 個(gè) bit 代表機(jī)房 id，5 個(gè) bit 代表機(jī)器 ID。意思就是最多代表 2 ^ 5 個(gè)機(jī)房（32 個(gè)機(jī)房），每個(gè)機(jī)房里可以代表 2 ^ 5 個(gè)機(jī)器（32 臺(tái)機(jī)器）。
④12 bit：這個(gè)是用來記錄同一個(gè)毫秒內(nèi)產(chǎn)生的不同 ID。
12 bit 可以代表的最大正整數(shù)是 2 ^ 12 - 1 = 4096，也就是說可以用這個(gè) 12 bit 代表的數(shù)字來區(qū)分同一個(gè)毫秒內(nèi)的 4096 個(gè)不同的 ID。
簡單來說，你的某個(gè)服務(wù)假設(shè)要生成一個(gè)全局唯一 ID，那么就可以發(fā)送一個(gè)請求給部署了 SnowFlake 算法的系統(tǒng)，由這個(gè) SnowFlake 算法系統(tǒng)來生成唯一 ID。
這個(gè) SnowFlake 算法系統(tǒng)首先肯定是知道自己所在的機(jī)房和機(jī)器的，比如機(jī)房 ID = 17，機(jī)器 ID = 12。
接著 SnowFlake 算法系統(tǒng)接收到這個(gè)請求之后，首先就會(huì)用二進(jìn)制位運(yùn)算的方式生成一個(gè) 64 bit 的 long 型 ID，64 個(gè) bit 中的第一個(gè) bit 是無意義的。
接著 41 個(gè) bit，就可以用當(dāng)前時(shí)間戳（單位到毫秒），然后接著 5 個(gè) bit 設(shè)置上這個(gè)機(jī)房 id，還有 5 個(gè) bit 設(shè)置上機(jī)器 ID。
最后再判斷一下，當(dāng)前這臺(tái)機(jī)房的這臺(tái)機(jī)器上這一毫秒內(nèi)，這是第幾個(gè)請求，給這次生成 ID 的請求累加一個(gè)序號(hào)，作為最后的 12 個(gè) bit。
最終一個(gè) 64 個(gè) bit 的 ID 就出來了，類似于：
這個(gè)算法可以保證說，一個(gè)機(jī)房的一臺(tái)機(jī)器上，在同一毫秒內(nèi)，生成了一個(gè)唯一的 ID。可能一個(gè)毫秒內(nèi)會(huì)生成多個(gè) ID，但是有最后 12 個(gè) bit 的序號(hào)來區(qū)分開來。
下面我們簡單看看這個(gè) SnowFlake 算法的一個(gè)代碼實(shí)現(xiàn)，這就是個(gè)示例，大家如果理解了這個(gè)意思之后，以后可以自己嘗試改造這個(gè)算法。
總之就是用一個(gè) 64 bit 的數(shù)字中各個(gè) bit 位來設(shè)置不同的標(biāo)志位，區(qū)分每一個(gè) ID。
SnowFlake 算法的實(shí)現(xiàn)代碼如下：
public class IdWorker {
private long workerId; // 這個(gè)就是代表了機(jī)器id
private long datacenterId; // 這個(gè)就是代表了機(jī)房id
private long sequence; // 這個(gè)就是代表了一毫秒內(nèi)生成的多個(gè)id的最新序號(hào)
public IdWorker(long workerId, long datacenterId, long sequence) {
// sanity check for workerId
// 這兒不就檢查了一下，要求就是你傳遞進(jìn)來的機(jī)房id和機(jī)器id不能超過32，不能小于0
if(workerId > maxWorkerId || workerId < 0) {
thrownewIllegalArgumentException(
String.format("worker Id can't be greater than %d or less than 0",maxWorkerId));
}
if(datacenterId > maxDatacenterId || datacenterId < 0) {
throw new IllegalArgumentException(
String.format("datacenter Id can't be greater than %d or less than 0",maxDatacenterId));
}
this.workerId = workerId;
this.datacenterId = datacenterId;
this.sequence = sequence;
}
private long twepoch = 1288834974657L;
private long workerIdBits = 5L;
private long datacenterIdBits = 5L;
// 這個(gè)是二進(jìn)制運(yùn)算，就是5 bit最多只能有31個(gè)數(shù)字，也就是說機(jī)器id最多只能是32以內(nèi)
private long maxWorkerId = -1L ^ (-1L << workerIdBits);
// 這個(gè)是一個(gè)意思，就是5 bit最多只能有31個(gè)數(shù)字，機(jī)房id最多只能是32以內(nèi)
private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
private long sequenceBits = 12L;
private long workerIdShift = sequenceBits;
private long datacenterIdShift = sequenceBits + workerIdBits;
private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
private long sequenceMask = -1L ^ (-1L << sequenceBits);
private long lastTimestamp = -1L;
public long getWorkerId(){
return workerId;
}
public long getDatacenterId() {
return datacenterId;
}
public long getTimestamp() {
return System.currentTimeMillis();
}
// 這個(gè)是核心方法，通過調(diào)用nextId()方法，讓當(dāng)前這臺(tái)機(jī)器上的snowflake算法程序生成一個(gè)全局唯一的id
public synchronized long nextId() {
// 這兒就是獲取當(dāng)前時(shí)間戳，單位是毫秒
long timestamp = timeGen();
if(timestamp < lastTimestamp) {
System.err.printf(
"clock is moving backwards. Rejecting requests until %d.", lastTimestamp);
thrownewRuntimeException(
String.format("Clock moved backwards. Refusing to generate id for %d milliseconds",
lastTimestamp - timestamp));
}
// 下面是說假設(shè)在同一個(gè)毫秒內(nèi)，又發(fā)送了一個(gè)請求生成一個(gè)id
// 這個(gè)時(shí)候就得把seqence序號(hào)給遞增1，最多就是4096
if(lastTimestamp == timestamp) {
// 這個(gè)意思是說一個(gè)毫秒內(nèi)最多只能有4096個(gè)數(shù)字，無論你傳遞多少進(jìn)來，
//這個(gè)位運(yùn)算保證始終就是在4096這個(gè)范圍內(nèi)，避免你自己傳遞個(gè)sequence超過了4096這個(gè)范圍
sequence = (sequence + 1) & sequenceMask;
if(sequence == 0) {
timestamp = tilNextMillis(lastTimestamp);
}
} else{
sequence = 0;
}
// 這兒記錄一下最近一次生成id的時(shí)間戳，單位是毫秒
lastTimestamp = timestamp;
// 這兒就是最核心的二進(jìn)制位運(yùn)算操作，生成一個(gè)64bit的id
// 先將當(dāng)前時(shí)間戳左移，放到41 bit那兒；將機(jī)房id左移放到5 bit那兒；將機(jī)器id左移放到5 bit那兒；將序號(hào)放最后12 bit
// 最后拼接起來成一個(gè)64 bit的二進(jìn)制數(shù)字，轉(zhuǎn)換成10進(jìn)制就是個(gè)long型
return((timestamp - twepoch) << timestampLeftShift) |
(datacenterId << datacenterIdShift) |
(workerId << workerIdShift) | sequence;
}
private long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while(timestamp <= lastTimestamp) {
timestamp = timeGen();
}
returntimestamp;
}
private long timeGen(){
returnSystem.currentTimeMillis();
}
//---------------測試---------------
public static void main(String[] args) {
IdWorker worker = newIdWorker(1,1,1);
for(int i = 0; i < 30; i++) {
System.out.println(worker.nextId());
}
}
}
SnowFlake 算法一個(gè)小小的改進(jìn)思路：其實(shí)在實(shí)際的開發(fā)中，這個(gè)SnowFlake算法可以做一點(diǎn)點(diǎn)改進(jìn)。
因?yàn)榇蠹铱梢钥紤]一下，我們在生成唯一 ID 的時(shí)候，一般都需要指定一個(gè)表名，比如說訂單表的唯一 ID。
所以上面那 64 個(gè) bit 中，代表機(jī)房的那 5 個(gè) bit，可以使用業(yè)務(wù)表名稱來替代，比如用 00001 代表的是訂單表。
因?yàn)槠鋵?shí)很多時(shí)候，機(jī)房并沒有那么多，所以那 5 個(gè) bit 用做機(jī)房 ID 可能意義不是太大。
這樣就可以做到：SnowFlake 算法系統(tǒng)的每一臺(tái)機(jī)器，對一個(gè)業(yè)務(wù)表，在某一毫秒內(nèi)，可以生成一個(gè)唯一的 ID，一毫秒內(nèi)生成很多 ID，用最后 12 個(gè) bit 來區(qū)分序號(hào)對待。
7、讀寫分離來支撐按需擴(kuò)容以及性能提升
這個(gè)時(shí)候整體效果已經(jīng)挺不錯(cuò)了，大量分表的策略保證可能未來 10 年，每個(gè)表的數(shù)據(jù)量都不會(huì)太大，這可以保證單表內(nèi)的 SQL 執(zhí)行效率和性能。
然后多臺(tái)數(shù)據(jù)庫的拆分方式，可以保證每臺(tái)數(shù)據(jù)庫服務(wù)器承載一部分的讀寫請求，降低每臺(tái)服務(wù)器的負(fù)載。
但是此時(shí)還有一個(gè)問題，假如說每臺(tái)數(shù)據(jù)庫服務(wù)器承載每秒 2000 的請求，然后其中 400 請求是寫入，1600 請求是查詢。
也就是說，增刪改的 SQL 才占到了 20% 的比例，80% 的請求是查詢。此時(shí)假如說隨著用戶量越來越大，又變成每臺(tái)服務(wù)器承載 4000 請求了。
那么其中 800 請求是寫入，3200 請求是查詢，如果說你按照目前的情況來擴(kuò)容，就需要增加一臺(tái)數(shù)據(jù)庫服務(wù)器。
但是此時(shí)可能就會(huì)涉及到表的遷移，因?yàn)樾枰w移一部分表到新的數(shù)據(jù)庫服務(wù)器上去，是不是很麻煩？
其實(shí)完全沒必要，數(shù)據(jù)庫一般都支持讀寫分離，也就是做主從架構(gòu)。
寫入的時(shí)候?qū)懭胫鲾?shù)據(jù)庫服務(wù)器，查詢的時(shí)候讀取從數(shù)據(jù)庫服務(wù)器，就可以讓一個(gè)表的讀寫請求分開落地到不同的數(shù)據(jù)庫上去執(zhí)行。
這樣的話，假如寫入主庫的請求是每秒 400，查詢從庫的請求是每秒 1600。
那么圖大概如下所示：
寫入主庫的時(shí)候，會(huì)自動(dòng)同步數(shù)據(jù)到從庫上去，保證主庫和從庫數(shù)據(jù)一致。
然后查詢的時(shí)候都是走從庫去查詢的，這就通過數(shù)據(jù)庫的主從架構(gòu)實(shí)現(xiàn)了讀寫分離的效果了。
現(xiàn)在的好處就是，假如說現(xiàn)在主庫寫請求增加到 800，這個(gè)無所謂，不需要擴(kuò)容。然后從庫的讀請求增加到了 3200，需要擴(kuò)容了。
這時(shí)，你直接給主庫再掛載一個(gè)新的從庫就可以了，兩個(gè)從庫，每個(gè)從庫支撐 1600 的讀請求，不需要因?yàn)樽x請求增長來擴(kuò)容主庫。
實(shí)際上線上生產(chǎn)你會(huì)發(fā)現(xiàn)，讀請求的增長速度遠(yuǎn)遠(yuǎn)高于寫請求，所以讀寫分離之后，大部分時(shí)候就是擴(kuò)容從庫支撐更高的讀請求就可以了。
而且另外一點(diǎn)，對同一個(gè)表，如果你既寫入數(shù)據(jù)（涉及加鎖），還從該表查詢數(shù)據(jù)，可能會(huì)牽扯到鎖沖突等問題，無論是寫性能還是讀性能，都會(huì)有影響。
所以一旦讀寫分離之后，對主庫的表就僅僅是寫入，沒任何查詢會(huì)影響他，對從庫的表就僅僅是查詢。
8、高并發(fā)下的數(shù)據(jù)庫架構(gòu)設(shè)計(jì)總結(jié)
從大的一個(gè)簡化的角度來說，高并發(fā)的場景下，數(shù)據(jù)庫層面的架構(gòu)肯定是需要經(jīng)過精心的設(shè)計(jì)的。
尤其是涉及到分庫來支撐高并發(fā)的請求，大量分表保證每個(gè)表的數(shù)據(jù)量別太大，讀寫分離實(shí)現(xiàn)主庫和從庫按需擴(kuò)容以及性能保證。
這篇文章就是從一個(gè)大的角度來梳理了一下思路，各位同學(xué)可以結(jié)合自己公司的業(yè)務(wù)和項(xiàng)目來考慮自己的系統(tǒng)如何做分庫分表。
另外就是，具體的分庫分表落地的時(shí)候，需要借助數(shù)據(jù)庫中間件來實(shí)現(xiàn)分庫分表和讀寫分離，大家可以自己參考 Sharding-JDBC，或者是 MyCAT 的官網(wǎng)即可，里面的文檔都有詳細(xì)的使用描述。
附錄：更多架構(gòu)設(shè)計(jì)的文章
《淺談IM系統(tǒng)的架構(gòu)設(shè)計(jì)》
《簡述移動(dòng)端IM開發(fā)的那些坑：架構(gòu)設(shè)計(jì)、通信協(xié)議和客戶端》
《一套海量在線用戶的移動(dòng)端IM架構(gòu)設(shè)計(jì)實(shí)踐分享(含詳細(xì)圖文)》
《一套原創(chuàng)分布式即時(shí)通訊(IM)系統(tǒng)理論架構(gòu)方案》
《從零到卓越：京東客服即時(shí)通訊系統(tǒng)的技術(shù)架構(gòu)演進(jìn)歷程》
《蘑菇街即時(shí)通訊/IM服務(wù)器開發(fā)之架構(gòu)選擇》
《騰訊QQ1.4億在線用戶的技術(shù)挑戰(zhàn)和架構(gòu)演進(jìn)之路PPT》
《微信后臺(tái)基于時(shí)間序的海量數(shù)據(jù)冷熱分級(jí)架構(gòu)設(shè)計(jì)實(shí)踐》
《微信技術(shù)總監(jiān)談架構(gòu)：微信之道——大道至簡(演講全文)》
《如何解讀《微信技術(shù)總監(jiān)談架構(gòu)：微信之道——大道至簡》》
《快速裂變：見證微信強(qiáng)大后臺(tái)架構(gòu)從0到1的演進(jìn)歷程（一）》
《17年的實(shí)踐：騰訊海量產(chǎn)品的技術(shù)方法論》
《移動(dòng)端IM中大規(guī)模群消息的推送如何保證效率、實(shí)時(shí)性？》
《現(xiàn)代IM系統(tǒng)中聊天消息的同步和存儲(chǔ)方案探討》
《IM開發(fā)基礎(chǔ)知識(shí)補(bǔ)課(二)：如何設(shè)計(jì)大量圖片文件的服務(wù)端存儲(chǔ)架構(gòu)？》
《IM開發(fā)基礎(chǔ)知識(shí)補(bǔ)課(三)：快速理解服務(wù)端數(shù)據(jù)庫讀寫分離原理及實(shí)踐建議》
《IM開發(fā)基礎(chǔ)知識(shí)補(bǔ)課(四)：正確理解HTTP短連接中的Cookie、Session和Token》
《WhatsApp技術(shù)實(shí)踐分享：32人工程團(tuán)隊(duì)創(chuàng)造的技術(shù)神話》
《微信朋友圈千億訪問量背后的技術(shù)挑戰(zhàn)和實(shí)踐總結(jié)》
《王者榮耀2億用戶量的背后：產(chǎn)品定位、技術(shù)架構(gòu)、網(wǎng)絡(luò)方案等》
《IM系統(tǒng)的MQ消息中間件選型：Kafka還是RabbitMQ？》
《騰訊資深架構(gòu)師干貨總結(jié)：一文讀懂大型分布式系統(tǒng)設(shè)計(jì)的方方面面》
《以微博類應(yīng)用場景為例，總結(jié)海量社交系統(tǒng)的架構(gòu)設(shè)計(jì)步驟》
《快速理解高性能HTTP服務(wù)端的負(fù)載均衡技術(shù)原理》
《子彈短信光鮮的背后：網(wǎng)易云信首席架構(gòu)師分享億級(jí)IM平臺(tái)的技術(shù)實(shí)踐》
《知乎技術(shù)分享：從單機(jī)到2000萬QPS并發(fā)的Redis高性能緩存實(shí)踐之路》
《IM開發(fā)基礎(chǔ)知識(shí)補(bǔ)課(五)：通俗易懂，正確理解并用好MQ消息隊(duì)列》
《微信技術(shù)分享：微信的海量IM聊天消息序列號(hào)生成實(shí)踐（算法原理篇）》
《微信技術(shù)分享：微信的海量IM聊天消息序列號(hào)生成實(shí)踐（容災(zāi)方案篇）》
《新手入門：零基礎(chǔ)理解大型分布式架構(gòu)的演進(jìn)歷史、技術(shù)原理、最佳實(shí)踐》
《一套高可用、易伸縮、高并發(fā)的IM群聊、單聊架構(gòu)方案設(shè)計(jì)實(shí)踐》
《阿里技術(shù)分享：深度揭秘阿里數(shù)據(jù)庫技術(shù)方案的10年變遷史》
《阿里技術(shù)分享：阿里自研金融級(jí)數(shù)據(jù)庫OceanBase的艱辛成長之路》
>> 更多同類文章 ……
（本文同步發(fā)布于：http://www.52im.net/thread-2510-1-1.html）