作为数据库核心成员,如何让淘宝不卡顿?
简介:TDDL(Tabao Distributed Data Layer)是淘宝开源的一个用于访问数据库的中间件,集成了分库分表,主备,读写分离,权重调配,动态数据库配置等功能。本文以2007年TDDL初诞生时的视角,介绍TDDL是如何一步步设计成型的,希望能帮助同学们简单收获:常规数据库效率问题解决思路、TDDL框架设计基本思路以及分布式数据库设计思路等。
时间倒转穿越回2007年年底
一觉醒来,我还是照常去上班,走到西溪湿地附近,马路没有,高楼没有,有的是小山坡和金色的稻田。一番打听之后,才知道此时没有什么西溪园区。没办法,硬着头皮去滨江上班,一刷卡,才发现我并不是我,我现在的身份是淘宝数据库团队的核心成员。
此时全国上下在迎接着奥运的到来,一片祥和。淘宝网成交额突破400亿,日活用户达1000万。工程师们都非常兴奋,磨刀霍霍。但是也遇到了棘手的问题。
一 分析当前的现状
1.1 现有业务背景
- 淘宝网给中国市场提供了全新的购物形式,在互联网的大潮下,用户暴增,成交量暴增,公司持续飞速增长。
- 截止2007年,淘宝网成交额突破400亿,日活用户达1000万。
- 全天有1000万用户访问淘宝。而绝大多数用户都是在网上逛,什么也不买。
1.2 当前的问题
1.2.1 用户体验与反馈
用户普遍反馈逛淘宝卡顿,操作延迟特别明显。
1.2.2 分析核心原因
- 大量的用户在浏览商品,并不下单。这个人数和场景的比例有20:1。
-
- 说明:数据库模式事务,写操作会对表或者行加写锁,阻塞读操作。
- 业务数据集中在一张表里,如user表。一张表里数据破几千万。查询一条数据需要好几秒(单表数据量太大)。
-
- 说明:一张表数据提升,必然会导致检索变慢, 这是必然事实。不论如何加索引或者优化都无法解决的。
- 所有表集中在一个库里,所有库集中在一个机器里。数据库集中在一台机器上,动不动就说硬盘不够了(单机单库)。
-
- 说明:所有业务共用一份物理机器资源。机器存在瓶颈:磁盘和CPU不够用且后期拓展性不佳。
1.2.3 总结问题
- 20:1读写比例场景。
- 单表单库数据量太大。
- 小型机与单机场景,抗不住当前规模。
二 我要做什么?
- 如何满足当前每天1000万用户逛淘宝的需求,且用户体验好(最基本要求:响应快)。
- 如何满足未来有上亿用户的访问,甚至是同时访问,且用户体验好(最基本要求:响应快)。
高筑墙,广积粮,积极做好准备。
提炼核心:
- 提高数据库操作速度。
- 同时能应对未来规模变化。
三 我能做什么?
为实现以上两大目标,我能做什么?
3.1 提高数据库操作速度,通用方法
提炼常见的通用方法:
sql优化
- 排除语法问题,烂sql
- 下推优化
下推的目的:提前过滤数据 -> 减少网络传输、并行计算。
- 提前过滤数据
- 小表驱动大表等
建立索引
- 查询频率高的热点字段
- 区分度高的(DISTINCT column_name)/COUNT(),以主键为榜样(1/COUNT())
- 长度小
- 尽量能覆盖常用查询字段
- 注意索引失效的场景
分库分表
- 垂直分库分表
- 水平分库分表
读写分离
缓存的使用
等等。
3.2 如何应对未来的持续变化?
必须支持动态扩容。
必须走分布式化路线,百分百不动摇。
3.3 结合定位,分析自己能做的
3.3.1 分析我们的架构定位
(1)大前提
- 我们要做通用型框架,不参与业务。
- 从软件设计原则出发,开闭原则:对扩展开放,对修改关闭。
说明:大修改就意味着不稳定,因此:我们要做到尽可能少的修改原来的代码。在程序需要进行拓展的时候,不能去修改原有的代码,实现一个热插拔的效果。
(2)当前架构现状
淘宝网主要使用hibernate/ibatis传统框架:
(3)分析我们的架构定位
淘宝数据库团队当时使用映射框架(hibernate/ibatis)作为数据库交互入库,为了不让他们修改代码,那我们只能在ibatis/hibenate这类映射框架之下。
同时jdbc是与底层数据库交互的Java数据库连接驱动程序,是基础能力,我们要使用它,而不是改造它。
结论:我得把TDDL安插于ibatis/jdbc之间,于是有了第一张架构图:
3.4 总结,我们能做什么?
结合我们的目标,通用方法,大前提以及架构定位,分析下我们能做和不能做的。
不能做的:
- 索引,因为这个是设计阶段,强业务相关。与大前提冲突:我们不参与业务。
能做的:
- 语法优化
-
- 排除sql问题
-
- 下推优化
- 分表分库(自动水平分表,水平分库)
-
- 读写分离(读写分离/分布式化与动态扩容)
四 我们如何做?
4.1 语法优化
为达到语法优化的目的,我们需要具备什么能力?
简单来说:
- 我们需要认识这个别人提交给我的sql。
- 我能拆解sql。
- 优化与重组这个sql。
专业点来说:语义分析能力。
- sql解析
- sql规则制定
- sql优化
- sql重组
因此:我们需要设计一个sql解析器,sql优化器。
4.1.1 解析器
解析器的核心是词法分析、语法语义分析,也就是说来了一条 select/update/insert/delete语句,你能认识它,而且你知道下一步该怎么处理,同时为后面的优化器打下基础。
核心:将sql解析为一棵语法树。
例:
SELECT id, member_id FROM wp_image WHERE member_id = ‘123’
sql语法树:
4.1.2 优化器
核心:
- 在sql解析成sql语法树后,使用sql优化规则(1. 语法优化 2. 下推优化), 通过对树进行左旋,右旋,删除子树来对语法树进行重构sql语法树。
- 将重构的语法树进行遍历得到优化后的sql。
(1)语法优化
- 函数提前计算
a. id = 1 + 1 => id = 2
- 判断永真/永假式
1 = 1 and id = 1 => id = 1
0 = 1 and id = 1 => 空结果
- 合并范围
id > 1 or id < 5 => 永真式
id > 1 and id = 3 => id = 3
- 类型处理
id = ‘1’ => id为数字类型,自动Long.valueof(1)
create=‘2015-02-14 12:12:12’ => create为timestamp类型,解析为时间类型
(2)下推优化
- Where条件下推
select from (A) o where o.id = 1
=>
select from (A.query(id = 1))
说明:提前条件过滤,提前获取数据,减少后期计算/IO/网络成本。
- JOIN中非join列的条件下推
A join B on A.id = B.id where A.name = 1 and B.title = 2
=>
A.query(name = 1) join B.query(title = 2) on A.id = B.id
说明:提前过滤,减轻后期join计算成本,达到“小表驱动”的目的。
- 等值条件的推导
A join B on A.id = B.id where A.id = 1 => B.id = 1
=>
A join B.query(B.id=1) on A.id = B.id
说明:同理,提前过滤。
4.1.3 总结
- sql解析器
-
- 负责将sql语句化为sql语法树。
- sql优化器
-
- 负责将sql语法树利用sql优化规则,重构sql语法树。
-
- 将sql语法树转化为sql语句。
4.2 分表分库
单库单表的问题:
几年前,业务简单,应用的数据比较少,表结构也不复杂。只有一个数据库,数据库中的表是一张完整的表。而到了今天,2007年了,业务复杂起来了,数据量爆增,单表数据破千万甚至上亿条,一条DML语句,死慢死慢的。这种情况下加索引已不再有显著的效果。
这个时候,数据库效率瓶颈不是靠加索引,sql优化能搞定的。
正确出路:分表分库,通过将表拆分,来降低单表数据量,进而提高数据库操作效率。
分表分为:
- 垂直分表
- 水平分表
分库分为:
- 垂直分库
- 水平分库
由于TDDL不参与业务,而垂直分库分表是强业务相关的,因此TDDL暂不参与垂直分库分表,只在水平分库分表方向上努力。
4.2.1 垂直分表
垂直拆分是将一张表垂直拆成多个表。往往是把常用的列独立成一张主表。不常用的列以及特别长的列拆分成另一张拓展表。
简单垂直分表举例
核心要素:
- 冷热分离,把常用的列放在一个表,不常用的放在一个表。
- 大字段列独立存放,如描述信息。
- 关联关系的列紧密的放在一起。
它带来的提升是:
- 为了避免IO争抢并减少锁表的几率,查看详情的用户与商品信息浏览互不影响。
- 充分发挥热门数据的操作效率,商品信息的操作的高效率不会被商品描述的低效率所拖累。
4.2.2 水平分表
水平分表是在同一个数据库内,把同一个表的数据按一定规则拆到多个表中。
简单点的技巧:按照枚举类型区分。
作用总结:
- 库内的水平分表,解决了单一表数据量过大的问题,分出来的小表中只包含一部分数据,从而使得单个表的数据量变小,提高检索性能。
- 避免IO争抢并减少锁表的几率。
4.2.3 垂直分库
垂直分库是指按照业务将表进行分类,分布到不同的数据库上面,每个库可以放在不同的服务器上,它的核心理念是专库专用。
作用总结:
- 解决业务层面的耦合,业务清晰。
- 高并发场景下,垂直分库一定程度的提升IO、数据库连接数、降低单机硬件资源的瓶颈。
- 能对不同业务的数据进行分级管理、维护、监控、扩展等。
- 垂直分库通过将表按业务分类,然后分布在不同数据库,并且可以将这些数据库部署在不同服务器上,从而达到多个服务器共同分摊压力的效果,但是依然没有解决单表数据量过大的问题。
4.2.4 水平分库(TDDL 核心)
水平分库是把同一个表的数据按一定规则拆到不同的数据库中,每个库可以放在不同的服务器上。
作用总结:
- 解决了单库单表数据量过大的问题,理论上解决了高并发的性能瓶颈。
水平分库核心要解决的问题:
- 如何知道数据在哪个库里?- 路由问题
- 结果合并
- 全局唯一主键ID
- 分布式事务(暂时不支持)
4.2.5 水平分库——问题解决
(1)自动路由算法
sql转发:在水平拆分后,数据被分散到多张表里。原来的一个sql需要拆解,进行转发路由。
例:
select * from tb1 where member_id in ('test1234', 'pavaretti17', 'abcd');
=>
select * from tb1 where member_id in ('test1234', 'pavaretti17', 'abcd');
select * from tb1 where member_id in ('abcd');
其中拆分和寻找的算法:怎么知道对应哪个表?即自动路由算法。常见的有:固定哈希算法和一致性哈希算法。
a)固定哈希算法
b)一致性哈希算法
一致性哈希算法在1997年由麻省理工学院提出,是一种特殊的哈希算法,目的是解决分布式缓存的问题。
一致性哈希算法的优势:
- 极好的应对了服务器宕机的场景。
- 很好的支持后期服务器扩容。
- 在引入虚拟节点后:能很好的平衡各节点的数据分布。
由于一致性哈希算法的优势,此算法几乎是所有分布式场景下使用的方案,包括mysql的分布式、redis的分布式等。
(2) 结果合并
升华:引入fork-Join,提升操作速度(多线程并发重点场景,代码中也很常用哦)。
- 任务拆分
- 多路并行操作
- 结果合并
(3)全局唯一主键
算法:基于数据库更新+内存分配。在数据库中维护一个ID,获取下一个ID时,会对数据库进行ID=ID+100 WHERE ID=XX,拿到100个ID后,在内存中进行分配。
- 优势:简单高效。
- 缺点:无法保证自增顺序。
例:
水平分库分表:一拆三场景。
主键分隔值:1000。
- 表1新增一条数据,于是给表1分配1000个主键ID, 直到它用完。
- 同理,表2、表3在新增数据时,也给它们分配1000个主键ID。直到它用完。
- 当它们的1000个主键ID用完后,继续给它们分配1000个即可。
- 重复下去,可保证各库表上的主键不重叠,唯一。
这种产生全局唯一id的方式相当有效,保证基本的全局唯一特性和高性能的同时,可以对生成id的数据库分机架分机房部署达到容灾的目的。
4.2.6 分表分库总结
架构师角度:
- 优先考虑缓存降低对数据库的读操作。
- 再考虑读写分离,降低数据库写操作。
- 最后开始数据拆分,切分模式:首先垂直(纵向)拆分、再次水平拆分。
-
- 首先考虑按照业务垂直拆分。
-
- 再考虑水平拆分:先分库(设置数据路由规则,把数据分配到不同的库中)。
- 最后再考虑分表,单表拆分到数据1000万以内。
个人开发角度:
- 优先使用分表分库框架(直接使用)。
- 优先考虑缓存降低对数据库的读操作。
- 自己垂直分表。
- 自己水平分表。
之所以先垂直拆分才水平拆分,是因为垂直拆分后数据业务清晰而且单一,更加方便指定水平的标准。
4.3 分布式化
分布式化是大潮,是大规模服务器最后都要走的一步。
4.3.1 读写分离
设计读写分离的数据库,有两大意义:
- 主从只负责各自的写和读,极大程度的缓解X锁和S锁的竞争。
- 从库可配置myisam引擎,提升查询性能以及节约系统开销。
说明:myisam查询效率高于默认的innodb效率。参考:myisam和innodb的区别。
核心问题:
- 数据的备份同步问题:参考4.4.3。
- 读写比例支持动态设置:结合业务,如淘宝可设置为20:1。
4.3.2 容灾
主备倒换:提高可靠性 > 应对个别数据库宕机场景,尤其主库宕机。
说明:DB2主库宕机后,自动将主库转为DB3。
核心问题:
- 数据的备份同步问题:binlog 参考4.4.3。
- 检测数据库的在线状态:心跳机制。
4.3.3 数据备份与同步
当只有单机或者一份数据时,一但数据库出问题,那么整体服务将不可用,而且更严重的是会造成数据损害丢失不可逆。
在读写分离与主备倒换的场景下,核心要解决的是多个数据库的数据同步与备份问题。
当前主流的是采用日志备份方式(redis也类似)。
实现原理:binlog日志备份。
说明:
- 主库负责写操作,在数据变更时,会写入binlog,同时通知各从库。
- 从库收到通知后,IO线程会主动过来读取主库的binlog,并写入自己的log。
- 写完从库log后,通知sql线程,sql线程读取自己的日志,写入从库。
4.3.4 动态扩容
动态扩容的意义在于:随着后期业务量增大,数据库个数可以通过增多的方式来应对,而相对的改造代价很小。
扩容前:
扩容后:
核心内容:
- 在添加新库时
-
- 注册机器与库
-
- 路由算法调整:固定哈希算法-调整模数/一致性哈希算法天然支持扩容
- 可选的权重调整
-
- 修改权重,数据插入偏向于新库5。
-
- 在各库数量平衡时,触发修改回原来平衡的权重,以保证后续的均衡分配。
五 架构成型
sql流向
下图介绍sql从流入TDD到流入数据库,期间TDDL各模块对Sql的处理。
架构图
下图介绍了TDDL三层的位置以及作用。
核心能力图
TDDL 核心能力,核心组建示意图,其中标出了各模块核心要解决功能,核心算法等。
参考
TDDL 官方文档
http://mw.alibaba-inc.com/products/tddl/_book/
TDD产品原理介绍
http://gitlab.alibaba-inc.com/middleware/tddl5-wiki/raw/master/docs/Tddl_Intro.ppt
TDDL(07-10年)初始版本介绍
https://wenku.baidu.com/view/9cb630ab7f1922791788e825.html
阿里云SQL调优指南
https://help.aliyun.com/document_detail/144293.html
一致性哈希算法原理
https://www.cnblogs.com/lpfuture/p/5796398.html
TDDL初期源码(码云)
https://gitee.com/justwe9891/TDDL
MyISAM与InnoDB 的区别(9个不同点)
https://blog.csdn.net/qq_35642036/article/details/82820178
原文链接:https://developer.aliyun.com/article/773227?
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。
本文地址:https://blog.csdn.net/alitech2017/article/details/108775987
上一篇: 杨修到底是怎么死的 真的和鸡肋事件有关吗
下一篇: 刘备迎娶孙夫人之后,为什么一直没有后代?