ShardingSphere-JDBC
ShardingSphere
Apache ShardingSphere 是一套开源的分布式数据库中间件解决方案组成的生态圈,它由 JDBC、Proxy 和 Sidecar(规划中)这 3 款相互独立,却又能够混合部署配合使用的产品组成。 它们均提供标准化的数据分片、分布式事务和数据库治理功能,可适用于如 Java 同构、异构语言、云原生等各种多样化的应用场景。
三大组件对比
ShardingSphere-Sidecar(规划中,简单知道就行)
- 定位为 Kubernetes 的云原生数据库代理,以 Sidecar 的形式代理所有对数据库的访问
- 通过无中心、零侵入的方案提供与数据库交互的啮合层,即
Database Mesh
,又可称数据库网格
ShardingSphere-JDBC
- 它使用客户端直连数据库,以 jar 包形式提供服务
- 无需额外部署和依赖,可理解为增强版的 JDBC 驱动,完全兼容 JDBC 和各种 ORM 框架
- 适用于任何基于 JDBC 的 ORM 框架,如:JPA, Hibernate, Mybatis,或直接使用 JDBC
- 支持任何第三方的数据库连接池,如:DBCP, C3P0, BoneCP, HikariCP 等;
- 支持任意实现 JDBC 规范的数据库,目前支持 MySQL,PostgreSQL,Oracle,SQLServer 以及任何可使用 JDBC 访问的数据库
- 采用无中心化架构,与应用程序共享资源,适用于 Java 开发的高性能的轻量级 OLTP 应用
ShardingSphere-Proxy
- 数据库代理端,提供封装了数据库二进制协议的服务端版本,用于完成对异构语言的支持
- 向应用程序完全透明,可直接当做 MySQL/PostgreSQL
- 它可以使用任何兼容 MySQL/PostgreSQL 协议的访问客户端(如:MySQL Command Client, MySQL Workbench, Navicat 等)操作数据
数据库的优化思路
- 在数据量及访问压力不是特别大的情况,首先考虑缓存、读写分离、索引技术等方案
- 如果数据量极大,且业务持续增长快,再考虑分库分表方案
MySQL 最大连接数
MySQL 连接数: 连接数过多时,就会出现‘too many connections’的错误,访问量太大或者数据库设置的最大连接数太小的原因。
MySQL 默认的最大连接数为 100,而 MySQL 服务允许的最大连接数为 16384
分表的意义
数据库分表可以解决单表海量数据的查询性能问题
分库的意义
数据库分库可以解决单台数据库的并发访问压力问题
分库分表之后的六大问题
问题一:跨节点数据库 Join 关联查询
数据库切分前,多表关联查询,可以通过 SQL join 进行实现
分库分表后,数据可能分布在不同的节点上,SQL join 带来的问题就比较麻烦
问题二:分库操作带来的分布式事务问题
操作内容同时分布在不同库中,不可避免会带来跨库事务问题,即分布式事务
问题三:执行的 SQL 排序、翻页、函数计算问题
分库后,数据分布再不同的节点上, 跨节点多库进行查询时,会出现 limit 分页、order by 排序等问题
分片字段时,更加复杂了,要在不同的分片节点中将数据进行排序并返回,然后将不同分片返回的结果集进行汇总和再次排序(也会带来更多的 CPU/IO 资源损耗)
问题四:数据库全局主键重复问题
常规表的 id 是使用自增 id 进行实现,分库分表后,由于表中数据同时存在不同数据库中,如果用自增 id,则会出现冲突问题
问题五:容量规划,分库分表后二次扩容问题
业务发展快,初次分库分表后,满足不了数据存储,导致需要多次扩容
问题六:分库分表技术选型问题
市场分库分表中间件相对较多,框架各有各的优势与短板,应该如何选择
垂直分表
也就是“大表拆小表”,基于列字段进行拆分。
垂直分表解决的问题
- 避免 IO 时锁表的次数
- 分离热点字段和非热点字段
- 避免大字段 IO 导致性能下降
垂直拆分原则
- 将不常用的字段单独放在一张表
- 将 text,blob 等大字段拆分出来放在附表中
- 业务经常组合查询的列放在一张表中
案例:商品表字段太多,每个字段访问频次不一样,浪费了IO资源,需要进行优化
1//拆分前
2CREATE TABLE `product` (
3 `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
4 `title` varchar(524) DEFAULT NULL COMMENT '视频标题',
5 `cover_img` varchar(524) DEFAULT NULL COMMENT '封面图',
6 `price` int(11) DEFAULT NULL COMMENT '价格,分',
7 `total` int(10) DEFAULT '0' COMMENT '总库存',
8 `left_num` int(10) DEFAULT '0' COMMENT '剩余',
9
10 `learn_base` text COMMENT '课前须知,学习基础',
11 `learn_result` text COMMENT '达到水平',
12 `summary` varchar(1026) DEFAULT NULL COMMENT '概述',
13 `detail` text COMMENT '视频商品详情',
14 PRIMARY KEY (`id`)
15) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
16
17
18//拆分后
19CREATE TABLE `product` (
20 `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
21 `title` varchar(524) DEFAULT NULL COMMENT '视频标题',
22 `cover_img` varchar(524) DEFAULT NULL COMMENT '封面图',
23 `price` int(11) DEFAULT NULL COMMENT '价格,分',
24 `total` int(10) DEFAULT '0' COMMENT '总库存',
25 `left_num` int(10) DEFAULT '0' COMMENT '剩余',
26 PRIMARY KEY (`id`)
27) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
28
29CREATE TABLE `product_detail` (
30 `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
31 `product_id` int(11) DEFAULT NULL COMMENT '产品主键',
32 `learn_base` text COMMENT '课前须知,学习基础',
33 `learn_result` text COMMENT '达到水平',
34 `summary` varchar(1026) DEFAULT NULL COMMENT '概述',
35 `detail` text COMMENT '视频商品详情',
36 PRIMARY KEY (`id`)
37) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
垂直分库
一般从单体项目升级改造为微服务项目,就是垂直分库。一个 MySQL 实例中多个库不叫物理分库
垂直分库解决的问题
- 单机处理能力有限:避免不同库竞争同一个物理机的 CPU、内存、网络 IO、磁盘 IO,所以在高并发场景下,垂直分库一定程度上能够突破 IO、连接数及单机硬件资源的瓶颈
- 业务层面的解耦合:更好解决业务层面的耦合,业务清晰,且方便管理和维护
垂直分库不能解决的问题
- 垂直分库分表可以提高并发,但是依然没有解决单表数据量过大的问题
案例:C端项目里面,单个数据库的CPU、内存长期处于90%+的利用率,数据库连接经常不够,需要进行优化
水平分表
针对数据量巨大的单张表,按照某种规则(RANGE,HASH 取模等)切分到 N 个小表中,每个表的结构是一样的,数据不一样,全部表的数据合起来就是全部数据
水平分表解决的问题
- 查询速度慢:单表数据量过大(当一张表的数据达到几千万时,查询一次所花的时间长)
- 减少锁表时间:没分表前,如果是 DDL(create/alter/add 等)语句,当需要添加一列的时候 MySQL 会锁表,期间所有的读写操作只能等待
水平分表不能解决的问题
- 这些表还是在同一个库中,所以单数据库操作还是有 IO 瓶颈,主要是解决单表数据量过大的问题
案例:当一张表的数据达到几千万时,查询一次所花的时间长,需要进行优化,缩短查询时间
水平分库
同个表的数据按照一定规则分到不同的数据库中,数据库在不同的服务器上,多个数据库,降低了系统的 IO 和 CPU 压力。需要多个服务器,成本更大。建议先分表,分表之后还是不行再考虑分库。
水平分库的原理
- 水平分库是把不同表拆到不同数据库中,它是对数据行的拆分,不影响表结构
- 每个库的结构都一样,但每个库的数据都不一样,没有交集,所有库的并集就是全量数据
- 水平分库的粒度,比水平分表更大
- 每个库的表库跟随库表(尽量,这样看起来更加直观)
水平分库的原则
- 选择合适的分片键和分片策略,和业务场景配合
- 避免数据热点和访问不均衡、避免二次扩容难度大
案例:高并发的项目中,水平分表后依旧在单个库上面,1个数据库资源瓶颈 CPU/内存/带宽等限制导致响应慢,需要进行优化
水平分库分表常见策略
range
自增 id,根据 ID 范围进行分表(左闭右开)
规则案例
- 1~1,000,000 是 table_1
- 1,000,000 ~2,000,000 是 table_2
- 2,000,000~3,000,000 是 table_3
- ...更多
优点
- id 是自增长,可以无限增长
- 扩容不用迁移数据,容易理解和维护
缺点
- 大部分读和写都访会问新的数据库,有 IO 瓶颈,整体资源利用率低
- 数据倾斜严重,热点数据过于集中,部分节点有瓶颈
自增 id,根据 ID 范围进行分表延伸解决方案
更多适合是水平分表,分库会导致数据倾斜严重,热点数据过于集中,部分节点有瓶颈
- 数字
自增id范围
- 时间
年、月、日范围
比如按照月份生成 库或表 pay_log_2022_01、pay_log_2022_02
- 空间
地理位置:省份、区域(华东、华北、华南)
比如按照 省份 生成 库或表
基于 Range 范围分库分表业务场景
- 微博发送记录、微信消息记录、日志记录,id 增长/时间分区都行
水平分表为主,水平分库则容易造成资源的浪费
- 网站签到等活动流水数据时间分区最好
水平分表为主,水平分库则容易造成资源的浪费
- 大区划分(一二线城市和五六线城市活跃度不一样,如果能避免热点问题,即可选择)
saas业务水平分库(华东、华南、华北等)
Hash 取模
Hash 分库分表是最普遍的方案
为啥不直接取模?
如果取模的字段不是整数型要先hash,统一规则就行
案例需求
1、用户ID是整数型的,要分2库,每个库表数量4表,一共8张表
2、用户ID取模后,值是0到7的要平均分配到每张表
分表规则
1库ID = userId % 库数量(2)
2表ID = userId / 库数量(2) % 表数量(4)
3
4db0: tb0、tb1、tb2、tb3
5db1: tb0、tb1、tb2、tb3
userid | 库 ID = userId % 库数量(2) | 表 ID = userId / 库数量(2) % 表数量(4) | 库名_表名 |
---|---|---|---|
1 | 1 | 0 | db1_tb0 |
2 | 0 | 1 | db0_tb1 |
3 | 1 | 1 | db1_tb1 |
4 | 0 | 2 | db0_tb2 |
5 | 1 | 2 | db1_tb2 |
6 | 0 | 3 | db0_tb3 |
7 | 1 | 3 | db1_tb3 |
8 | 0 | 0 | db0_tb0 |
9(新循环) | 1 | 0 | db1_tb0 |
10 | 0 | 1 | db0_tb1 |
11 | 1 | 1 | db1_tb1 |
12 | 1 | 1 | db1_tb1 |
ShardingSphere-JDBC 的常见术语
-
数据节点 Node:数据分片的最小单元,由数据源名称和数据表组成
比如:ds_0.product_order_0
-
真实表:在分片的数据库中真实存在的物理表
比如:product_order_0、product_order_1、product_order_2
-
逻辑表:水平拆分的数据库(表)的相同逻辑和数据结构表的总称
比如:逻辑表就是product_order 包含真实表:product_order_0、product_order_1、product_order_2
-
绑定表:指分片规则一致的主表和子表
比如:product_order表和product_order_item表,均按照order_id分片,则此两张表互为绑定表关系
绑定表之间的多表关联查询不会出现笛卡尔积关联,关联查询效率将大大提升
-
广播表:指所有的分片数据源中都存在的表,表结构和表中的数据在每个数据库中均完全一致
适用于数据量不大且需要与海量数据的表进行关联查询的场景, 例如:字典表、配置表
分库分表和 Sharding-Jdbc 常见分片算法
数据库表分片(水平库、表)包含:
- 分片键
- 分片策略
分片键
用于分片的数据库字段,是将数据库(表)水平拆分的关键字段。
out_trade_no做哈希取模,则out_trade_no是分片键
除了对单分片字段的支持,ShardingSphere也支持根据多个字段进行分片
分片策略
分片策略 | 分片键支持 | 特点 | 补充说明 |
---|---|---|---|
InlineShardingStrategy(行表达式分片策略) | 单分片键 | 提供对 SQL 语句中的 =和 IN 的分片操作支持,以通过简单的配置使用,无需自定义分片算法,从而避免繁琐的 Java 代码开发 | prouduct_order_$->{user_id % 8} 表示订单表根据 user_id 模 8,而分成 8 张表,表名称为 prouduct_order_0 到 prouduct_order_7 |
StandardShardingStrategy(标准分片策略) | 单分片键 | PreciseShardingAlgorithm 精准分片 是必选的,用于处理=和 IN 的分片,RangeShardingAlgorithm 范围分配 是可选的,用于处理 BETWEEN AND 分片,如果不配置 RangeShardingAlgorithm | 如果 SQL 中用了 BETWEEN AND 语法,则将按照全库路由处理,性能下降 |
ComplexShardingStrategy(复合分片策略) | 单、多分片键 | 支持【多分片键】,多分片键之间的关系复杂,由开发者自己实现,提供最大的灵活度提供对 SQL 语句中的=, IN 和 BETWEEN AND 的分片操作支持 | |
HintShardingStrategy(Hint 分片策略) | 无需配置分片健 | 这种分片策略无需配置分片健,分片健值也不再从 SQL 中解析,外部手动指定分片健或分片库,让 SQL 在指定的分库、分表中执行,用于处理使用 Hint 行分片的场景,通过 Hint 而非 SQL 解析的方式分片的策略 | Hint 策略会绕过 SQL 解析的,对于这些比较复杂的需要分片的查询,Hint 分片策略性能可能会更好 |
NoneShardingStrategy(不分片策略) | 不分片的策略 |
SpringBoot2.5+MybatisPlus+Sharding-Jdbc
分库分表需求
1DB:xdclass_shop_order_0
2 product_order_0
3 product_order_1
4DB:xdclass_shop_order_1
5 product_order_0
6 product_order_1
SQL 脚本
字符集:utf8mb4
排序规则:utf8mb4_bin
手动创建两个库:xdclass_shop_order_0、xdclass_shop_order_1
1CREATE TABLE `product_order_0` (
2 `id` bigint NOT NULL AUTO_INCREMENT,
3 `out_trade_no` varchar(64) DEFAULT NULL COMMENT '订单唯一标识',
4 `state` varchar(11) DEFAULT NULL COMMENT 'NEW 未支付订单,PAY已经支付订单,CANCEL超时取消订单',
5 `create_time` datetime DEFAULT NULL COMMENT '订单生成时间',
6 `pay_amount` decimal(16,2) DEFAULT NULL COMMENT '订单实际支付价格',
7 `nickname` varchar(64) DEFAULT NULL COMMENT '昵称',
8 `user_id` bigint DEFAULT NULL COMMENT '用户id',
9 PRIMARY KEY (`id`)
10) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin;
创建 MySQL 容器
1docker run \
2 -p 3306:3306 \
3 -e MYSQL_ROOT_PASSWORD=123456 \
4 --name mysql \
5 --restart=always \
6 -d mysql:8.0
导入依赖
1<properties>
2 <!--JDK版本,如果是jdk8则这里是 1.8-->
3 <java.version>11</java.version>
4 <maven.compiler.source>11</maven.compiler.source>
5 <maven.compiler.target>11</maven.compiler.target>
6 <spring.boot.version>2.5.5</spring.boot.version>
7 <mybatisplus.boot.starter.version>3.4.0</mybatisplus.boot.starter.version>
8 <lombok.version>1.18.16</lombok.version>
9 <sharding-jdbc.version>4.1.1</sharding-jdbc.version>
10 <junit.version>4.12</junit.version>
11 <druid.version>1.1.16</druid.version>
12 <!--跳过单元测试-->
13 <skipTests>true</skipTests>
14 </properties>
15
16 <dependencies>
17
18 <dependency>
19 <groupId>org.springframework.boot</groupId>
20 <artifactId>spring-boot-starter-web</artifactId>
21 <version>${spring.boot.version}</version>
22 </dependency>
23
24 <!--<dependency>-->
25 <!--<groupId>org.springframework.boot</groupId>-->
26 <!--<artifactId>spring-boot-test</artifactId>-->
27 <!--</dependency>-->
28
29 <dependency>
30 <groupId>org.springframework.boot</groupId>
31 <artifactId>spring-boot-starter-test</artifactId>
32 <version>${spring.boot.version}</version>
33 <scope>test</scope>
34 </dependency>
35
36
37 <!--mybatis plus和springboot整合-->
38 <dependency>
39 <groupId>com.baomidou</groupId>
40 <artifactId>mybatis-plus-boot-starter</artifactId>
41 <version>${mybatisplus.boot.starter.version}</version>
42 </dependency>
43
44 <dependency>
45 <groupId>mysql</groupId>
46 <artifactId>mysql-connector-java</artifactId>
47 <version>8.0.27</version>
48 </dependency>
49
50 <dependency>
51 <groupId>org.projectlombok</groupId>
52 <artifactId>lombok</artifactId>
53 <version>${lombok.version}</version>
54 <!--<scope>provided</scope>-->
55 </dependency>
56
57 <dependency>
58 <groupId>org.apache.shardingsphere</groupId>
59 <artifactId>sharding-jdbc-spring-boot-starter</artifactId>
60 <version>${sharding-jdbc.version}</version>
61 </dependency>
62
63 <dependency>
64 <groupId>junit</groupId>
65 <artifactId>junit</artifactId>
66 <version>${junit.version}</version>
67 </dependency>
68 </dependencies>
src/main/java/net/xdclass/DemoApplication.java
1package net.xdclass;
2
3import org.mybatis.spring.annotation.MapperScan;
4import org.springframework.boot.SpringApplication;
5import org.springframework.boot.autoconfigure.SpringBootApplication;
6import org.springframework.transaction.annotation.EnableTransactionManagement;
7
8@MapperScan("net.xdclass.mapper")
9@EnableTransactionManagement
10@SpringBootApplication
11public class DemoApplication {
12
13 public static void main(String [] args){
14
15 SpringApplication.run(DemoApplication.class,args);
16 }
17}
application.properties
单库下分库分表
自增 ID 导致主键重复
1server.port=8080
2spring.application.name=xdclass-jdbc
3
4logging.level.root=INFO
5# 打印执行的数据库以及语句
6spring.shardingsphere.props.sql.show=true
7
8# 数据源 db0,ds1,ds2
9spring.shardingsphere.datasource.names=ds0
10# 第一个数据库
11spring.shardingsphere.datasource.ds0.type=com.zaxxer.hikari.HikariDataSource
12spring.shardingsphere.datasource.ds0.driver-class-name=com.mysql.cj.jdbc.Driver
13spring.shardingsphere.datasource.ds0.jdbc-url=jdbc:mysql://192.168.10.21:3306/shop_order_0?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
14spring.shardingsphere.datasource.ds0.username=root
15spring.shardingsphere.datasource.ds0.password=xdclass.net168
16
17
18# 指定product_order表的数据分布情况,配置数据节点,行表达式标识符使用 ${...} 或 $->{...},但前者与 Spring 本身的文件占位符冲突,所以在 Spring 环境中建议使用 $->{...}
19spring.shardingsphere.sharding.tables.product_order.actual-data-nodes=ds0.product_order_$->{0..1}
20# 指定product_order表的分片策略,分片策略包括【分片键和分片算法】
21spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.sharding-column=user_id
22spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.algorithm-expression=product_order_$->{user_id % 2}
SQL 路由
product_order_0 和 product_order_0 主键存在冲突
Snowflake 算法生成 id 主键
application.properties
1# 配置本节点的workId (分布式ID生成器不同节点需要配置不同的workId)
2spring.shardingsphere.sharding.tables.product_order.key-generator.props.worker.id=1
方式一:model 类配置
订单id使用MybatisPlus的配置,ProductOrder类配置
1// 默认实现类为DefaultIdentifierGenerator雪花算法
2 @TableId(value = "id", type = IdType.ASSIGN_ID)
3 private Long id;
方式二:application.properties 中添加配置
订单id使用MybatisPlus的配置,ProductOrder类配置
1#id生成策略
2spring.shardingsphere.sharding.tables.product_order.key-generator.column=id
3spring.shardingsphere.sharding.tables.product_order.key-generator.type=SNOWFLAKE
主键 id 生成策略
方案一:设置不同的自增步长
利用自增id, 设置不同的自增步长,auto_increment_offset、auto-increment-increment
1DB1: 单数
2//从1开始、每次加2
3
4DB2: 偶数
5//从2开始,每次加2
缺点
- 依靠数据库系统的功能实现,但是未来扩容麻烦
- 主从切换时的不一致可能会导致重复发号
- 性能瓶颈存在单台 SQL 上
方案二:UUID
性能非常高,没有网络消耗
缺点
- 无序的字符串,不具备趋势自增特性
- UUID 太长,不易于存储,浪费存储空间,很多场景不适用
方案三:Redis 发号器
利用Redis的INCR和INCRBY来实现,原子操作,线程安全,性能比Mysql强劲
缺点
- 需要占用网络资源,增加系统复杂度
方案四:Snowflake 雪花算法
twitter 开源的分布式 ID 生成算法,代码实现简单、不占用宽带、数据迁移不受影响,生成的 id 中包含有时间戳,所以生成的 id 按照时间递增,部署了多台服务器,需要保证系统时间一样,机器编号不一样
缺点
- 依赖系统时钟(多台服务器时间一定要一样)
雪花算法 Snowflake
Twitter 用 scala 语言编写的高效生成唯一 ID 的算法
雪花算法生成的数字,long 类,所以就是 8 个 byte,64bit
- 表示的值 -9223372036854775808(-2 的 63 次方) ~ 9223372036854775807(2 的 63 次方-1)
- 生成的唯一值用于数据库主键,不能是负数,所以值为 0~9223372036854775807(2 的 63 次方-1)
优点
- 生成的 ID 不重复
- 算法性能高
- 基于时间戳,基本保证有序递增
分布式 ID 生成器 Snowflake 的限制条件
- 不同节点的 workId 不能重复
分布式部署就需要分配不同的workId, 如果workId相同,可能会导致生成的id相同
- 分布式情况下,需要保证各个系统时间一致
如果服务器的时钟回拨,就会导致生成的 id 重复
Model 层(相等于逻辑表)
net/xdclass/model/ProductOrderDO.java
1package net.xdclass.model;
2
3import com.baomidou.mybatisplus.annotation.IdType;
4import com.baomidou.mybatisplus.annotation.TableId;
5import com.baomidou.mybatisplus.annotation.TableName;
6import lombok.Data;
7import lombok.EqualsAndHashCode;
8import java.util.Date;
9
10
11@Data
12@TableName("product_order")
13@EqualsAndHashCode(callSuper = false)
14public class ProductOrderDO {
15
16 @TableId(value = "id",type = IdType.AUTO)
17 private Long id;
18
19 private String outTradeNo;
20
21 private String state;
22
23 private Date createTime;
24
25 private Double payAmount;
26
27 private String nickname;
28
29 private Long userId;
30
31}
Mapper 层
net/xdclass/mapper/ProductOrderMapper.java
1package net.xdclass.mapper;
2
3import com.baomidou.mybatisplus.core.mapper.BaseMapper;
4import net.xdclass.model.ProductOrderDO;
5
6public interface ProductOrderMapper extends BaseMapper<ProductOrderDO> {
7}
测试类
src/test/java/net/xdclass/db/DBTest.java
1package net.xdclass.db;
2
3import lombok.extern.slf4j.Slf4j;
4import net.xdclass.DemoApplication;
5import net.xdclass.mapper.ProductOrderMapper;
6import net.xdclass.model.ProductOrderDO;
7import org.junit.Test;
8import org.junit.runner.RunWith;
9import org.springframework.beans.factory.annotation.Autowired;
10import org.springframework.boot.test.context.SpringBootTest;
11import org.springframework.test.context.junit4.SpringRunner;
12import java.util.Date;
13import java.util.UUID;
14
15@RunWith(SpringRunner.class)
16@SpringBootTest(classes = DemoApplication.class)
17@Slf4j
18public class DBTest {
19 @Autowired
20 private ProductOrderMapper productOrderMapper;
21
22 @Test
23 public void testSaveProductOrder(){
24 for (int i = 0; i < 10; i++) {
25 ProductOrderDO productOrderDO = new ProductOrderDO();
26 productOrderDO.setCreateTime(new Date());
27 productOrderDO.setNickname("soulboyi=" + i);
28 productOrderDO.setOutTradeNo(UUID.randomUUID().toString().substring(0, 32));
29 productOrderDO.setPayAmount(100.00);
30 productOrderDO.setState("PAY");
31 productOrderDO.setUserId(Long.valueOf(i+""));
32 productOrderMapper.insert(productOrderDO);
33 }
34 }
35}
广播表
指所有的分片数据源中都存在的表,表结构和表中的数据在每个数据库中均完全一致,适用于数据量不大且需要与海量数据的表进行关联查询的场景, 例如:字典表、配置表
。
注意点:
分库分表中间件,对应的数据库字段,不能是sql的关键字,否则容易出问题,且报错不明显
sql(两个库中分别建立)
1CREATE TABLE `ad_config` (
2 `id` bigint unsigned NOT NULL COMMENT '主键id',
3 `config_key` varchar(1024) COLLATE utf8mb4_bin DEFAULT NULL COMMENT '配置key',
4 `config_value` varchar(1024) COLLATE utf8mb4_bin DEFAULT NULL COMMENT '配置value',
5 `type` varchar(128) COLLATE utf8mb4_bin DEFAULT NULL COMMENT '类型',
6 PRIMARY KEY (`id`)
7) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin;
POJO 类
1package net.xdclass.model;
2
3import com.baomidou.mybatisplus.annotation.TableName;
4import lombok.Data;
5import lombok.EqualsAndHashCode;
6
7@Data
8@EqualsAndHashCode(callSuper = false)
9@TableName("ad_config")
10public class AdConfigDO {
11 private Long id;
12 private String configKey;
13 private String configValue;
14 private String type;
15}
16
mapper 类
1package net.xdclass.mapper;
2
3import com.baomidou.mybatisplus.core.mapper.BaseMapper;
4import net.xdclass.model.AdConfigDO;
5
6public interface AdConfigMapper extends BaseMapper<AdConfigDO> {
7}
8
application.properties 配置文件
1server.port=8080
2spring.application.name=xdclass-jdbc
3
4logging.level.root=INFO
5# 打印sql语句
6spring.shardingsphere.props.sql.show=true
7
8# 数据源 db0,ds1,ds2
9spring.shardingsphere.datasource.names=ds0,ds1
10# 第一个数据库
11spring.shardingsphere.datasource.ds0.type=com.zaxxer.hikari.HikariDataSource
12spring.shardingsphere.datasource.ds0.driver-class-name=com.mysql.cj.jdbc.Driver
13spring.shardingsphere.datasource.ds0.jdbc-url=jdbc:mysql://192.168.10.21:3307/xdclass_shop_order_0?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
14spring.shardingsphere.datasource.ds0.username=root
15spring.shardingsphere.datasource.ds0.password=abc1024.pub
16
17# 第二个数据库
18spring.shardingsphere.datasource.ds1.type=com.zaxxer.hikari.HikariDataSource
19spring.shardingsphere.datasource.ds1.driver-class-name=com.mysql.cj.jdbc.Driver
20spring.shardingsphere.datasource.ds1.jdbc-url=jdbc:mysql://192.168.10.21:3307/xdclass_shop_order_1?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
21spring.shardingsphere.datasource.ds1.username=root
22spring.shardingsphere.datasource.ds1.password=abc1024.pub
23# workId
24spring.shardingsphere.sharding.tables.product_order.key-generator.props.worker.id=1
25
26### 配置广播表!!!
27spring.shardingsphere.sharding.broadcast-tables=ad_config
28spring.shardingsphere.sharding.tables.ad_config.key-generator.column=id
29spring.shardingsphere.sharding.tables.ad_config.key-generator.type=SNOWFLAKE
30
31# product_order的id字段使用snowflake
32spring.shardingsphere.sharding.tables.product_order.key-generator.column=id
33spring.shardingsphere.sharding.tables.product_order.key-generator.type=SNOWFLAKE
34
35# 指定product_order表的数据分布情况,配置数据节点,行表达式标识符使用 ${...} 或 $->{...},但前者与 Spring 本身的文件占位符冲突,所以在 Spring 环境中建议使用 $->{...}
36spring.shardingsphere.sharding.tables.product_order.actual-data-nodes=ds0.product_order_$->{0..1}
37# 指定product_order表的分片策略,分片策略包括【分片键和分片算法】
38spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.sharding-column=user_id
39spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.algorithm-expression=product_order_$->{user_id % 2}
测试
1 @Test
2 public void testSaveAdOrder(){
3 AdConfigDO adConfigDO = new AdConfigDO();
4 adConfigDO.setConfigKey("banner");
5 adConfigDO.setConfigValue("soulboy.com");
6 adConfigDO.setType("ad");
7 adConfigMapper.insert(adConfigDO);
8
9 }
多库水平分库分表
2 个数据库、每个库 2 张表
- 分库规则:根据 user_id 进行分库
- 分表规则:根据 product_order_id 订单号进行分表 (雪花算法)
数据库和表的下标如果不想从 0 开始,则 hash 取模后 +1
- {user_id % 2+1}
application.properties 配置文件
1server.port=8080
2spring.application.name=xdclass-jdbc
3
4logging.level.root=INFO
5# 打印sql语句
6spring.shardingsphere.props.sql.show=true
7
8# 数据源 db0,ds1,ds2
9spring.shardingsphere.datasource.names=ds0,ds1
10# 第一个数据库
11spring.shardingsphere.datasource.ds0.type=com.zaxxer.hikari.HikariDataSource
12spring.shardingsphere.datasource.ds0.driver-class-name=com.mysql.cj.jdbc.Driver
13spring.shardingsphere.datasource.ds0.jdbc-url=jdbc:mysql://192.168.10.21:3307/xdclass_shop_order_0?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
14spring.shardingsphere.datasource.ds0.username=root
15spring.shardingsphere.datasource.ds0.password=abc1024.pub
16
17# 第二个数据库
18spring.shardingsphere.datasource.ds1.type=com.zaxxer.hikari.HikariDataSource
19spring.shardingsphere.datasource.ds1.driver-class-name=com.mysql.cj.jdbc.Driver
20spring.shardingsphere.datasource.ds1.jdbc-url=jdbc:mysql://192.168.10.21:3307/xdclass_shop_order_1?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
21spring.shardingsphere.datasource.ds1.username=root
22spring.shardingsphere.datasource.ds1.password=abc1024.pub
23# workId
24spring.shardingsphere.sharding.tables.product_order.key-generator.props.worker.id=1
25
26# 配置广播表
27spring.shardingsphere.sharding.broadcast-tables=ad_config
28spring.shardingsphere.sharding.tables.ad_config.key-generator.column=id
29spring.shardingsphere.sharding.tables.ad_config.key-generator.type=SNOWFLAKE
30
31#配置分库规则
32spring.shardingsphere.sharding.tables.product_order.database-strategy.inline.sharding-column=user_id
33spring.shardingsphere.sharding.tables.product_order.database-strategy.inline.algorithm-expression=ds$->{user_id % 2}
34
35# product_order的id字段使用snowflake
36spring.shardingsphere.sharding.tables.product_order.key-generator.column=id
37spring.shardingsphere.sharding.tables.product_order.key-generator.type=SNOWFLAKE
38
39# 指定product_order 配置数据节点,行表达式标识符使用 ${...} 或 $->{...},但前者与 Spring 本身的文件占位符冲突,所以在 Spring 环境中建议使用 $->{...}
40spring.shardingsphere.sharding.tables.product_order.actual-data-nodes=ds$->{0..1}.product_order_$->{0..1}
41# 指定product_order表的分片策略,分片策略包括【分片键和分片算法】
42spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.sharding-column=id
43spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.algorithm-expression=product_order_$->{id % 2}
测试
1 @Test
2 public void testSaveProductOrder(){
3 Random random = new Random();
4 for (int i = 0; i < 20; i++) {
5 ProductOrderDO productOrderDO = new ProductOrderDO();
6 productOrderDO.setCreateTime(new Date());
7 productOrderDO.setNickname("soulboyi=" + i);
8 productOrderDO.setOutTradeNo(UUID.randomUUID().toString().substring(0, 32));
9 productOrderDO.setPayAmount(100.00);
10 productOrderDO.setState("PAY");
11 productOrderDO.setUserId(Long.valueOf(random.nextInt(50)));
12 productOrderMapper.insert(productOrderDO);
13 }
14 }
绑定表
指分片规则一致的主表和子表
比如product_order表和product_order_item表,均按照order_id分片,则此两张表互为绑定表关系
- 绑定表之间的多表关联查询不会出现笛卡尔积关联,关联查询效率将大大提升
application.properties 配置文件
1server.port=8080
2spring.application.name=xdclass-jdbc
3
4logging.level.root=INFO
5# 打印sql语句
6spring.shardingsphere.props.sql.show=true
7
8# 数据源 db0,ds1,ds2
9spring.shardingsphere.datasource.names=ds0,ds1
10# 第一个数据库
11spring.shardingsphere.datasource.ds0.type=com.zaxxer.hikari.HikariDataSource
12spring.shardingsphere.datasource.ds0.driver-class-name=com.mysql.cj.jdbc.Driver
13spring.shardingsphere.datasource.ds0.jdbc-url=jdbc:mysql://192.168.10.21:3307/xdclass_shop_order_0?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
14spring.shardingsphere.datasource.ds0.username=root
15spring.shardingsphere.datasource.ds0.password=abc1024.pub
16
17# 第二个数据库
18spring.shardingsphere.datasource.ds1.type=com.zaxxer.hikari.HikariDataSource
19spring.shardingsphere.datasource.ds1.driver-class-name=com.mysql.cj.jdbc.Driver
20spring.shardingsphere.datasource.ds1.jdbc-url=jdbc:mysql://192.168.10.21:3307/xdclass_shop_order_1?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=Asia/Shanghai&allowPublicKeyRetrieval=true
21spring.shardingsphere.datasource.ds1.username=root
22spring.shardingsphere.datasource.ds1.password=abc1024.pub
23
24# workId
25spring.shardingsphere.sharding.tables.product_order.key-generator.props.worker.id=1
26
27# 配置广播表
28spring.shardingsphere.sharding.broadcast-tables=ad_config
29spring.shardingsphere.sharding.tables.ad_config.key-generator.column=id
30spring.shardingsphere.sharding.tables.ad_config.key-generator.type=SNOWFLAKE
31
32# 默认分库策略 (针对所有表的分库策略)
33spring.shardingsphere.sharding.default-database-strategy.inline.sharding-column = user_id
34spring.shardingsphere.sharding.default-database-strategy.inline.algorithm-expression = ds$->{user_id % 2}
35
36#配置分库规则
37spring.shardingsphere.sharding.tables.product_order.database-strategy.inline.sharding-column=user_id
38spring.shardingsphere.sharding.tables.product_order.database-strategy.inline.algorithm-expression=ds$->{user_id % 2}
39
40# product_order的id字段使用snowflake
41spring.shardingsphere.sharding.tables.product_order.key-generator.column=id
42spring.shardingsphere.sharding.tables.product_order.key-generator.type=SNOWFLAKE
43
44# 配置数据节点 product_order ,行表达式标识符使用 ${...} 或 $->{...},但前者与 Spring 本身的文件占位符冲突,所以在 Spring 环境中建议使用 $->{...}
45spring.shardingsphere.sharding.tables.product_order.actual-data-nodes=ds$->{0..1}.product_order_$->{0..1}
46
47# 指定product_order表的分片策略,分片策略包括【分片键和分片算法】
48spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.sharding-column=id
49spring.shardingsphere.sharding.tables.product_order.table-strategy.inline.algorithm-expression=product_order_$->{id % 2}
50
51# 指定product_order_item表的数据分布情况
52spring.shardingsphere.sharding.tables.product_order_item.table-strategy.inline.sharding-column=product_order_id
53spring.shardingsphere.sharding.tables.product_order_item.table-strategy.inline.algorithm-expression=product_order_item_$->{product_order_id % 2}
54
55# 绑定表(在没有设置绑定表之前,会进行笛卡尔积查询)
56spring.shardingsphere.sharding.binding‐tables[0] = product_order,product_order_item
SQL (每个库中建立两张表:product_order_item_0、product_order_item_1)
1CREATE TABLE `product_order_item_0` (
2 `id` bigint unsigned NOT NULL AUTO_INCREMENT,
3 `product_order_id` bigint DEFAULT NULL COMMENT '订单号',
4 `product_id` bigint DEFAULT NULL COMMENT '产品id',
5 `product_name` varchar(128) DEFAULT NULL COMMENT '商品名称',
6 `buy_num` int DEFAULT NULL COMMENT '购买数量',
7 `user_id` bigint DEFAULT NULL,
8 PRIMARY KEY (`id`)
9) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin;
model
1package net.xdclass.model;
2
3import com.baomidou.mybatisplus.annotation.TableName;
4import lombok.Data;
5import lombok.EqualsAndHashCode;
6
7@Data
8@TableName("product_order_item")
9@EqualsAndHashCode(callSuper = false)
10public class ProductOrderItemDO {
11 private Long id;
12 //分表字段
13 private Long productOrderId;
14 private Long productId;
15 private String productName;
16 private Integer buyNum;
17 //分库字段
18 private Long userId;
19}
20
mapper
ProductOrderItemMapper
1package net.xdclass.mapper;
2
3import com.baomidou.mybatisplus.core.mapper.BaseMapper;
4import net.xdclass.model.ProductOrderItemDO;
5
6public interface ProductOrderItemMapper extends BaseMapper<ProductOrderItemDO> {
7
8}
9
ProductOrderMapper
1package net.xdclass.mapper;
2
3import com.baomidou.mybatisplus.core.mapper.BaseMapper;
4import net.sf.jsqlparser.expression.operators.relational.OldOracleJoinBinaryExpression;
5import net.xdclass.model.ProductOrderDO;
6import org.apache.ibatis.annotations.Select;
7
8import java.util.List;
9
10
11public interface ProductOrderMapper extends BaseMapper<ProductOrderDO> {
12 @Select("select * from product_order o left join product_order_item i on o.id=i.product_order_id")
13 List<Object> listProductOrderDetail();
14}
15
测试
1 @Test
2 public void testBangDing(){
3 List<Object> list = productOrderMapper.listProductOrderDetail();
4 System.out.println(list);
5 }
发生笛卡尔积查询(配置绑定表之前)
没有发生笛卡尔积查询(配置绑定表之后)
查询和删除操作性能分析
查询操作
- 有分片键(标准路由)=、in
- 无分片键(全库表路由)=、in
删除操作
- 有分片键(标准路由)=、in
- 无分片键(全库表路由)=、in
ShardingSphere-JDBC 执行流程
ShardingSphere-JDBC 执行流程
- 长:SQL 解析 -> SQL 优化 -> SQL 路由 -> SQL 改写 -> SQL 执行 -> 结果归并 -> 返回结果
- 短:解析-> 路由-> 改写-> 执行-> 结果归并
跨节点数据库 Join 关联和多维度查询
问题:跨节点数据库 Join 关联查询 和 多维度查询
- 数据库切分前,多表关联查询,可以通过 SQL join 进行实现
- 分库分表后,数据可能分布在不同的节点上,SQL join 带来的问题就比较麻烦
- 不同维度查看数据,利用的 partitionKey 是不一样的
解决方案
- 冗余字段
- 广播表
- NOSQL 汇总
案例一:订单需要用户的基本信息,但是分布在不同库上
进行字段冗余,订单表冗余用户昵称、头像
案例二:订单表 的 partionKey 是 user_id,用户查看自己的订单列表方便,但商家查看自己店铺的订单列表就麻烦(商家不是根据 user_id 进行分库分表,会触发全库表路由),分布在不同数据节点。
订单冗余存储在es上一份
常见分布式事务解决方案
Seata
支持 AT、TCC、SAGA 和 XA 多种模式
MQ
RocketMq:自带事务消息解决分布式事务
分库分表后二次扩容问题
Range 范围
- 时间:不用考虑扩容迁移
- 区域:调整分片粒度,需要全量迁移
Hash 取模(成倍扩容策略)
业务最多的是 hash 取模分片,因扩分库分表涉及到 rehash 过程,分片数量建议可以成倍扩容策略,只需要【迁移部分数据】即可。
记录 | 扩容前(product_id % 2) | 扩容后(product_id % 4) |
---|---|---|
3 | 1 | 3 |
7 | 1 | 3 |
更多解决方式
- 利用一致性 Hash 思想,增加虚拟节点,减少迁移数据量
- 专门的数据库表,记录数据存储位置,进行路由
- ...
二次扩容实施方案具体流程
方案一
- 新增两个数据库 A2、A3 作为从库,设置主从同步关系为:A0=>A2、A1=>A3,
- 开启主从数据同步,早期数据手工同步过去
- 发布新程序,某个时间点开始,利用 MQ 存储 CUD 操作
- 关闭数据库实例的主从同步关系
- 校验数据,消费原先 MQ 存储 CUD 操作,配置新分片规则和生效
- 数据校验和修复
- 依赖 gmt_modified 字段,所以常规数据表都需要加这个字段
- 由数据库自己维护值,根据业务场景,进行修复对应的数据
- 校验步骤
- 开始迁移时间假如是 2022-01-01 00:00:00
- 查找 gmt_modified 数据校验修复大于开始时间点,就是修改过的数据
- 各个节点的冗余数据进行删除
- 缺点
- 同步的很多数据到最后都需要被删除
- 一定要提前做,越晚做成本越高,因为扩容期间需要存储的数据更多
- 基本都离不开代码侵入,加锁等操作
- 优点
- 利用 MySQL 自带的主从同步能力
- 方案简单,代码量相对少
方案二
- 对外发布公告,停机迁移
- 严格一致性要求:比如证券、银行部分数据等
优点
- 最方便、且安全
缺点
- 会造成服务不可用,影响业务
- 根据停机的时间段,数据校验人员有压力