mysql分区方案的研究

笔者觉得，分库分表确实好的。但是，动不动搞分库分表，太麻烦了。分库分表虽然是提高数据库性能的常规办法，但是太麻烦了。所以，尝试研究mysql的分区到底如何。

之前写过一篇文章，http://www.cnblogs.com/wangtao_20/p/7115962.html 讨论过订单表的分库分表，折腾起来工作量挺大的，需要多少技术去折腾。做过的人才知道有多麻烦

要按照什么字段切分，切分数据后，要迁移数据;分库分表后，会涉及到跨库、跨表查询，为了解决查询问题，又得用其他方案来弥补(比如为了应对查询得做用户订单关系索引表)。工作量确实不小。

从网上也可以看到，大部分实施过的人(成功的)的经验总结：水平分表，不是必须的，能不做，尽量不做。

  像阿里这些系统，数据库单表数量十多亿，达到瓶颈了，不得不做分库分表，扩容也方便。没有选择。

 

  那么，针对起步阶段的业务，技术人员不够，产品还处在试错阶段。是不是可以考虑一下分区方案。

 

   笔者几年前，也犯了思维错误，在小公司做系统，产品还在开发，有待推向市场验证。那个时候，笔者就去考虑什么评论表数据量大的情况下要怎么做，其实伤脑，又费时间，业务没有做起来，其实没多少用处。

 

  架构是演变出来的，不是设计出来的。企图一开始就设计大炮，结果只有蚊子。笔者做试验看看mysql的分区到底是什么个原理。研究发现，其实跟分表差不多，比如按hash打散数据、按值范围分散数据。

一、探讨分区的原理

了解分区到底在做什么，存储的数据文件有什么变化，这样知道分区是怎么提高性能的。

实际上：每个分区都有自己独立的数据、索引文件的存放目录。本质上，一个分区，实际上对应的是一个磁盘文件。所以分区越多，文件数越多。

现在使用innodb存储较多，mysql默认的存储引擎从mysiam变为了innodb了。

以innodb来讨论：

innodb存储引擎一张表，对应两个文件：表名.ibd、表名.frm。

如果分区后，一个分区就单独一个ibd文件，如下图：

将fs_punch_in_log表拆分成4个分区，上图中看到，每个分区就变成一个单独的数据文件了。mysql会使用"#p#p1"来命名数据文件，1是分区的编号。总共4个分区，最大值是4。

分表的原理，实际上类似，一个表对应一个数据文件。分表后，数据分散到多个文件去了。性能就提高了。

分区后的查询语句

语句还是按照原来的使用。但为了提高性能。还是尽量避免跨越多个分区匹配数据。

如下图，由于表是按照id字段分区的。数据分散在多个分区。现在使用user_id作为条件去查询。mysql不知道到底分配在哪个分区。所以要去全部分区扫描，如果每个分区的数据量大，这样就耗时很长了。

分区思路和分区语句

id字段的值范围来分区：在1-2千万分到p0分区，4千万到-6千万p1分区。6千万到8千万p2分区。依此推算下去。这样可以分成很多的分区了。

为了保持线性扩容方便。那么只能使用range范围来算了。

sql如下

CREATE TABLE `fs_punch_in_log` (
`id`  bigint(20) UNSIGNED NOT NULL AUTO_INCREMENT COMMENT '主键自增' ,
`user_id`  varchar(50) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL COMMENT '签到的用户id' ,
`punch_in_time`  int(10) UNSIGNED NULL DEFAULT NULL COMMENT '打卡签到时间戳' ,
PRIMARY KEY (`id`)
)  

partition BY RANGE (id) (

    PARTITION p1 VALUES LESS THAN (40000000),
    PARTITION p2  VALUES LESS THAN (80000000), 
    PARTITION p3  VALUES LESS THAN (120000000),
    PARTITION p4  VALUES LESS THAN MAXVALUE

);

　　以上语句经过笔者测验，注意点：

• 按照hash均匀分散。传递给分区的hash()函数的值，必须是一个整数(hash计算整数计算，实现均匀分布）。上面的id字段就是表的主键，满足整数要求。
• partition BY RANGE 中的partition BY表示按什么方式分区。RANGE告诉mysql，我使用范围分区。

情况：如果表结构已经定义好了，里面有数据了，怎么进行分区呢？使用alter语句修改即可，经过笔者测验了。

ALTER TABLE `fs_punch_in_log`
PARTITION BY RANGE (id)
(

PARTITION p1 VALUES LESS THAN (40000000),
PARTITION p2  VALUES LESS THAN (80000000),
PARTITION p3  VALUES LESS THAN (120000000),
PARTITION p4  VALUES LESS THAN MAXVALUE

)

　　

注：由于表里面已经存在数据了，进行重新分区，mysql会把数据按照分区规则重新移动一次，生成新的文件。如果数据量比较大，耗时间比较长。

二、四种分区类型

mysql分区包括四种分区方式：hash分区、按range分区、按key分区、list分区。

四种有点多，实际上，为了好记，把类再缩小点，就两大类方式进行分区：一种是计算hash值、一种是按照范围值。

其实分库分表的时候，也会用到两大类，hash运算分、按值范围分。

1、HASH分区

有常规hash和线性hash两种方式。

• 常规hash是基于分区个数取模（%）运算。根据余数插入到指定的分区。打算分4个分区，根据id字段来分区。

怎么算出新插入一行数据，需要放到分区1，还是分区4呢?  id的值除以4，余下1，这一行数据就分到1分区。

            常规hash，可以让数据非常平均的分布每一个分区。比如分为4个取，取余数，余数总是0-3之间的值(总到这几个分区去)。分配打散比较均匀。

            但是也是有缺点的：由于分区的规则在创建表的时候已经固定了，数据就已经打散到各个分区。现在如果需要新增分区、减少分区，运算规则变化了，原来已经入库的数据，就需要适应新的运算规则来做迁移。

            实际上在分库分表的时候，使用hash方式，也是数据量迁移的问题。不过还好。

针对这个情况，增加了线性hash的方式。

• 线性HASH(LINEAR HASH)稍微不同点。

实际上线性hash算法，就是我们memcache接触到的那种一致性hash算法。使用虚拟节点的方式，解决了上面hash方式分区时，当新增加分区后，涉及到的数据需要大量迁移的问题。也不是不需要迁移，而是需要迁移的数据量小。

在技术实现上：线性哈希功能使用的一个线性的2的幂（powers-of-two）运算法则，而常规哈希使用的是求哈希函数值的模数。

线性哈希分区和常规哈希分区在语法上的唯一区别在于，在“PARTITION BY”子句中添加“LINEAR”关键字。

两者也有有相同的地方：

• 都是均匀分布的，预先指定n个分区，然后均匀网几个分区上面分布数据。根据一个字段值取hash值，这样得到的结果是一个均匀分布的值。后面添加新的分区多少需要考虑数据迁移。

• 常规HASH和线性HASH，因为都是计算整数取余的方式，那么增加和收缩分区后，原来的数据会根据现有的分区数量重新分布。

• HASH分区不能删除分区，所以不能使用DROP PARTITION操作进行分区删除操作；

考虑以后迁移数据量少，使用线性hash。

2、按照range范围分区

范围分区，可以自由指定范围。比如指定1-2000是一个分区，2000到5000千又是一个分区。范围完全可以自己定。后面我要添加新的分区，很容易吗?

3、按key分区

   类似于按HASH分区，区别在于KEY分区只支持计算一列或多列，且MySQL服务器提供其自身的哈希函数。必须有一列或多列包含整数值。

4、按list方式分区

可以把list看成是在range方式的基础上的改进版。list和range本质都是基于范围，自己控制范围。

range是列出范围，比如1-2000范围算一个分区，这样是一个连续的值。

而list分区方式是枚举方式。可以指定在1,5,8,9,20这些值都分在第一个分区。从list单词的字面意思命名暗示就是列表，指定列表中出现的值都分配在第几个分区。

三、如何根据业务选择分区类型

1、何时选择分区,何时选择分表

分表还是比分区更加灵活。在代码中可以自己控制。一般分表会与分库结合起来使用的。在进行分表的时候，顺带连分库方案也一起搞定了。

分表分库，性能和并发能力要比分区要强。分表后，有个麻烦点：自己需要修改代码去不同的表操作数据。

比如用户表分表后，计划分4个表，每个表4千万用户。按照用户编号取模为4。

代码很多处要做专门的匹配如下：

     每次操作用户资料，先要根据uid算出是哪个表名称。然后再去写sql查询。

 

    当然，是可以使用数据库中间件来做完成分库、分表。应用代码不用修改。大部分中间件是根据他们自己的业务特点定制的，拿来使用，不见得适合自己的业务。所以目前缺少通用的。

     如果使用分区的方式。代码不用修改。sql还是按照原来的方式写。mysql内部自动做了匹配了。

非常适合业务刚刚起步的时候，能不能做起来，存活期是多久不知。不用把太多精力花费在分库分表的适应上。

 

   

    考虑到现在业务才起步，使用分区不失为一种既省事又能提高数据库并发能力的办法。等以后业务发展起来了，数据量过亿了，那个时候经济实力已增强，再做改进方案不迟。

    架构是演变出来的，不是设计出来的。适应当前业务的方案，就是好的方案。

 

    过度设计也是一种负担：很多技术，企图一开始就设计出一个多大量的系统，实际上没有那种量，为了显示自己技术牛逼。

 

    总结：访问量不大，但是数据表行数很多。可以使用分区的方式。访问量大，数据量大，可以重构成分表的方式。

    这是因为虽然数据量多，但是访问量不大，如果使用分表的话，要修改代码很多地方，弄起来太麻烦了。投入多，产出少就没必要了。

    

 

2、如何选择适合自己的分区类型

 

 

使用分区和分表一样的思想：尽量让数据均匀分散，这样达到分流、压力减小的效果。如果不能均匀分布，某个分区的操作量特别大，出现单点瓶颈。

 

虽然4种类型的分区方式。其实总共两大类，按范围分区和按hash运算分区。

 

range范围分区，适合按照范围来切分数据。比如按时间范围分区。

hash，适合均匀分散数据。使用hash分区，麻烦点是后续增加分区，数据要迁移。有了线性hash分区法，这个迁移量减低了很多。

 

 

以用户表为例子，如果要使用分区方案。改使用哪种分区类型呢？

    考虑到user_id一般不会设计成自增数字。有人会奇怪，怎么不是自增的，我见过好多用户编号都是自增的！

 

    的确，有自增数字做uid的，不过一般是开源系统为了省事，比如discuz、ecshop等。人家没那么多工作量给你设计用户编号方案。

 

    自增的用户编号，由于是每次加1进行递增的。这规律太明显了，很容易被别有用途的人猜测user_id。再说，别人一看就知道你有多少用户! 

 

    有个原则，设计编号的时候，尽量不要让外部知道你的生成规律。比如订单号，如果是逐个加1的订单号，外界可以猜测出你的业务订单总数出来。

 

    说一个自增用户编号的例子。笔者曾经在一家上市互联网公司，有几千万的用户，uid过去是discuz那一套自增的方式。后来不得不改掉user_id的生成方式。笔者当时负责了这个改造方案。

    不是自增的数字，会是这种：注册一个是1897996，再注册一个是9689898，外界完全找不到数字的规律。

 

   

    不是自增的编号，如果使用范围来分区，各个分区的数据做不到均匀分布的。原因如下：

 

    比如说用户编号为1-200000000的用户分配到p1分区，20000000-40000000分配到p2分区，40000000-60000000分配到p3区，这样类推下去。

 

    由于用户编号不是自增，注册分配到的用户编号，可能是1到2千万之间的数字，也可能是4千万到6千万之间的一个数字。如果被分配到4千万到6千万的数字会更多，那么各个分区给到的数据是不均匀的。

 

    故不好使用范围来分区。

 

    比较好的办法是，使用hash取模，user_id%分区数。数据就可以分散均匀到4个分区去了。