当前位置:首页 > 文章列表 > 数据库 > MySQL > MySQL分库分表的方式有哪些

MySQL分库分表的方式有哪些

来源:亿速云 2023-05-01 12:12:21 0浏览 收藏

数据库小白一枚,正在不断学习积累知识,现将学习到的知识记录一下,也是将我的所得分享给大家!而今天这篇文章《MySQL分库分表的方式有哪些》带大家来了解一下##content_title##,希望对大家的知识积累有所帮助,从而弥补自己的不足,助力实战开发!


    一、为什么要分库分表

    如果一个网站业务快速发展,那这个网站流量也会增加,数据的压力也会随之而来,比如电商系统来说双十一大促对订单数据压力很大,Tps十几万并发量,如果传统的架构(一主多从),主库容量肯定无法满足这么高的Tps,业务越来越大,单表数据超出了数据库支持的容量,持久化磁盘IO,传统的数据库性能瓶颈,产品经理业务·必须做,改变程序,数据库刀子切分优化。数据库连接数不够需要分库,表的数据量大,优化后查询性能还是很低,需要分。

    二、什么是分库分表

    • 分库分表方案是对关系型数据库数据存储和访问机制的一种补充。

    • 分库:将一个库的数据拆分到多个相同的库中,访问的时候访问一个库

    • 分表:把一个表的数据放到多个表中,操作对应的某个表就行

    三、分库分表的几种方式

    MySQL分库分表的方式有哪些

    1.垂直拆分

    (1) 数据库垂直拆分

    MySQL分库分表的方式有哪些

    根据业务拆分,如图,电商系统,拆分成订单库,会员库,商品库

    (2)表垂直拆分

    MySQL分库分表的方式有哪些

    根据业务去拆分表,如图,把user表拆分成user_base表和user_info表,use_base负责存储登录,user_info负责存储基本用户信息

    垂直拆分特点:

    • 每个库(表)的结构都不一样

    • 每个库(表)的数据至少一列一样

    • 每个库(表)的并集是全量数据

    垂直拆分优缺点

    优点:

    • 拆分后业务清晰(专库专用按业务拆分)

    • 数据维护简单,按业务不同,业务放到不同机器上

    缺点:

    • 如果单表的数据量,写读压力大

    • 受某种业务决定,或者被限制,也就是说一个业务往往会影响到数据库的瓶颈(性能问题,如双十一抢购)

    • 部分业务无法关联join,只能通过java程序接口去调用,提高了开发复杂度

    2. 水平拆分

    (1) 数据库水平拆分

    MySQL分库分表的方式有哪些

    如图,按会员库拆分,拆分成会员1库,会员2库,以userId拆分,userId尾号0-5为1库 6-9为2库,还有其他方式,进行取模,偶数放到1库,奇数放到2库

    (2) 表水平拆分

    MySQL分库分表的方式有哪些

    如图把users表拆分成users1表和users2表,以userId拆分,进行取模,偶数放到users1表,奇数放到users2表

    水平拆分的其他方式:

    • range来分,每个库一段连续的数据,这个一般是按比如时间范围来的,但是这种一般较少用,因为很容易产生热点问题,大量的流量都打在最新的数据上了,优点:扩容的时候,就很容易,因为你只要预备好,给每个月都准备一个库就可以了,到了一个新的月份的时候,自然而然,就会写新的库了 缺点:大部分的 请求,都是访问最新的数据。实际生产用range,要看场景,你的用户不是仅仅访问最新的数据,而是均匀的访问现在的数据以及历史的数据

    • hash分发,优点:可以平均分配每个库的数据量和请求压力 缺点:扩容起来比较麻烦,会有一个数据迁移的这么一个过程

    (3) 水平拆分特点

    • 每个库(表)的结构都一样

    • 每个库(表)的数据都不一样

    • 每个库(表)的并集是全量数据

    (4) 水平拆分优缺点

    优点:

    • 单库/单表的数据保持在一定量(减少),有助于性能提高

    • 提高了系统的稳定性和负载能力

    • 拆分表的结构相同,程序改造较少。

    缺点:

    • 数据的扩容很有难度维护量大

    • 拆分规则很难抽象出来

    • 分片事务的一致性问题部分业务无法关联join,只能通过java程序接口去调用

    四、分库分表带来的问题

    • 分布式事务

    • 跨库join查询

    • 分布式全局唯一id

    • 开发成本 对程序员要求高

    五、分库分表技术如何选型

    (1) 分库分表的开源框架

    • jdbc 直连层:shardingsphere、tddl

    • proxy 代理层:mycat,mysql-proxy(360)

    jdbc直连层

    MySQL分库分表的方式有哪些

    jdbc直连层又叫jdbc应用层,是因为所有分片规则,所有分片逻辑,包括处理分布式事务 所有这些问题它都是在应用层,所有项目都是由war包构成的,所有分片都写成了jar包,放到了war包里面,java需要虚拟机去运行的,虚拟机运行的时候就会把war包里面的字节文件进行classLoder加载到jvm内存中,所有分片逻辑都是基于内存方进行操作的

    (2) proxy代理层

    MySQL分库分表的方式有哪些

    如图,proxy代理层,所有分片规则,所有分片逻辑,包括处理分布式事务都在mycat写好了,所有分片逻辑都是基于mycat方进行操作

    (3) jdbc直连层和proxy代理层优缺点

    • jdbc直连层性能高,只支持java语言,支持跨数据库

    • proxy代理层开发成本低,支持跨语言,不支持跨数据库

    今天带大家了解了的相关知识,希望对你有所帮助;关于数据库的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~

    版本声明
    本文转载于:亿速云 如有侵犯,请联系study_golang@163.com删除
    新款 MacBook Air 有两种尺寸,但没有 miniLED 和 ProMotion新款 MacBook Air 有两种尺寸,但没有 miniLED 和 ProMotion
    上一篇
    新款 MacBook Air 有两种尺寸,但没有 miniLED 和 ProMotion
    机器学习、深度学习、神经网络之间的区别
    下一篇
    机器学习、深度学习、神经网络之间的区别
    查看更多
    最新文章
    查看更多
    课程推荐
    • 前端进阶之JavaScript设计模式
      前端进阶之JavaScript设计模式
      设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
      543次学习
    • GO语言核心编程课程
      GO语言核心编程课程
      本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
      516次学习
    • 简单聊聊mysql8与网络通信
      简单聊聊mysql8与网络通信
      如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
      500次学习
    • JavaScript正则表达式基础与实战
      JavaScript正则表达式基础与实战
      在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
      487次学习
    • 从零制作响应式网站—Grid布局
      从零制作响应式网站—Grid布局
      本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
      485次学习
    查看更多
    AI推荐
    • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
      PubMedQA
      深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
      350次使用
    • H2O EvalGPT:开源LLM大模型评估与排行榜工具
      H2O EvalGPT
      H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
      412次使用
    • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
      LMArena
      LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
      418次使用
    • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
      HELM
      深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
      374次使用
    • MMBench详解:多模态大模型基准测试、功能特点与使用指南
      MMBench
      MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
      198次使用
    微信登录更方便
    • 密码登录
    • 注册账号
    登录即同意 用户协议 和 隐私政策
    返回登录
    • 重置密码