【大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？( 四 )||数据库|淘宝】_

按关键词阅读：

大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？
本文插图
拆分表的数据访问——SQL转发

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
大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？
本文插图
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。
大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？
本文插图
（2）结果合并

本文插图
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
大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？
本文插图
（3）全局唯一主键

优势：简单高效。
缺点：无法保证自增顺序。
例：

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。
大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？
本文插图
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
大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？
本文插图
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。
大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？
本文插图
分布式数据库架构演变

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。
大数据&云计算|作为数据库核心成员，如何让淘宝不卡顿？