数据库瓶颈
不管是IO瓶颈,还是CPU瓶颈,最终都会导致数据库的活跃连接数增加,进而逼近甚至达到数据库可承载活跃连接数的阈值。在业务服务来看就是,可用数据库连接少甚至无连接可用。接下来就可以想象了吧(并发量,吞吐量,崩溃)。
第一种:磁盘读IO瓶颈,热点数据太多,数据库缓存放不下,每次查询时会产生大量的IO,降低查询速度→分库和垂直分表。
第二种:网络IO瓶颈,请求的数据太多,网络带宽不够→分库。
第一种:SQL问题,如SQL中包含加入,群,秩序,非索引字段条件查询等,增加CPU运算的操作→SQL优化,建立合适的索引,在业务服务层进行业务计算。
第二种:单表数据量太大,查询时扫描的行太多,SQL效率低、CPU率先出现瓶颈→水平分表。
分库分表
概念:以字段为依据,按照一定策略(散列、范围等),将一个库中的数据拆分到多个库中。 结果:
每个库的结构都一样,
<李>每个库的数据都不一样,没有交集;
<李>所有库的并集是全量数据;
场景:系统绝对并发量上来了,分表难以根本上解决问题,并且还没有明显的业务归属来垂直分库。 分析:库多了,io和cpu的压力自然可以成倍缓解。
概念:以字段为依据,按照一定策略(散列、范围等),将一个表中的数据拆分到多个表中。 结果:
每个表的结构都一样,
<李>每个表的数据都不一样,没有交集;
<李>所有表的并集是全量数据;
场景:系统绝对并发量并没有上来,只是单表的数据量太多,影响了SQL效率,加重了CPU负担,以至于成为瓶颈。 分析:表的数据量少了,单次SQL执行效率高,自然减轻了CPU的负担。
概念:以表为依据,按照业务归属不同,将不同的表拆分到不同的库中。 结果:
每个库的结构都不一样,
<李>每个库的数据也不一样,没有交集;
<李>所有库的并集是全量数据;
场景:系统绝对并发量上来了,并且可以抽象出单独的业务模块。欢迎大家关注我的公种浩【程序员追风】,整理了2019年多家公司java面试题资料100多页的pdf文档,文章都会在里面更新,整理的资料也会放在里面。
分析:到这一步,基本上就可以服务化了,例如,随着业务的发展一些公用的配置表,字典表等越来越多,这时可以将这些表拆到单独的库中,甚至可以服务化。再有,随着业务的发展孵化出了一套业务模式,这时可以将相关的表拆到单独的库中,甚至可以服务化。
概念:以字段为依据,按照字段的活跃性,将表中字段拆到不同的表(主表和扩展表)中。 结果:
每个表的结构都不一样,
<李>每个表的数据也不一样,一般来说,每个表的字段至少有一列交集,一般是主键,用于关联数据;
<李>所有表的并集是全量数据;
场景:系统绝对并发量并没有上来,表的记录并不多,但是字段多,并且热点数据和非热点数据在一起,单行数据所需的存储空间较大。以至于数据库缓存的数据行减少,查询时会去读磁盘数据产生大量的随机读IO,产生IO瓶颈。
分析:可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据(可能会冗余经常一起查询的数据)放在一起作为主表,非热点数据放在一起作为扩展表。这样更多的热点数据就能被缓存下来,进而减少了随机读IO。拆了之后,要想获得全部数据就需要关联两个表来取数据。但记住,千万别用加入,因为加入不仅会增加CPU负担并且会讲两个表耦合在一起(必须在一个数据库实例上)。关联数据,应该在业务服务层做文章,分别获取主表和扩展表数据然后用关联字段关联得到全部数据。
