• 利用一致性哈希水平拆分MySql单表


    Sharding(切片) 不是一门新技术,而是一个相对简朴的软件理念,就是当我们的数据库单机无法承受高强度的i/o时,我们就考虑利用 sharding 来把这种读写压力分散到各个主机上去。

     
    所以Sharding 不是一个某个特定数据库软件附属的功能,而是在具体技术细节之上的抽象处理,是Horizontal Partitioning 水平扩展(或横向扩展)的解决方案,其主要目的是为突破单节点数据库服务器的 I/O 能力限制,注意这里是突破单点数据库服务器的“I/O”能力。
     
    在MySql 5.1 中增加了对单表的 PARTITION(分区)支持,可以把一张很大的单表通过 partition 分区成很多物理文件,避免每次操作一个大文件,可以对读写新能有所提升,下面是一个 partition 分区的例子。
     
    一张游戏的日志表,有几千万行的数据,记录了接近一年的游戏物品获取日志,如果不对它进行 partition 分区存储,每次统计和分析日志都会消耗大量的时间。然后我们新建一张分区表,把老的日志数据导入到新的数据,统计分析的时间就会节约很多。
    
    
    CREATE TABLE `xxxxxxxx` (     
    `crttm` int(11) NOT NULL,     
    `srvid` int(11) NOT NULL,     
    `evtid` int(11) NOT NULL,     
    `aid` int(11) NOT NULL,     
    `rid` int(11) NOT NULL,     
    `itmid` int(11) NOT NULL,     
    `itmnum` int(11) NOT NULL,     
    `gdtype` int(11) NOT NULL,     
    `gdnum` int(11) NOT NULL,     
    `islmt` int(11) NOT NULL,  
    KEY `crttm` (`crttm`),  
      KEY `itemid` (`itmid`),  
      KEY `srvid` (`srvid`),  
      KEY `gdtype` (`gdtype`)  
    ) ENGINE=myisam DEFAULT CHARSET=utf8  
    PARTITION BY RANGE (crttm)   
    (  
    PARTITION p201303 VALUES LESS THAN (unix_timestamp('2014-04-01')),  
    PARTITION p201304 VALUES LESS THAN (unix_timestamp('2014-05-01')),  
    PARTITION p201305 VALUES LESS THAN (unix_timestamp('2014-06-01')),  
    PARTITION p201306 VALUES LESS THAN (unix_timestamp('2014-07-01')),  
    PARTITION p201307 VALUES LESS THAN (unix_timestamp('2014-08-01')),  
    PARTITION p201308 VALUES LESS THAN (unix_timestamp('2014-09-01')),  
    PARTITION p201309 VALUES LESS THAN (unix_timestamp('2014-10-01')),  
    PARTITION p201310 VALUES LESS THAN (unix_timestamp('2014-11-01')),  
    PARTITION p201311 VALUES LESS THAN (unix_timestamp('2014-12-01')),  
    PARTITION p201312 VALUES LESS THAN (unix_timestamp('2015-01-01')),  
    PARTITION p201401 VALUES LESS THAN (unix_timestamp('2015-02-01'))  
    ); 
     
    对于这种业务场景,使用 mysql 的 partition 就已经足够了,但是对于 i/o 非常频繁的大表,单机垂直升级也已经支撑不了,存储已经不是影响其性能的主要原因,这时候就要用到sharding了。
     
    我们一般会将一张大表的唯一键作为 hash 的 key,比如我们想要水平拆分的是一张拥有3千万行数据的用户表,我们可以利用唯一的字段用户id作为拆分的依据,这样就可以依据如下的方式,将用户表水平拆分成3张,下面是伪代码,将老的用户数据导入到新的3个被水平拆分的数据库中。
    
    
    if userId % 3 == 0:
    #insert data in user_table (user_table_0 databaseip: 127.0.0.1)
    elif userId % 3 == 1:
    #insert data in user_table (user_table_1 databaseip: 127.0.0.2)
    else:
    #insert data in user_table (user_table_2 databaseip: 127.0.0.3)
     
    我们还会对每一个被拆分的数据库,做一个双主 master 的副本集备份,至于backup,我们则可以使用 percona的cluster来解决。它是比 mysql m/s 或者 m/m 更靠谱的方案。
     
    所以最后拆分的拓扑图大致如下:
    利用一致性哈希水平拆分MySql单表 - snoopyxdy - snoopyxdy的博客
     
    随着我们的业务增长,数据涨到5千万了,慢慢的发现3个sharding不能满足我们的需求了,因为服务器紧张,所以这时候BOSS打算再加2个sharding,以后会慢慢加到10个sharding。
     
    所以我们得在之前的3台sharding服务器上分别执行导入数据代码,将数据根据新的hash规则导入到每台sharding服务器上。几乎5千万行数据每行都移动了一遍,如果服务器够牛逼,Mysql每秒的插入性能能高达 2000/s,即使这样整个操作,都要让服务暂停8个小时左右。这时候DBA的脸色已经不好看了,他应该是已经通宵在导数据了。
     
    那有没有一种更好的办法,让添加或者删除 sharding 节点对整个分片系统的数据迁移量降低呢?
     
    我们可以利用一致性哈希算法,把用户id散列到各个 sharding 节点,这样就可以保证添加和删除节点数据迁移影响较小。关于什么是一致性哈性算法,参考我的另一篇博客:
     
    这里介绍一个Node.js模块,hashring,github主页地址如下,上面有demo和api文档:
    这是一个使用的demo代码,我翻译了注释,供大家参考:
    
    
    
    // 加载模块,返回HashRing的构造函数
    var HashRing = require('hashring');
     
    //实例化HashRing,这个例子中,我们把各个服务器均匀的添加了,没有设置权重
    // 设置了最大的缓冲区 10000
    var ring = new HashRing([
        '127.0.0.1',
        '127.0.0.2',
        '127.0.0.3', 
        '127.0.0.4'
      ], 'md5', {
        'max cache size': 10000
      });
     
    //我们获取这个字符串的服务器ip
    var server = ring.get('foo bar banana'); // returns 127.0.0.x
    console.log(server)
     
    // 如果你想把数据冗余的存储在多个服务器上
    ring.range('foo bar banana', 2).forEach(function forEach(server) {
      console.log(server); // do stuff with your server
    });
     
    // 对环上移除或新增加一台服务器
    ring.add('127.0.0.7').remove('127.0.0.1');
     
    var server = ring.get('foo bar banana'); // returns 127.0.0.x
    console.log(server)
     
    接下来我们就要验证这种方式的可行性。
    第一,假如我们有3万条数据,根据一致性哈希算法存储好了之后,这个算法是否能够较平均的将3万条数据分散到3台sharding服务器上。
    第二,当数据量增加到5万,然后我们增加2台sharding服务器后,这个算法移动的数据量和最终每台服务器上的数据分布是如何的。
     
    connHashStep1.js将3万用户数据通过一致性哈希算法存储在3台服务器上
    
    
    
    var HashRing = require('hashring');
    var ring = new HashRing([
        '127.0.0.1',
        '127.0.0.2',
        '127.0.0.3', 
      ], 'md5', {
        'max cache size': 10000
      });
     
    var record = {
    '127.0.0.1':0,
        '127.0.0.2':0,
        '127.0.0.3':0
    };
    var userMap = {}
     
    for(var i=1; i<=30000; i++){
    var userIdStr = i.toString();
    var server = ring.get(userIdStr);
    userMap[userIdStr] = server;
    record[server]++;
    }
     
    console.log(record);
    第一次利用一致性hash之后,每台服务器存储的用户数据。
    
    

    { '127.0.0.1': 9162, '127.0.0.2': 9824, '127.0.0.3': 11014 }

    connHashStep2.js将5万用户数据通过一致性哈希算法存储在3台服务器上,然后用户数据5万不改变,新增加2台sharding,查看新的5台sharding的用户数据存储情况以及计算移动的数据条数。
    
    
    var HashRing = require('hashring');
    var ring = new HashRing([
        '127.0.0.1',
        '127.0.0.2',
        '127.0.0.3', 
      ], 'md5', {
        'max cache size': 10000
      });
     
    var record = {
    '127.0.0.1':0,
        '127.0.0.2':0,
        '127.0.0.3':0
    };
    var userMap = {}
      
    for(var i=1; i<=50000; i++){
    var userIdStr = i.toString();
    var server = ring.get(userIdStr);
    userMap[userIdStr] = server;
    record[server]++;
    }
     
    console.log(record);
     
    //新增加2个sharding节点
    var record2 = {
    '127.0.0.1':0,
        '127.0.0.2':0,
        '127.0.0.3':0,
    '127.0.0.4':0,
    '127.0.0.5':0,
    };
    ring.add('127.0.0.4').add('127.0.0.5')
     
    var moveStep = 0;
    for(var i=1; i<=50000; i++){
    var userIdStr = i.toString();
    var server = ring.get(userIdStr);
    //当用户的存储server改变,则计算移动
    if(userMap[userIdStr] && userMap[userIdStr] != server){
    userMap[userIdStr] = server;
    moveStep++;
    }
    record2[server]++;
    }
    console.log(record2);
    console.log('move step:'+moveStep);
    5万用户数据,存储在3台服务器上的数目:
    
    

    { '127.0.0.1': 15238, '127.0.0.2': 16448, '127.0.0.3': 18314 }

    当我们sharding增加到5台,存储在5台服务器上的数目:
    
    
    
    { '127.0.0.1': 8869,
      '127.0.0.2': 9972,
      '127.0.0.3': 10326,
      '127.0.0.4': 10064,
      '127.0.0.5': 10769 }
    最终我们移动的用户数量:
    
    

    move step:20833

    其实你会发现
    
    

    20833 = 10064 + 10769 

    也就是说,我们只是将1-3节点的部分数据移动到了4,5节点,并没有多余的移动一行数据。根据上面的示例,如果是5千万数据,利用一致性哈希的算法,添加2个节点,仅需2-3小时就可以完成。
     
    那么什么时候我们需要利用一致性哈希水平拆分数据库单表呢?
    1、当我们拥有一个数据量非常大的单表,比如上亿条数据。
    2、不仅数据量巨大,这个单表的访问读写也非常频繁,单机已经无法抗住 I/O 操作。
    3、此表无事务性操作,如果涉及分布式事务是相当复杂的事情,在拆分此类表需要异常小心。
    4、查询条件单一,对此表的查询更新条件常用的仅有1-2个字段,比如用户表中的用户id或用户名。
    最后,这样的拆分也是会带来负面性的,当水平拆分了一个大表,不得不去修改应用程序或者开发db代理层中间件,这样会加大开发周期、难度和系统复杂性。
     
    转载 : https://blog.csdn.net/xiaobluesky/article/details/50429428
  • 相关阅读:
    2018-5-30 总结
    【数据结构系列】线段树(Segment Tree)
    Google Summer of Code 2017 经验谈
    二分查找
    Binary Indexed Tree
    Github-flavored Markdown 导出为 PDF
    Programming Languages
    Select 选择算法
    取样算法
    HTTP Status 500-Servlet.init() for servlet [springmvc] threw exception解决办法
  • 原文地址:https://www.cnblogs.com/kaishi/p/9018469.html
走看看 - 开发者的网上家园