作为数据库核心成员，如何让淘宝不卡顿？ - ai人工智能 - 透明七彩巨人-tmqcjr.com

阿里妹导读：TDDL(Tabao Distributed Data Layer)是淘宝开源的一个用于访问数据库的中间件，集成了分库分表，主备，读写分离，权重调配，动态数据库配置等功能。本文以2007年TDDL初诞生时的视角，介绍TDDL是如何一步步设计成型的，希望能帮助同学们简单收获：常规数据库效率问题解决思路、TDDL框架设计基本思路以及分布式数据库设计思路等。

时间倒转穿越回2007年年底

一觉醒来，我还是照常去上班，走到西溪湿地附近，马路没有，高楼没有，有的是小山坡和金色的稻田。一番打听之后，才知道此时没有什么西溪园区。没办法，硬着头皮去滨江上班，一刷卡，才发现我并不是我，我现在的身份是淘宝数据库团队的核心成员。

此时全国上下在迎接着奥运的到来，一片祥和。淘宝网成交额突破400亿，日活用户达1000万。工程师们都非常兴奋，磨刀霍霍。但是也遇到了棘手的问题。

一分析当前的现状

1.1 现有业务背景

淘宝网给中国市场提供了全新的购物形式，在互联网的大潮下，用户暴增，成交量暴增，公司持续飞速增长。
截止2007年，淘宝网成交额突破400亿，日活用户达1000万。
全天有1000万用户访问淘宝。而绝大多数用户都是在网上逛，什么也不买。

1.2 当前的问题

1.2.1 用户体验与反馈

用户普遍反馈逛淘宝卡顿，操作延迟特别明显。

1.2.2 分析核心原因

大量的用户在浏览商品，并不下单。这个人数和场景的比例有20:1。
说明：数据库模式事务，写操作会对表或者行加写锁，阻塞读操作。
业务数据集中在一张表里，如user表。一张表里数据破几千万。查询一条数据需要好几秒（单表数据量太大）。
说明：一张表数据提升，必然会导致检索变慢，这是必然事实。不论如何加索引或者优化都无法解决的。
所有表集中在一个库里，所有库集中在一个机器里。数据库集中在一台机器上，动不动就说硬盘不够了（单机单库）。
说明：所有业务共用一份物理机器资源。机器存在瓶颈：磁盘和CPU不够用且后期拓展性不佳。

1.2.3 总结问题

20:1读写比例场景。
单表单库数据量太大。
小型机与单机场景，抗不住当前规模。
截止2007年，淘宝网成交额突破400亿，日活用户达1000万。
全天有1000万用户访问淘宝。而绝大多数用户都是在网上逛，什么也不买。

1.2 当前的问题

1.2.1 用户体验与反馈

用户普遍反馈逛淘宝卡顿，操作延迟特别明显。

1.2.2 分析核心原因

大量的用户在浏览商品，并不下单。这个人数和场景的比例有20:1。
说明：数据库模式事务，写操作会对表或者行加写锁，阻塞读操作。
业务数据集中在一张表里，如user表。一张表里数据破几千万。查询一条数据需要好几秒（单表数据量太大）。
说明：一张表数据提升，必然会导致检索变慢，这是必然事实。不论如何加索引或者优化都无法解决的。
所有表集中在一个库里，所有库集中在一个机器里。数据库集中在一台机器上，动不动就说硬盘不够了（单机单库）。
说明：所有业务共用一份物理机器资源。机器存在瓶颈：磁盘和CPU不够用且后期拓展性不佳。

1.2.3 总结问题

20:1读写比例场景。
单表单库数据量太大。
小型机与单机场景，抗不住当前规模。
截止2007年，淘宝网成交额突破400亿，日活用户达1000万。
全天有1000万用户访问淘宝。而绝大多数用户都是在网上逛，什么也不买。

1.2 当前的问题

1.2.1 用户体验与反馈

用户普遍反馈逛淘宝卡顿，操作延迟特别明显。

1.2.2 分析核心原因

大量的用户在浏览商品，并不下单。这个人数和场景的比例有20:1。
说明：数据库模式事务，写操作会对表或者行加写锁，阻塞读操作。
业务数据集中在一张表里，如user表。一张表里数据破几千万。查询一条数据需要好几秒（单表数据量太大）。
说明：一张表数据提升，必然会导致检索变慢，这是必然事实。不论如何加索引或者优化都无法解决的。
所有表集中在一个库里，所有库集中在一个机器里。数据库集中在一台机器上，动不动就说硬盘不够了（单机单库）。
说明：所有业务共用一份物理机器资源。机器存在瓶颈：磁盘和CPU不够用且后期拓展性不佳。

1.2.3 总结问题

20:1读写比例场景。
单表单库数据量太大。
小型机与单机场景，抗不住当前规模。

当前现状

二我要做什么？

如何满足当前每天1000万用户逛淘宝的需求，且用户体验好（最基本要求：响应快）。
如何满足未来有上亿用户的访问，甚至是同时访问，且用户体验好（最基本要求：响应快）。

高筑墙，广积粮，积极做好准备。

提炼核心：

提高数据库操作速度。
同时能应对未来规模变化。

三我能做什么?

为实现以上两大目标，我能做什么？

3.1 提高数据库操作速度，通用方法

提炼常见的通用方法：

sql优化
排除语法问题，烂sql
下推优化

下推的目的：提前过滤数据 -> 减少网络传输、并行计算。

提前过滤数据
小表驱动大表等
建立索引
查询频率高的热点字段
区分度高的(DISTINCT column_name)/COUNT(*)，以主键为榜样（1/COUNT(*)）
长度小
尽量能覆盖常用查询字段
注意索引失效的场景
分库分表
垂直分库分表
水平分库分表
读写分离
缓存的使用

等等。

3.2 如何应对未来的持续变化？

必须支持动态扩容。
必须走分布式化路线，百分百不动摇。

3.3 结合定位，分析自己能做的

3.3.1 分析我们的架构定位

（1）大前提

我们要做通用型框架，不参与业务。
从软件设计原则出发，开闭原则：对扩展开放，对修改关闭。

说明：大修改就意味着不稳定，因此：我们要做到尽可能少的修改原来的代码。在程序需要进行拓展的时候，不能去修改原有的代码，实现一个热插拔的效果。

（2）当前架构现状

淘宝网主要使用hibernate/ibatis传统框架：

初始框架

（3）分析我们的架构定位

淘宝数据库团队当时使用映射框架（hibernate/ibatis）作为数据库交互入库，为了不让他们修改代码，那我们只能在ibatis/hibenate这类映射框架之下。

同时jdbc是与底层数据库交互的Java数据库连接驱动程序，是基础能力，我们要使用它，而不是改造它。

结论：我得把TDDL安插于ibatis/jdbc之间，于是有了第一张架构图：

TDDL的定位

3.4 总结，我们能做什么？

结合我们的目标，通用方法，大前提以及架构定位，分析下我们能做和不能做的。

不能做的：

索引，因为这个是设计阶段，强业务相关。与大前提冲突：我们不参与业务。

能做的：

语法优化
排除sql问题
下推优化
分表分库（自动水平分表，水平分库）
读写分离（读写分离/分布式化与动态扩容）

四我们如何做？

4.1 语法优化

为达到语法优化的目的，我们需要具备什么能力？

简单来说：

我们需要认识这个别人提交给我的sql。
我能拆解sql。
优化与重组这个sql。

专业点来说：语义分析能力。

sql解析
sql规则制定
sql优化
sql重组

因此：我们需要设计一个sql解析器，sql优化器。

4.1.1 解析器

解析器的核心是词法分析、语法语义分析，也就是说来了一条 select/update/insert/delete语句，你能认识它，而且你知道下一步该怎么处理，同时为后面的优化器打下基础。

核心：将sql解析为一棵语法树。

例：

SELECT id, member_id FROM wp_image WHERE member_id = ‘123’

sql语法树：

4.1.2 优化器

核心：

在sql解析成sql语法树后，使用sql优化规则(1. 语法优化 2. 下推优化)，通过对树进行左旋，右旋，删除子树来对语法树进行重构sql语法树。
将重构的语法树进行遍历得到优化后的sql。

（1）语法优化

函数提前计算

a. id = 1 + 1  => id = 2

判断永真/永假式

1 = 1 and id = 1 => id = 1
0 = 1 and id = 1 => 空结果

合并范围

id > 1 or id < 5 => 永真式
id > 1 and id = 3 => id = 3

类型处理

id = ‘1’  => id为数字类型,自动Long.valueof(1)
create=‘2015-02-14 12:12:12’ => create为timestamp类型，解析为时间类型

（2）下推优化

Where条件下推

select from (A) o where o.id = 1
=>
select from (A.query(id = 1))

说明：提前条件过滤，提前获取数据，减少后期计算/IO/网络成本。

JOIN中非join列的条件下推

A join B on A.id = B.id where A.name = 1 and B.title = 2
=> 
A.query(name = 1) join B.query(title = 2) on A.id = B.id

说明：提前过滤，减轻后期join计算成本，达到“小表驱动”的目的。

等值条件的推导

A join B on A.id = B.id where A.id = 1 => B.id = 1
=> 
A join B.query(B.id=1) on A.id = B.id

说明：同理，提前过滤。

4.1.3 总结

sql解析器
负责将sql语句化为sql语法树。
sql优化器
负责将sql语法树利用sql优化规则，重构sql语法树。
将sql语法树转化为sql语句。

4.2 分表分库

单库单表的问题：

几年前，业务简单，应用的数据比较少，表结构也不复杂。只有一个数据库，数据库中的表是一张完整的表。而到了今天，2007年了，业务复杂起来了，数据量爆增，单表数据破千万甚至上亿条，一条DML语句，死慢死慢的。这种情况下加索引已不再有显著的效果。

这个时候，数据库效率瓶颈不是靠加索引，sql优化能搞定的。

正确出路：分表分库，通过将表拆分，来降低单表数据量，进而提高数据库操作效率。

分表分为：

垂直分表
水平分表

分库分为：

垂直分库
水平分库

由于TDDL不参与业务，而垂直分库分表是强业务相关的，因此TDDL暂不参与垂直分库分表，只在水平分库分表方向上努力。

4.2.1 垂直分表

垂直拆分是将一张表垂直拆成多个表。往往是把常用的列独立成一张主表。不常用的列以及特别长的列拆分成另一张拓展表。

简单垂直分表举例

核心要素：

冷热分离，把常用的列放在一个表，不常用的放在一个表。
大字段列独立存放，如描述信息。
关联关系的列紧密的放在一起。

它带来的提升是：

为了避免IO争抢并减少锁表的几率，查看详情的用户与商品信息浏览互不影响。
充分发挥热门数据的操作效率，商品信息的操作的高效率不会被商品描述的低效率所拖累。

4.2.2 水平分表

水平分表是在同一个数据库内，把同一个表的数据按一定规则拆到多个表中。

简单水平分表举例

简单点的技巧：按照枚举类型区分。

作用总结：

库内的水平分表，解决了单一表数据量过大的问题，分出来的小表中只包含一部分数据，从而使得单个表的数据量变小，提高检索性能。
避免IO争抢并减少锁表的几率。

4.2.3 垂直分库

垂直分库是指按照业务将表进行分类，分布到不同的数据库上面，每个库可以放在不同的服务器上，它的核心理念是专库专用。

垂直分库

作用总结：

解决业务层面的耦合，业务清晰。
高并发场景下，垂直分库一定程度的提升IO、数据库连接数、降低单机硬件资源的瓶颈。
能对不同业务的数据进行分级管理、维护、监控、扩展等。
垂直分库通过将表按业务分类，然后分布在不同数据库，并且可以将这些数据库部署在不同服务器上，从而达到多个服务器共同分摊压力的效果，但是依然没有解决单表数据量过大的问题。

4.2.4 水平分库(TDDL 核心)

水平分库是把同一个表的数据按一定规则拆到不同的数据库中，每个库可以放在不同的服务器上。

水平分库

作用总结：

解决了单库单表数据量过大的问题，理论上解决了高并发的性能瓶颈。

水平分库核心要解决的问题：

如何知道数据在哪个库里？- 路由问题
结果合并
全局唯一主键ID
分布式事务（暂时不支持）

4.2.5 水平分库——问题解决

（1）自动路由算法

sql转发：在水平拆分后，数据被分散到多张表里。原来的一个sql需要拆解，进行转发路由。

例：

select * from tb1 where member_id in (test1234, pavaretti17, abcd);
=>
select * from tb1 where member_id in (test1234, pavaretti17, abcd);
select * from tb1 where member_id in (abcd);

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

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。

（2）结果合并

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

（3）全局唯一主键

算法：基于数据库更新＋内存分配。在数据库中维护一个ID，获取下一个ID时，会对数据库进行ID=ID+100 WHERE ID=XX，拿到100个ID后，在内存中进行分配。

优势：简单高效。
缺点：无法保证自增顺序。

例：

水平分库分表：一拆三场景。
主键分隔值：1000。

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。

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

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。

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。

核心问题：

数据的备份同步问题：参考4.4.3。
读写比例支持动态设置：结合业务，如淘宝可设置为20:1。

4.3.2 容灾

主备倒换：提高可靠性 > 应对个别数据库宕机场景，尤其主库宕机。

主备倒换

说明：DB2主库宕机后，自动将主库转为DB3。

核心问题：

数据的备份同步问题：binlog 参考4.4.3。
检测数据库的在线状态：心跳机制。

4.3.3 数据备份与同步

当只有单机或者一份数据时，一但数据库出问题，那么整体服务将不可用，而且更严重的是会造成数据损害丢失不可逆。

在读写分离与主备倒换的场景下，核心要解决的是多个数据库的数据同步与备份问题。

当前主流的是采用日志备份方式（redis也类似）。

实现原理：binlog日志备份。

数据备份：bin-log同步

说明：

主库负责写操作，在数据变更时，会写入binlog，同时通知各从库。
从库收到通知后，IO线程会主动过来读取主库的binlog，并写入自己的log。
写完从库log后，通知sql线程，sql线程读取自己的日志，写入从库。

4.3.4 动态扩容

动态扩容的意义在于：随着后期业务量增大，数据库个数可以通过增多的方式来应对，而相对的改造代价很小。

扩容前：

扩容后：

核心内容：

在添加新库时
注册机器与库
路由算法调整：固定哈希算法-调整模数/一致性哈希算法天然支持扩容
可选的权重调整
修改权重，数据插入偏向于新库5。
在各库数量平衡时，触发修改回原来平衡的权重，以保证后续的均衡分配。

五架构成型

sql流向

下图介绍sql从流入TDD到流入数据库，期间TDDL各模块对Sql的处理。

架构图

下图介绍了TDDL三层的位置以及作用。

核心能力图

TDDL 核心能力，核心组建示意图，其中标出了各模块核心要解决功能，核心算法等。

参考

TDDL 官方文档

http://mw.alibaba-inc.com/products/tddl/_book/

TDD产品原理介绍

http://gitlab.alibaba-inc.com/middleware/tddl5-wiki/raw/master/docs/Tddl_Intro.ppt

TDDL(07-10年)初始版本介绍

https://wenku.baidu.com/view/9cb630ab7f1922791788e825.html

阿里云SQL调优指南

https://help.aliyun.com/document_detail/144293.html

一致性哈希算法原理

https://www.cnblogs.com/lpfuture/p/5796398.html

TDDL初期源码（码云）

https://gitee.com/justwe9891/TDDL

MyISAM与InnoDB 的区别（9个不同点）

https://blog.csdn.net/qq_35642036/article/details/82820178

阿里技术

分享阿里巴巴的技术创新、实战案例、经验总结，内容同步于微信公众号“阿里技术”。

入门开发框架数据存储 TDDL

1 1