作為資料庫核心成員，如何讓淘寶不卡頓？

簡介：TDDL(Tabao Distributed Data Layer)是淘寶開源的一個用于訪問資料庫的中間件，集成了分庫分表，主備，讀寫分離，權重調配，動態資料庫配置等功能，本文以2007年TDDL初誕生時的視角，介紹TDDL是如何一步步設計成型的，希望能幫助同學們簡單識訓：常規資料庫效率問題解決思路、TDDL框架設計基本思路以及分布式資料庫設計思路等，

時間倒轉穿越回2007年年底

一覺醒來，我還是照常去上班，走到西溪濕地附近，馬路沒有，高樓沒有，有的是小山坡和金色的稻田，一番打聽之后，才知道此時沒有什么西溪園區，沒辦法，硬著頭皮去濱江上班，一刷卡，才發現我并不是我，我現在的身份是淘寶資料庫團隊的核心成員，

此時全國上下在迎接著奧運的到來，一片祥和，淘寶網成交額突破400億，榷訓用戶達1000萬，工程師們都非常興奮，磨刀霍霍，但是也遇到了棘手的問題，

一 分析當前的現狀

1.1 現有業務背景

• 淘寶網給中國市場提供了全新的購物形式，在互聯網的大潮下，用戶暴增，成交量暴增，公司持續飛速增長，
• 截止2007年，淘寶網成交額突破400億，榷訓用戶達1000萬，
• 全天有1000萬用戶訪問淘寶，而絕大多數用戶都是在網上逛，什么也不買，

1.2 當前的問題

1.2.1 用戶體驗與反饋

用戶普遍反饋逛淘寶卡頓，操作延遲特別明顯，

1.2.2 分析核心原因

• 大量的用戶在瀏覽商品，并不下單，這個人數和場景的比例有20:1，
• • 說明：資料庫模式事務，寫操作會對表或者行加寫鎖，阻塞讀操作，
• 業務資料集中在一張表里，如user表，一張表里資料破幾千萬，查詢一條資料需要好幾秒（單表資料量太大），
• • 說明：一張表資料提升，必然會導致檢索變慢， 這是必然事實，不論如何加索引或者優化都無法解決的，
• 所有表集中在一個庫里，所有庫集中在一個機器里，資料庫集中在一臺機器上，動不動就說硬碟不夠了（單機單庫），
• • 說明：所有業務共用一份物理機器資源，機器存在瓶頸：磁盤和CPU不夠用且后期拓展性不佳，

1.2.3 總結問題

• 20:1讀寫比例場景，
• 單表單庫資料量太大，
• 小型機與單機場景，抗不住當前規模，

二 我要做什么？

• 如何滿足當前每天1000萬用戶逛淘寶的需求，且用戶體驗好（最基本要求：回應快），
• 如何滿足未來有上億用戶的訪問，甚至是同時訪問，且用戶體驗好（最基本要求：回應快），

高筑墻，廣積糧，積極做好準備，

提煉核心：

• 提高資料庫操作速度，
• 同時能應對未來規模變化，

三 我能做什么?

為實作以上兩大目標，我能做什么？

3.1 提高資料庫操作速度，通用方法

提煉常見的通用方法：

sql優化

• 排除語法問題，爛sql
• 下推優化

下推的目的：提前過濾資料 -> 減少網路傳輸、并行計算，

• 提前過濾資料
• 小表驅動大表等

建立索引

• 查詢頻率高的熱點欄位
• 區分度高的(DISTINCT column_name)/COUNT()，以主鍵為榜樣（1/COUNT()）
• 長度小
• 盡量能覆寫常用查詢欄位
• 注意索引失效的場景

分庫分表

• 垂直分庫分表
• 水平分庫分表

讀寫分離

快取的使用

等等，

3.2 如何應對未來的持續變化？

必須支持動態擴容，

必須走分布式化路線，百分百不動搖，

3.3 結合定位，分析自己能做的

3.3.1 分析我們的架構定位

（1）大前提

• 我們要做通用型框架，不參與業務，
• 從軟體設計原則出發，開閉原則：對擴展開放，對修改關閉，

說明：大修改就意味著不穩定，因此：我們要做到盡可能少的修改原來的代碼，在程式需要進行拓展的時候，不能去修改原有的代碼，實作一個熱插拔的效果，

（2）當前架構現狀

淘寶網主要使用hibernate/ibatis傳統框架：

（3）分析我們的架構定位

淘寶資料庫團隊當時使用映射框架（hibernate/ibatis）作為資料庫互動入庫，為了不讓他們修改代碼，那我們只能在ibatis/hibenate這類映射框架之下，

同時jdbc是與底層資料庫互動的Java資料庫連接驅動程式，是基礎能力，我們要使用它，而不是改造它，

結論：我得把TDDL安插于ibatis/jdbc之間，于是有了第一張架構圖：

3.4 總結，我們能做什么？

結合我們的目標，通用方法，大前提以及架構定位，分析下我們能做和不能做的，

不能做的：

• 索引，因為這個是設計階段，強業務相關，與大前提沖突：我們不參與業務，

能做的：

• 語法優化
• • 排除sql問題
• • 下推優化
• 分表分庫（自動水平分表，水平分庫）
• • 讀寫分離（讀寫分離/分布式化與動態擴容）

四 我們如何做？

4.1 語法優化

為達到語法優化的目的，我們需要具備什么能力？

簡單來說：

• 我們需要認識這個別人提交給我的sql，
• 我能拆解sql，
• 優化與重組這個sql，

專業點來說：語意分析能力，

• sql決議
• sql規則制定
• sql優化
• sql重組

因此：我們需要設計一個sql決議器，sql優化器，

4.1.1 決議器

決議器的核心是詞法分析、語法語意分析，也就是說來了一條 select/update/insert/delete陳述句，你能認識它，而且你知道下一步該怎么處理，同時為后面的優化器打下基礎，

核心：將sql決議為一棵語法樹，

例：

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

sql語法樹：

4.1.2 優化器

核心：

• 在sql決議成sql語法樹后，使用sql優化規則(1. 語法優化 2. 下推優化)， 通過對樹進行左旋，右旋，洗掉子樹來對語法樹進行重構sql語法樹，
• 將重構的語法樹進行遍歷得到優化后的sql，

（1）語法優化

• 函式提前計算

a. id = 1 + 1  => id = 2

• 判斷永真/永假式

1 = 1 and id = 1 => id = 1
0 = 1 and id = 1 => 空結果

• 合并范圍

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

• 型別處理

id = ‘1’  => id為數字型別,自動Long.valueof(1)
create=‘2015-02-14 12:12:12’ => create為timestamp型別，決議為時間型別

（2）下推優化

• Where條件下推

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

說明：提前條件過濾，提前獲取資料，減少后期計算/IO/網路成本，

• JOIN中非join列的條件下推

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

說明：提前過濾，減輕后期join計算成本，達到“小表驅動”的目的，

• 等值條件的推導

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

說明：同理，提前過濾，

4.1.3 總結

• sql決議器
• • 負責將sql陳述句化為sql語法樹，
• sql優化器
• • 負責將sql語法樹利用sql優化規則，重構sql語法樹，
• • 將sql語法樹轉化為sql陳述句，

4.2 分表分庫

單庫單表的問題：

幾年前，業務簡單，應用的資料比較少，表結構也不復雜，只有一個資料庫，資料庫中的表是一張完整的表，而到了今天，2007年了，業務復雜起來了，資料量爆增，單表資料破千萬甚至上億條，一條DML陳述句，死慢死慢的，這種情況下加索引已不再有顯著的效果，

這個時候，資料庫效率瓶頸不是靠加索引，sql優化能搞定的，

正確出路：分表分庫，通過將表拆分，來降低單表資料量，進而提高資料庫操作效率，

分表分為：

• 垂直分表
• 水平分表

分庫分為：

• 垂直分庫
• 水平分庫

由于TDDL不參與業務，而垂直分庫分表是強業務相關的，因此TDDL暫不參與垂直分庫分表，只在水平分庫分表方向上努力，

4.2.1 垂直分表

垂直拆分是將一張表垂直拆成多個表，往往是把常用的列獨立成一張主表，不常用的列以及特別長的列拆分成另一張拓展表，

簡單垂直分表舉例
核心要素：

• 冷熱分離，把常用的列放在一個表，不常用的放在一個表，
• 大欄位列獨立存放，如描述資訊，
• 關聯關系的列緊密的放在一起，

它帶來的提升是：

• 為了避免IO爭搶并減少鎖表的幾率，查看詳情的用戶與商品資訊瀏覽互不影響，
• 充分發揮熱門資料的操作效率，商品資訊的操作的高效率不會被商品描述的低效率所拖累，

4.2.2 水平分表

水平分表是在同一個資料庫內，把同一個表的資料按一定規則拆到多個表中，

簡單點的技巧：按照列舉型別區分，

作用總結：

• 庫內的水平分表，解決了單一表資料量過大的問題，分出來的小表中只包含一部分資料，從而使得單個表的資料量變小，提高檢索性能，
• 避免IO爭搶并減少鎖表的幾率，

4.2.3 垂直分庫

垂直分庫是指按照業務將表進行分類，分布到不同的資料庫上面，每個庫可以放在不同的服務器上，它的核心理念是專庫專用，

作用總結：

• 解決業務層面的耦合，業務清晰，
• 高并發場景下，垂直分庫一定程度的提升IO、資料庫連接數、降低單機硬體資源的瓶頸，
• 能對不同業務的資料進行分級管理、維護、監控、擴展等，
• 垂直分庫通過將表按業務分類，然后分布在不同資料庫，并且可以將這些資料庫部署在不同服務器上，從而達到多個服務器共同分攤壓力的效果，但是依然沒有解決單表資料量過大的問題，

4.2.4 水平分庫(TDDL 核心)

水平分庫是把同一個表的資料按一定規則拆到不同的資料庫中，每個庫可以放在不同的服務器上，

作用總結：

• 解決了單庫單表資料量過大的問題，理論上解決了高并發的性能瓶頸，

水平分庫核心要解決的問題：

• 如何知道資料在哪個庫里？- 路由問題
• 結果合并
• 全域唯一主鍵ID
• 分布式事務（暫時不支持）

4.2.5 水平分庫——問題解決

（1）自動路由演算法

sql轉發：在水平拆分后，資料被分散到多張表里，原來的一個sql需要拆解，進行轉發路由，

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');

其中拆分和尋找的演算法：怎么知道對應哪個表？即自動路由演算法，常見的有：固定哈希演算法和一致性哈希演算法，

a）固定哈希演算法

b）一致性哈希演算法

一致性哈希演算法在1997年由麻省理工學院提出，是一種特殊的哈希演算法，目的是解決分布式快取的問題，

一致性哈希演算法的優勢：

• 極好的應對了服務器宕機的場景，
• 很好的支持后期服務器擴容，
• 在引入虛擬節點后：能很好的平衡各節點的資料分布，

由于一致性哈希演算法的優勢，此演算法幾乎是所有分布式場景下使用的方案，包括mysql的分布式、redis的分布式等，

（2） 結果合并

升華：引入fork-Join，提升操作速度（多執行緒并發重點場景，代碼中也很常用哦），

• 任務拆分
• 多路并行操作
• 結果合并

（3）全域唯一主鍵

演算法：基于資料庫更新＋記憶體分配，在資料庫中維護一個ID，獲取下一個ID時，會對資料庫進行ID=ID+100 WHERE ID=XX，拿到100個ID后，在記憶體中進行分配，

• 優勢：簡單高效，
• 缺點：無法保證自增順序，

例：

水平分庫分表：一拆三場景，
主鍵分隔值：1000，

• 表1新增一條資料，于是給表1分配1000個主鍵ID， 直到它用完，
• 同理，表2、表3在新增資料時，也給它們分配1000個主鍵ID，直到它用完，
• 當它們的1000個主鍵ID用完后，繼續給它們分配1000個即可，
• 重復下去，可保證各庫表上的主鍵不重疊，唯一，

這種產生全域唯一id的方式相當有效，保證基本的全域唯一特性和高性能的同時，可以對生成id的資料庫分機架分機房部署達到容災的目的，

4.2.6 分表分庫總結

架構師角度：

• 優先考慮快取降低對資料庫的讀操作，
• 再考慮讀寫分離，降低資料庫寫操作，
• 最后開始資料拆分，切分模式：首先垂直（縱向）拆分、再次水平拆分，
• • 首先考慮按照業務垂直拆分，

• • 再考慮水平拆分：先分庫(設定資料路由規則，把資料分配到不同的庫中)，
• 最后再考慮分表，單表拆分到資料1000萬以內，

個人開發角度：

• 優先使用分表分庫框架（直接使用），
• 優先考慮快取降低對資料庫的讀操作，
• 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，是因為垂直拆分后資料業務清晰而且單一，更加方便指定水平的標準，

4.3 分布式化

分布式化是大潮，是大規模服務器最后都要走的一步，

4.3.1 讀寫分離

設計讀寫分離的資料庫，有兩大意義：

• 主從只負責各自的寫和讀，極大程度的緩解X鎖和S鎖的競爭，
• 從庫可配置myisam引擎，提升查詢性能以及節約系統開銷，

說明：myisam查詢效率高于默認的innodb效率，參考：myisam和innodb的區別，

核心問題：

• 資料的備份同步問題：參考4.4.3，
• 讀寫比例支持動態設定：結合業務，如淘寶可設定為20:1，

4.3.2 容災

主備倒換：提高可靠性 > 應對個別資料庫宕機場景，尤其主庫宕機，

說明：DB2主庫宕機后，自動將主庫轉為DB3，

核心問題：

• 資料的備份同步問題：binlog 參考4.4.3，
• 檢測資料庫的在線狀態：心跳機制，

4.3.3 資料備份與同步

當只有單機或者一份資料時，一但資料庫出問題，那么整體服務將不可用，而且更嚴重的是會造成資料損害丟失不可逆，

在讀寫分離與主備倒換的場景下，核心要解決的是多個資料庫的資料同步與備份問題，

當前主流的是采用日志備份方式（redis也類似），

實作原理：binlog日志備份，

說明：

• 主庫負責寫操作，在資料變更時，會寫入binlog，同時通知各從庫，
• 從庫收到通知后，IO執行緒會主動過來讀取主庫的binlog，并寫入自己的log，
• 寫完從庫log后，通知sql執行緒，sql執行緒讀取自己的日志，寫入從庫，

4.3.4 動態擴容

動態擴容的意義在于：隨著后期業務量增大，資料庫個數可以通過增多的方式來應對，而相對的改造代價很小，

擴容前：

擴容后：

核心內容：

• 在添加新庫時
• • 注冊機器與庫

• • 路由演算法調整：固定哈希演算法-調整模數/一致性哈希演算法天然支持擴容
• 可選的權重調整
• • 修改權重，資料插入偏向于新庫5，

• • 在各庫數量平衡時，觸發修改回原來平衡的權重，以保證后續的均衡分配，

五 架構成型

sql流向

下圖介紹sql從流入TDD到流入資料庫，期間TDDL各模塊對Sql的處理，

架構圖

下圖介紹了TDDL三層的位置以及作用，

核心能力圖

TDDL 核心能力，核心組建示意圖，其中標出了各模塊核心要解決功能，核心演算法等，

參考

TDDL 官方檔案
http://mw.alibaba-inc.com/products/tddl/_book/
TDD產品原理介紹
http://gitlab.alibaba-inc.com/middleware/tddl5-wiki/raw/master/docs/Tddl_Intro.ppt
TDDL(07-10年)初始版本介紹
https://wenku.baidu.com/view/9cb630ab7f1922791788e825.html
阿里云SQL調優指南
https://help.aliyun.com/document_detail/144293.html
一致性哈希演算法原理
https://www.cnblogs.com/lpfuture/p/5796398.html
TDDL初期原始碼（碼云）
https://gitee.com/justwe9891/TDDL
MyISAM與InnoDB 的區別（9個不同點）
https://blog.csdn.net/qq_35642036/article/details/82820178

原文鏈接：https://developer.aliyun.com/article/773227?

著作權宣告：本文內容由阿里云實名注冊用戶自發貢獻，著作權歸原作者所有，阿里云開發者社區不擁有其著作權，亦不承擔相應法律責任，具體規則請查看《阿里云開發者社區用戶服務協議》和《阿里云開發者社區知識產權保護指引》，如果您發現本社區中有涉嫌抄襲的內容，填寫侵權投訴表單進行舉報，一經查實，本社區將立刻洗掉涉嫌侵權內容，