本篇內容包括：數據庫瓶頸、分庫分表以及分庫分表相關問題
一、數據庫瓶頸
不管是IO瓶頸，還是CPU瓶頸，最終都會導致數據庫的活躍連接數增加，進而逼近甚至達到數據庫可承載活躍連接數的閾值。在業務Service來看就是，可用數據庫連接少甚至無連接可用。接下來就可以想象了吧（并發量、吞吐量、崩潰）。
1、IO瓶頸
第一種：磁盤讀IO瓶頸，熱點數據太多，數據庫緩存放不下，每次查詢時會產生大量的IO，降低查詢速度 -> 分庫和垂直分表。
第二種：網絡IO瓶頸，請求的數據太多，網絡帶寬不夠 -> 分庫。
2、CPU瓶頸
第一種：SQL問題，如SQL中包含 join，group by，order by，非索引字段條件查詢等，增加 CPU 運算的操作 -> SQL優化，建立合適的索引，在業務 Service 層進行業務計算。
第二種：單表數據量太大，查詢時掃描的行太多，SQL效率低，CPU率先出現瓶頸 -> 水平分表
二、分庫分表
1、水平分庫
- 概念：以字段為依據，按照一定策略（hash、range等），將一個庫中的數據拆分到多個庫中。
- 結果：
- 每個庫的結構都一樣；
- 每個庫的數據都不一樣，沒有交集；
- 所有庫的并集是全量數據；
場景：系統絕對并發量上來了，分表難以根本上解決問題，并且還沒有明顯的業務歸屬來垂直分庫。
分析：庫多了，io和cpu的壓力自然可以成倍緩解。
2、水平分表
- 概念：以字段為依據，按照一定策略（hash、range等），將一個表中的數據拆分到多個表中。
- 結果：
- 每個表的結構都一樣；
- 每個表的數據都不一樣，沒有交集；
- 所有表的并集是全量數據；
場景：系統絕對并發量并沒有上來，只是單表的數據量太多，影響了SQL效率，加重了CPU負擔，以至于成為瓶頸。
分析：表的數據量少了，單次SQL執行效率高，自然減輕了CPU的負擔。
3、垂直分庫
- 概念：以表為依據，按照業務歸屬不同，將不同的表拆分到不同的庫中。
- 結果：
- 每個庫的結構都不一樣；
- 每個庫的數據也不一樣，沒有交集；
- 所有庫的并集是全量數據；
場景：系統絕對并發量上來了，并且可以抽象出單獨的業務模塊。
分析：到這一步，基本上就可以服務化了。例如，隨著業務的發展一些公用的配置表、字典表等越來越多，這時可以將這些表拆到單獨的庫中，甚至可以服務化。再有，隨著業務的發展孵化出了一套業務模式，這時可以將相關的表拆到單獨的庫中，甚至可以服務化。
4、垂直分表
- 概念：以字段為依據，按照字段的活躍性，將表中字段拆到不同的表（主表和擴展表）中。
- 結果：
- 每個表的結構都不一樣；
- 每個表的數據也不一樣，一般來說，每個表的字段至少有一列交集，一般是主鍵，用于關聯數據；
- 所有表的并集是全量數據；
場景：系統絕對并發量并沒有上來，表的記錄并不多，但是字段多，并且熱點數據和非熱點數據在一起，單行數據所需的存儲空間較大。以至于數據庫緩存的數據行減少，查詢時會去讀磁盤數據產生大量的隨機讀IO，產生IO瓶頸。
分析：可以用列表頁和詳情頁來幫助理解。垂直分表的拆分原則是將熱點數據（可能會冗余經常一起查詢的數據）放在一起作為主表，非熱點數據放在一起作為擴展表。這樣更多的熱點數據就能被緩存下來，進而減少了隨機讀IO。拆了之后，要想獲得全部數據就需要關聯兩個表來取數據。但記住，千萬別用join，因為join不僅會增加CPU負擔并且會講兩個表耦合在一起（必須在一個數據庫實例上）。關聯數據，應該在業務Service層做文章，分別獲取主表和擴展表數據然后用關聯字段關聯得到全部數據。
三、分庫分表相關問題
1、分表后的ID怎么保證唯一性的呢？
因為我們主鍵默認都是自增的，那么分表之后的主鍵在不同表就肯定會有沖突了。有幾個辦法考慮：
- 設定步長，比如1-1024張表我們分別設定1-1024的基礎步長，這樣主鍵落到不同的表就不會沖突了。
- 分布式ID，自己實現一套分布式ID生成算法或者使用開源的比如雪花算法這種
- 分表后不使用主鍵作為查詢依據，而是每張表單獨新增一個字段作為唯一主鍵使用，比如訂單表訂單號是唯一的，不管最終落在哪張表都基于訂單號作為查詢依據，更新也一樣。
2、分表后非sharding_key的查詢怎么處理呢？
- 可以做一個mapping表，比如這時候商家要查詢訂單列表怎么辦呢？不帶user_id查詢的話你總不能掃全表吧？所以我們可以做一個映射關系表，保存商家和用戶的關系，查詢的時候先通過商家查詢到用戶列表，再通過user_id去查詢。
- 打寬表，一般而言，商戶端對數據實時性要求并不是很高，比如查詢訂單列表，可以把訂單表同步到離線（實時）數倉，再基于數倉去做成一張寬表，再基于其他如es提供查詢服務。
- 數據量不是很大的話，比如后臺的一些查詢之類的，也可以通過多線程掃表，然后再聚合結果的方式來做。或者異步的形式也是可以的。
