长文解读:基于业务场景的MySQL千万级大表优化

杨建荣 2020-02-17 10:45:29
​作者介绍

杨建荣,dbaplus社群联合发起人,竞技世界资深DBA,前搜狐畅游数据库专家,Oracle ACE,腾讯云TVP。具有十多年数据库开发和运维经验,目前专注于开源技术、运维自动化和性能调优。《Oracle/MySQL DBA工作笔记》作者,每天通过微信、博客进行技术分享,已连续坚持2100多天。

 

千万级大表如何优化,这是一个很有技术含量的问题,通常我们的直觉思维都会跳转到拆分或者数据分区,在此我想做一些补充和梳理,想和大家做一些这方面的经验总结,也欢迎大家提出建议。 

 

从一开始脑海里开始也是火光四现,到不断的自我批评,后来也参考了一些团队的经验,我整理了下面的大纲内容。

 

既然要吃透这个问题,我们势必要回到本源,我把这个问题分为三部分:“千万级”,“大表”,“优化”也分别对应我们在图中标识的

“数据量”,“对象”和“目标”

 

我来逐步展开说明一下,从而给出一系列的解决方案。 

 

1、数据量:千万级

 

千万级其实只是一个感官的数字,就是我们印象中的数据量大。这里我们需要把这个概念细化,因为随着业务和时间的变化,数据量也会有变化,我们应该是带着一种动态思维来审视这个指标,从而对于不同的场景我们应该有不同的处理策略。

 

1) 数据量为千万级,可能达到亿级或者更高

 

通常是一些数据流水,日志记录的业务,里面的数据随着时间的增长会逐步增多,超过千万门槛是很容易的一件事情。

 

2) 数据量为千万级,是一个相对稳定的数据量

 

如果数据量相对稳定,通常是在一些偏向于状态的数据,比如有1000万用户,那么这些用户的信息在表中都有相应的一行数据记录,随着业务的增长,这个量级相对是比较稳定的。

 

3) 数据量为千万级,不应该有这么多的数据

 

这种情况是我们被动发现的居多,通常发现的时候已经晚了,比如你看到一个配置表,数据量上千万;或者说一些表里的数据已经存储了很久,99%的数据都属于过期数据或者垃圾数据。

 

数据量是一个整体的认识,我们需要对数据做更近一层的理解,这就可以引出第二个部分的内容。 

 

2、对象:数据表

 

数据操作的过程就好比数据库中存在着多条管道,这些管道中都流淌着要处理的数据,这些数据的用处和归属是不一样的。

 

一般根据业务类型把数据分为三种:

 

1)流水型数据

 

流水型数据是无状态的,多笔业务之间没有关联,每次业务过来的时候都会产生新的单据,比如交易流水、支付流水,只要能插入新单据就能完成业务,特点是后面的数据不依赖前面的数据,所有的数据按时间流水进入数据库。

 

2)状态型数据

 

状态型数据是有状态的,多笔业务之间依赖于有状态的数据,而且要保证该数据的准确性,比如充值时必须要拿到原来的余额,才能支付成功。

 

3)配置型数据

 

此类型数据数据量较小,而且结构简单,一般为静态数据,变化频率很低。

 

至此,我们可以对整体的背景有一个认识了,如果要做优化,其实要面对的是这样的3*3的矩阵,如果要考虑表的读写比例(读多写少,读少写多...),那么就会是3*3*4=24种,显然做穷举是不显示的,而且也完全没有必要,可以针对不同的数据存储特性和业务特点来指定不同的业务策略。 

 

对此我们采取抓住重点的方式,把常见的一些优化思路梳理出来,尤其是里面的核心思想,也是我们整个优化设计的一把尺子,而难度决定了我们做这件事情的动力和风险。

 

而对于优化方案,我想采用面向业务的维度来进行阐述。 

 

3、目标:优化

 

在这个阶段,我们要说优化的方案了,总结的有点多,相对来说是比较全了。

 

整体分为五个部分:

 

其实我们通常所说的分库分表等方案只是其中的一小部分,如果展开之后就比较丰富了。

 

其实不难理解,我们要支撑的表数据量是千万级别,相对来说是比较大了,DBA要维护的表肯定不止一张,如何能够更好的管理,同时在业务发展中能够支撑扩展,同时保证性能,这是摆在我们面前的几座大山。

 

我们分别来说一下这五类改进方案:

 

优化设计方案一:规范设计

 

在此我们先提到的是规范设计,而不是其他高大上的设计方案。

 

黑格尔说:秩序是自由的第一条件。在分工协作的工作场景中尤其重要,否则团队之间互相牵制太多,问题多多。

 

规范设计我想提到如下的几个规范,其实只是属于开发规范的一部分内容,可以作为参考。

 

规范的本质不是解决问题,而是有效杜绝一些潜在问题,对于千万级大表要遵守的规范,我梳理了如下的一些细则,基本可以涵盖我们常见的一些设计和使用问题,比如表的字段设计不管三七二十一,都是varchar(500),其实是很不规范的一种实现方式,我们来展开说一下这几个规范。

 

1、配置规范

 

1)MySQL数据库默认使用InnoDB存储引擎。

 

2)保证字符集设置统一,MySQL数据库相关系统、数据库、表的字符集使都用UTF8,应用程序连接、展示等可以设置字符集的地方也都统一设置为UTF8字符集。

 

注:UTF8格式是存储不了表情类数据,需要使用UTF8MB4,可在MySQL字符集里面设置。在8.0中已经默认为UTF8MB4,可以根据公司的业务情况进行统一或者定制化设置。

 

3)MySQL数据库的事务隔离级别默认为RR(Repeatable-Read),建议初始化时统一设置为RC(Read-Committed),对于OLTP业务更适合。

 

4)数据库中的表要合理规划,控制单表数据量,对于MySQL数据库来说,建议单表记录数控制在2000W以内。

 

5)MySQL实例下,数据库、表数量尽可能少;数据库一般不超过50个,每个数据库下,数据表数量一般不超过500个(包括分区表)。

 

2、建表规范

 

1)InnoDB禁止使用外键约束,可以通过程序层面保证。

 

2)存储精确浮点数必须使用DECIMAL替代FLOAT和DOUBLE。

 

3)整型定义中无需定义显示宽度,比如:使用INT,而不是INT(4)。

 

4)不建议使用ENUM类型,可使用TINYINT来代替。

 

5)尽可能不使用TEXT、BLOB类型,如果必须使用,建议将过大字段或是不常用的描述型较大字段拆分到其他表中;另外,禁止用数据库存储图片或文件。

 

6)存储年时使用YEAR(4),不使用YEAR(2)。

 

7)建议字段定义为NOT NULL。

 

8)建议DBA提供SQL审核工具,建表规范性需要通过审核工具审核后。

 

3、命名规范

 

1)库、表、字段全部采用小写。

 

2)库名、表名、字段名、索引名称均使用小写字母,并以“_”分割。

 

3)库名、表名、字段名建议不超过12个字符。(库名、表名、字段名支持最多64个字符,但为了统一规范、易于辨识以及减少传输量,统一不超过12字符)

 

4)库名、表名、字段名见名知意,不需要添加注释。

 

对于对象命名规范的一个简要总结如下表4-1所示,供参考。

 

命名列表

 

4、索引规范

 

1)索引建议命名规则:idx_col1_col2[_colN]、uniq_col1_col2[_colN](如果字段过长建议采用缩写)。

 

2)索引中的字段数建议不超过5个。

 

3)单张表的索引个数控制在5个以内。

 

4)InnoDB表一般都建议有主键列,尤其在高可用集群方案中是作为必须项的。

 

5)建立复合索引时,优先将选择性高的字段放在前面。

 

6)UPDATE、DELETE语句需要根据WHERE条件添加索引。

 

7)不建议使用%前缀模糊查询,例如LIKE “%weibo”,无法用到索引,会导致全表扫描。

 

8)合理利用覆盖索引,例如:

 

9)SELECT email,uid FROM user_email WHERE uid=xx,如果uid不是主键,可以创建覆盖索引idx_uid_email(uid,email)来提高查询效率。

 

10)避免在索引字段上使用函数,否则会导致查询时索引失效。

 

11)确认索引是否需要变更时要联系DBA。

 

5、应用规范

 

1)避免使用存储过程、触发器、自定义函数等,容易将业务逻辑和DB耦合在一起,后期做分布式方案时会成为瓶颈。

 

2)考虑使用UNION ALL,减少使用UNION,因为UNION ALL不去重,而少了排序操作,速度相对比UNION要快,如果没有去重的需求,优先使用UNION ALL。

 

3)考虑使用limit N,少用limit M,N,特别是大表或M比较大的时候。

 

4)减少或避免排序,如:group by语句中如果不需要排序,可以增加order by null。

 

5)统计表中记录数时使用COUNT(*),而不是COUNT(primary_key)和COUNT(1);InnoDB表避免使用COUNT(*)操作,计数统计实时要求较强可以使用Memcache或者Redis,非实时统计可以使用单独统计表,定时更新。

 

6)做字段变更操作(modify column/change column)的时候必须加上原有的注释属性,否则修改后,注释会丢失。

 

7)使用prepared statement可以提高性能并且避免SQL注入。

 

8)SQL语句中IN包含的值不应过多。

 

9)UPDATE、DELETE语句一定要有明确的WHERE条件。

 

10)WHERE条件中的字段值需要符合该字段的数据类型,避免MySQL进行隐式类型转化。

 

11)SELECT、INSERT语句必须显式的指明字段名称,禁止使用SELECT * 或是INSERT INTO table_name values()。

 

12)INSERT语句使用batch提交(INSERT INTO table_name VALUES(),(),()……),values的个数不应过多。

 

优化设计方案二:业务层优化

 

业务层优化应该是收益最高的优化方式了,而且对于业务层完全可见,主要有业务拆分,数据拆分和两类常见的优化场景(读多写少,读少写多)

 

1、业务拆分

 

  • 将混合业务拆分为独立业务

  • 将状态和历史数据分离

 

业务拆分其实是把一个混合的业务剥离成为更加清晰的独立业务,这样业务1,业务2。。。独立的业务使得业务总量依旧很大,但是每个部分都是相对独立的,可靠性依然有保证。

 

对于状态和历史数据分离,我可以举一个例子来说明。

 

例如:我们有一张表Account,假设用户余额为100。

 

我们需要在发生数据变更后,能够追溯数据变更的历史信息,如果对账户更新状态数据,增加100的余额,这样余额为200。

 

这个过程可能对应一条update语句,一条insert语句。

 

对此我们可以改造为两个不同的数据源,account和account_hist

在account_hist中就会是两条insert记录,如下:

 

而在account中则是一条update语句,如下:

 

这也是一种很基础的冷热分离,可以大大减少维护的复杂度,提高业务响应效率。

 

2、数据拆分

 

1)按照日期拆分,这种使用方式比较普遍,尤其是按照日期维度的拆分,其实在程序层面的改动很小,但是扩展性方面的收益很大。

 

  • 数据按照日期维度拆分,如test_20191021

  • 数据按照周月为维度拆分,如test_201910

  • 数据按照季度,年维度拆分,如test_2019

 

2)采用分区模式,分区模式也是常见的使用方式,采用hash,range等方式会多一些,在MySQL中我是不大建议使用分区表的使用方式,因为随着存储容量的增长,数据虽然做了垂直拆分,但是归根结底,数据其实难以实现水平扩展,在MySQL中是有更好的扩展方式。

 

3)读多写少优化场景

 

采用缓存,采用Redis技术,将读请求打在缓存层面,这样可以大大降低MySQL层面的热点数据查询压力。

 

4)读少写多优化场景,可以采用三步走:

 

① 采用异步提交模式,异步对于应用层来说最直观的就是性能的提升,产生最少的同步等待。

 

② 使用队列技术,大量的写请求可以通过队列的方式来进行扩展,实现批量的数据写入。

 

③ 降低写入频率,这个比较难理解,我举个例子。对于业务数据,比如积分类,相比于金额来说业务优先级略低的场景,如果数据的更新过于频繁,可以适度调整数据更新的范围(比如从原来的每分钟调整为10分钟)来减少更新的频率。

 

例如:更新状态数据,积分为200,如下图所示:

 

可以改造为,如下图所示:

 

如果业务数据在短时间内更新过于频繁,比如1分钟更新100次,积分从100到10000,则可以根据时间频率批量提交。

例如:更新状态数据,积分为100,如下图所示。

 

无需生成100个事务(200条SQL语句)可以改造为2条SQL语句,如下图所示。

 

对于业务指标,比如更新频率细节信息,可以根据具体业务场景来讨论决定。

 

优化设计方案三:架构层优化

 

架构层优化其实就是我们认为的那种技术含量很高的工作,我们需要根据业务场景在架构层面引入一些新的花样来。

 

1、系统水平扩展场景

 

1)采用中间件技术,可以实现数据路由,水平扩展,常见的中间件有MyCAT,ShardingSphere,ProxySQL等。

 

2)采用读写分离技术,这是针对读需求的扩展,更侧重于状态表,在允许一定延迟的情况下,可以采用多副本的模式实现读需求的水平扩展,也可以采用中间件来实现,如MyCAT,ProxySQL,MaxScale,MySQL Router等。

 

3)采用负载均衡技术,常见的有LVS技术或者基于域名服务的Consul技术等。

 

2、兼顾OLTP+OLAP的业务场景,可以采用NewSQL,优先兼容MySQL协议的HTAP技术栈,如TiDB。

 

3、离线统计的业务场景,有几类方案可供选择

 

1)采用NoSQL体系,主要有两类,一类是适合兼容MySQL协议的数据仓库体系,常见的有Infobright或者ColumnStore,另外一类是基于列式存储,属于异构方向,如HBase技术。

 

2) 采用数仓体系,基于MPP架构,如使用Greenplum统计,如T+1统计。

 

优化设计方案四:数据库优化

 

数据库优化,其实可打的牌也不少,但是相对来说空间没有那么大了,我们来逐个说一下。

 

1、事务优化

 

根据业务场景选择事务模型,是否是强事务依赖,对于事务降维策略,我们来举出几个小例子来。

 

 降维策略1:存储过程调用转换为透明的SQL调用

 

对于新业务而言,使用存储过程显然不是一个好主意,MySQL的存储过程和其他商业数据库相比,功能和性能都有待验证,而且在目前轻量化的业务处理中,存储过程的处理方式太“重”了。

 

有些应用架构看起来是按照分布式部署的,但在数据库层的调用方式是基于存储过程,因为存储过程封装了大量的逻辑,难以调试,而且移植性不高,这样业务逻辑和性能压力都在数据库层面了,使得数据库层很容易成为瓶颈,而且难以实现真正的分布式。

 

所以有一个明确的改进方向就是对于存储过程的改造,把它改造为SQL调用的方式,可以极大地提高业务的处理效率,在数据库的接口调用上足够简单而且清晰可控。

 

降维策略2:DDL操作转换为DML操作

 

有些业务经常会有一种紧急需求,总是需要给一个表添加字段,搞得DBA和业务同学都挺累,可以想象一个表有上百个字段,而且基本都是name1,name2……name100,这种设计本身就是有问题的,更不用考虑性能了。究其原因,是因为业务的需求动态变化,比如一个游戏装备有20个属性,可能过了一个月之后就增加到了40个属性,这样一来,所有的装备都有40个属性,不管用没用到,而且这种方式也存在诸多的冗余。

 

我们在设计规范里面也提到了一些设计的基本要素,在这些基础上需要补充的是,保持有限的字段,如果要实现这些功能的扩展,其实完全可以通过配置化的方式来实现,比如把一些动态添加的字段转换为一些配置信息。配置信息可以通过DML的方式进行修改和补充,对于数据入口也可以更加动态、易扩展。

 

降维策略3:Delete操作转换为高效操作

 

有些业务需要定期来清理一些周期性数据,比如表里的数据只保留一个月,那么超出时间范围的数据就要清理掉了,而如果表的量级比较大的情况下,这种Delete操作的代价实在太高,我们可以有两类解决方案来把Delete操作转换为更为高效的方式。 

 

第一种是根据业务建立周期表,比如按照月表、周表、日表等维度来设计,这样数据的清理就是一个相对可控而且高效的方式了。 

 

第二种方案是使用MySQL rename的操作方式,比如一张2千万的大表要清理99%的数据,那么需要保留的1%的数据我们可以很快根据条件过滤补录,实现“移形换位”。

 

2、SQL优化

 

其实相对来说需要的极简的设计,很多点都在规范设计里面了,如果遵守规范,八九不离十的问题都会杜绝掉,在此补充几点:

 

1)SQL语句简化,简化是SQL优化的一大利器,因为简单,所以优越。

 

2)尽可能避免或者杜绝多表复杂关联,大表关联是大表处理的噩梦,一旦打开了这个口子,越来越多的需求需要关联,性能优化就没有回头路了,更何况大表关联是MySQL的弱项,尽管Hash Join才推出,不要像掌握了绝对大杀器一样,在商业数据库中早就存在,问题照样层出不穷。

 

3)SQL中尽可能避免反连接,避免半连接,这是优化器做得薄弱的一方面,什么是反连接,半连接?其实比较好理解,举个例子,not in ,not exists就是反连接,in,exists就是半连接,在千万级大表中出现这种问题,性能是几个数量级的差异。 

 

3、索引优化

 

应该是大表优化中需要把握的一个度。

 

1)首先必须有主键,规范设计中第一条就是,此处不接收反驳。

 

2)其次,SQL查询基于索引或者唯一性索引,使得查询模型尽可能简单。

 

3)最后,尽可能杜绝范围数据的查询,范围扫描在千万级大表情况下还是尽可能减少。

 

优化设计方案五:管理优化

 

这部分应该是在所有的解决方案中最容易被忽视的部分了,我放在最后,在此也向运维同事致敬,总是为很多认为本应该正常的问题尽职尽责(背锅)。

 

千万级大表的数据清理一般来说是比较耗时的,在此建议在设计中需要完善冷热数据分离的策略,可能听起来比较拗口,我来举一个例子,把大表的Drop 操作转换为可逆的DDL操作。

 

Drop操作是默认提交的,而且是不可逆的,在数据库操作中都是跑路的代名词,MySQL层面目前没有相应的Drop操作恢复功能,除非通过备份来恢复,但是我们可以考虑将Drop操作转换为一种可逆的DDL操作。

 

MySQL中默认每个表有一个对应的ibd文件,其实可以把Drop操作转换为一个rename操作,即把文件从testdb迁移到testdb_arch下面;从权限上来说,testdb_arch是业务不可见的,rename操作可以平滑的实现这个删除功能,如果在一定时间后确认可以清理,则数据清理对于已有的业务流程是不可见的,如下图所示。

 

此外,还有两个额外建议,一个是对于大表变更,尽可能考虑低峰时段的在线变更,比如使用pt-osc工具或者是维护时段的变更,就不再赘述了。

 

最后总结一下,其实就是一句话:

 

千万级大表的优化是根据业务场景,以成本为代价进行优化的,绝对不是孤立的一个层面的优化。

 

>>>>

活动推荐

 

2020年5月29日,北京,Gdevops全球敏捷运维峰会将开启年度首站!重点围绕数据库、智慧运维、Fintech金融科技领域,携手阿里、腾讯、蚂蚁金服、中国银行、平安银行、中邮消费金融、建设银行、农业银行、民生银行、中国联通大数据、浙江移动、新炬网络等技术代表,展望云时代下数据库发展趋势、破解运维转型困局

最新评论
访客 2023年08月20日

230721

访客 2023年08月16日

1、导入Mongo Monitor监控工具表结构(mongo_monitor…

访客 2023年08月04日

上面提到: 在问题描述的架构图中我们可以看到,Click…

访客 2023年07月19日

PMM不香吗?

访客 2023年06月20日

如今看都很棒

活动预告