本文主要是介绍分页分库问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
分页身影多如狗
当你使用淘宝、京东购物的时候,是否浏览到某一个地方,网页突然重新加载等待了一番?
当你晚上躲在小被窝看小说的时候, 是否有时候你需要下拉刷新一把, 有的小说只需要按个箭头跳到下一个章节?
没错儿,这就是随处可见的分页技术!
这些场景对应的产品推荐表、帖子表、标签等都是分页信息拉取技术问题范围,其特点就是:
需要访问的消息量太大了,如果一次都给你,那只能让你feel到等女友化妆出门的感觉;
聪明的猿哥哥帮你想了个办法,他不会一次性把所有消息都给你,你只需稍等片刻就可以先看到一些猿哥哥觉得你比较关注的东西,如果觉得不够,就再给你一些,也有可能你厌烦了猿哥哥的消息,悻悻而去
换成SQL语言,可以这么表达一下:
select * from T order by ID limit X, Y
select * from T order by ID limit Y offset X
使用ID字段建立一个排序索引,然后获取跳过X条数据获取接下来的Y条数据
但真正到业务上实现的时候也许更加复杂:
- 可能对time对排序开销非常大,不得不减小一次排序的记录数(实际上就又牵扯到分库问题)
- 有些数据库或者搜索引擎可能会提前为ID字段索引
- 甚至有些系统可能会为已经索引好的信息内容进行预加载(缓存到内存)
- …
分库问题遍地走
简单业务或数据了较小的业务表可能大概一般不需要关注分库问题,但在大型互联网架构平台上,为了应对复杂的庞大的数据冲击以及访问体验, 单单提供更强劲的硬件是不行的(也收获不大),往往要对数据处理逻辑在设计上做出优化。
例如,庞大的数据量进行水平切分,按照一定的逻辑分不到不同的数据库或其他存储载体中去。
提到分库,逃不开“分库依据”(partition key)这个概念,大部分的业务场景,都会选择业务 主键id来处理这个问题。
这就涉及到了分库算法,大部分的做法就是使用id来做取模或者hash来保证数据均匀的分布到不同的存储载体中去。
还是SQL的例子:
select * from T order by ID limit Y offset X
分库之后,这个问题发生了变化,因为ID被hash到不同的库表中去了,利用ID进行全局数据的查询就失去了视野。
比如,我们有一些数据,暂且嘉定为:(1,2,3,4,5,6,7,8)
现在我们要取出2,3这两个数据,只需要limit 1,2就行了
现在假设按2取模分成了两段数据:(1,3,5,7)、(2,4,6,8)
(1,3,5,7)=> limit 1,2 =>(3,5)
(2,4,6,8)=> limit 1,2 =>(4,6)
然后内存合并排序后取前两个的到了(3,4),不是我们想要的结果,有人说了,你不能仍然简单的在分表中使用limit 1,2了。
是的,那这个问题就麻烦一些了,我是否应该先limit 0, 1+2呢?
(1,3,5,7)=> limit 0,3 =>(1,3,5)
(2,4,6,8)=> limit 0,3 =>(2,4,6)
然后内存中合并使用limit 1,2的到了(3,4),这样倒是满足了。
也就是说:每个库都必须返回 X+Y 个数据,所得到的 M*(X+Y) 在服务层进行内存排序,然后再取总的偏移量X后的Y条记录。
但再想一想,如果我们的数据量仍然比较大,(1,2,…10亿)
而我们可能需要的到10亿-1这个数所在的页,资源消耗是不是很大呢?
我们也可以看看业界对这个问题都是怎么考虑的
关于如何解决这个问题,业界一般有下列几种方案。
1. 全局视野法
也就是我们上面讨论的方法。
服务层通过id取模将数据分布到两个库上去之后,每个数据库都失去了全局视野,数据按照某个partition id局部排序之后,不管哪个分库的第n页数据,都不一定是全局排序的第n页数据。极端情况下,甚至所有的结果数据只来自某一个库;也有可能两个库的数据分布及其不均衡,一些结果数据来自第一个库的后半段,而另一些数据来自另一个库的前半段。
由于不清楚到底是哪种情况,所以必须每个库都返回n页数据,所得到的2n页数据在服务层进行内存排序,得到数据全局视野,再取第n页数据,便能够得到想要的全局分页数据。
再总结一下这个方案的步骤:
- 将order by partition-id offset X limit Y,改写成order by time offset 0 limit X+Y
- 服务层将改写后的SQL语句发往各个分库:即例子中的各取n页数据
- 假设共分为N个库,服务层将得到n*(X+Y)条数据:即例子中的2n页数据
- 服务层对得到的n*(X+Y)条数据进行内存排序,内存排序后再取偏移量X后的Y条记录,就是全局视野所需的一页数据
方案优势:
通过服务层修改SQL语句,扩大数据召回量,能够得到全局视野,业务无损,精准返回所需数据。
方案缺点:
- 每个分库需要返回更多的数据,占用网络带宽
- 需要服务层的计算
- 这个算法随着页码的增大(即X的增大),性能平方级下降。
2. 业务折衷法
“全局视野法”虽然性能较差,但其业务无损,数据精准,不失为一种方案,有没有性能更优的方案呢?
“任何脱离业务的架构设计都是耍流氓”,技术方案需要折衷,在技术难度较大的情况下,业务需求的折衷能够极大的简化技术方案。
- 业务折衷1: 禁止跳页查询
只能查第一页,如果想要得到的数据不在两个分表的第一页,那就算了…
个人感觉神经大条的想法,但可能在某些场景也很实用, 比如限定查找销量排名前5的商品, 其他的不需要看;也可能根据需要最多再多指定一些页面, 比如我通过谷歌浏览器查找某个信息, 当查到第三个页的时候还没有看到想要的信息,那我就不再看了。
- 业务折衷2: 允许数据精度损失
“全局视野法”能够返回业务无损的精确数据,在查询页数较大,例如第100页时,会有性能问题,此时业务上是否能够接受,返回的100页不是精准的数据,而允许有一些数据偏差呢?
数据库分库-数据均衡原理
使用patition key进行分库,在数据量较大,数据分布足够随机的情况下,各分库所有非patition key属性,在各个分库上的数据分布,统计概率情况是一致的。
例如,在uid随机的情况下,使用uid取模分两库,db0和db1:
性别属性,如果db0库上的男性用户占比70%,则db1上男性用户占比也应为70%
年龄属性,如果db0库上18-28岁少女用户比例占比15%,则db1上少女用户比例也应为15%
时间属性,如果db0库上每天10:00之前登录的用户占比为20%,则db1上应该是相同的统计规律
利用这一原理,要查询全局100页数据,offset 9900 limit 100改写为offset 4950 limit 50,每个分库偏移4950(一半),获取50条数据(半页),得到的数据集的并集,基本能够认为,是全局数据的offset 9900 limit 100的数据,当然,这一页数据的精度,并不是精准的。
根据实际业务经验,用户都要查询第100页网页、帖子、邮件的数据了,这一页数据的精准性损失,业务上往往是可以接受的,但此时技术方案的复杂度便大大降低了,既不需要返回更多的数据,也不需要进行服务内存排序了。
这种情况下,只能limit 0, x;
3. 二次查询法-推荐
假设一页只有5条数据
假设原始表T的数据按照PID分成了3个分库
假设要查询第200个页面, 也就是原有序表的offset为995的数据
步骤:
- 查询改写: 将select * from T order by PID offset 995 limit 5 改写为 select * from T order by offset ceil(995/3)=332 limit 5
- 找出3个子序列页面数据的最小值, 假设分别为100234、112121、101546, 再找到这3个子序列最小值的最小值100234
- 找到3个子序列页面数据的最大值, 假设分别为114567、123465、119987
- 查询二次改写: 第二次要改写成一个between语句,between的起点是100234,between的终点各个分库页面的最大值
即:
对于第1个分库(5条数据): select * from T order by offset 100234 and 114567
对于第1个分库(10条数据):: select * from T order by offset 100234 and 123465
对于第2个分库(7条数据): select * from T order by offset 100234 and 119987
即:
相对于第一次查询, 第二次查询的条件放宽了, 故第二次查询会比第一次查询返回更多的分页数据 - 在每个新的分页结果中虚拟一个PID-min记录(也就是100234), 找到它在全局的offset
例如:
对于第1个分库: 假设100234在第一个库的offset是332
对于第2个分库: 假设100234在第一个库的offset是328
对于第3个分库: 假设100234在第一个库的offset是330
综上: 100234在全局的offset就是332+328+330=990 - 既然100234在全局的offset为990, 也就是相当于有了全局视野, 根据第二次的分页结果集合, 计算排序就能得到全局offset=995的一页记录
优点: 可以精确的返回业务所需数据, 每次返回的数据量都非常小, 不会随着翻页增加数据的返回量
不足: 需要进行两次查询, 但这个对于深度翻页的时候效果基本上一定是优于全局视野法的
4. 标记缓存法
这种方法对于业务来说可能就比较死板了, 不能根据要求去事实的改变查询策略, 也就是所谓的打标签法, 一个标签记录了一个页面数据或几个页面数据的存储地址, 找到了这个标签, 只能取回这个标签内对应的内容。
实际上就是一切都是提前安排好的, 严格来说, 可能不属于分页查询技术的范畴, 只是看起来像罢了。。
参考:
https://www.cnblogs.com/fanguangdexiaoyuer/p/10859940.html
https://segmentfault.com/a/1190000013225860?utm_source=tag-newest
这篇关于分页分库问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!