1 文章概述

在業(yè)務(wù)發(fā)展初期單表完全可以滿足業(yè)務(wù)需求，在阿里巴巴開發(fā)手冊也建議：單表行數(shù)超過500萬行或者單表容量超過2GB才推薦進(jìn)行分庫分表，如果預(yù)計(jì)三年后數(shù)據(jù)量根本達(dá)不到這個級別，請不要在創(chuàng)建表時就分庫分表。

但是隨著業(yè)務(wù)的發(fā)展和深入，單表數(shù)據(jù)量不斷增加，逐漸成為業(yè)務(wù)系統(tǒng)的瓶頸。這是為什么呢？

從宏觀層面分析任何物體都必然有其物理極限。1965年英特爾創(chuàng)始人摩爾預(yù)測：集成電路上可容納的元器件的數(shù)目，約每隔24個月增加一倍，性能提升一倍，即計(jì)算機(jī)性能每兩年翻一番。

但是摩爾定律會有終點(diǎn)嗎？有些科學(xué)家認(rèn)為摩爾定律是有終點(diǎn)的：半導(dǎo)體芯片單位面積可集成的元件數(shù)量是有極限的，因?yàn)榘雽?dǎo)體芯片制程工藝的物理極限為2到3納米。當(dāng)然也有科學(xué)家不支持這種說法，但是我們可以從中看出物理極限是很難突破的，當(dāng)單表數(shù)據(jù)量達(dá)到一定規(guī)模時必然也達(dá)到極限。

從細(xì)節(jié)層面分析我們將數(shù)據(jù)保存在數(shù)據(jù)庫，實(shí)際上是保存在磁盤中，一次磁盤IO操作需要經(jīng)歷尋道、旋轉(zhuǎn)延時、數(shù)據(jù)傳輸三個步驟，那么一次磁盤IO耗時公式如下：

單次IO時間 = 尋道時間 + 旋轉(zhuǎn)延遲 + 傳送時間

總體來說上述操作都較為耗時，速度和內(nèi)存相比有著數(shù)量級的差距，當(dāng)數(shù)據(jù)量過大磁盤這一瓶頸更加明顯。那么應(yīng)該怎么辦？處理單表數(shù)據(jù)量過大有以下六字口訣：刪、換、分、拆、異、熱。

刪是指刪除歷史數(shù)據(jù)并進(jìn)行歸檔。換是指不要只使用數(shù)據(jù)庫資源，有些數(shù)據(jù)可以存儲至其它替代資源。分是指讀寫分離，增加多個讀實(shí)例應(yīng)對讀多寫少的互聯(lián)網(wǎng)場景。拆是指分庫分表，將數(shù)據(jù)分散至不同的庫表中減輕壓力。異指數(shù)據(jù)異構(gòu)，將一份數(shù)據(jù)根據(jù)不同業(yè)務(wù)需求保存多份。熱是指熱點(diǎn)數(shù)據(jù)，這是一個非常值得注意的問題。

2 刪

我們分析這樣一個場景：消費(fèi)者會經(jīng)常查詢一年之前的訂單記錄嗎？答案是一般不會，或者說這種查詢需求量很小。

根據(jù)上述分析那么一年前的數(shù)據(jù)我們就沒有必要放在單表這張業(yè)務(wù)主表，可以將一年前的數(shù)據(jù)遷移到歷史歸檔表。

在查詢歷史數(shù)據(jù)表時，可以限制查詢條件如必須選擇日期范圍，日期范圍不能超過X個月等等從而減輕查詢壓力。

處理歷史存量數(shù)據(jù)比較簡單，因?yàn)榇媪繑?shù)據(jù)一般是靜態(tài)的，此時狀態(tài)已經(jīng)不再改變了。數(shù)據(jù)處理一般分為以下兩個步驟：

(1) 遷移一年前數(shù)據(jù)至歷史歸檔表
(2) 根據(jù)主鍵分批刪除主表數(shù)據(jù)

不能一次性刪除所有數(shù)據(jù)，因?yàn)閿?shù)據(jù)量太大可能會引發(fā)超時，而是應(yīng)該根據(jù)ID分批刪除，例如每次刪除500條數(shù)據(jù)。

第一步查詢一年前主鍵最大值和最小值，這是我們需要刪除的數(shù)據(jù)范圍：

select
MIN(id) AS minId, 
MAX(id) AS maxId 
from biz_table 
where create_time < DATE_SUB(now(),INTERVAL 1 YEAR)

第二步刪除數(shù)據(jù)時不能一次性全部刪掉，因?yàn)楹芸赡軙瑫r，我們可以通過代碼動態(tài)更新endId進(jìn)行批量刪除：

delete from biz_table 
where id >= #{minId}
AND id <= #{maxId}
AND id <= #{endId}
LIMIT 500

3 換

換是指換一個存儲介質(zhì)，當(dāng)然并不是說完全替換，而是用其它存儲介質(zhì)對數(shù)據(jù)庫做一個補(bǔ)充。例如海量流水記錄，這類數(shù)據(jù)量級是巨量的，根本不適合存儲在MySQL數(shù)據(jù)庫中，那么這些數(shù)據(jù)可以存在哪里呢？

現(xiàn)在互聯(lián)網(wǎng)公司一般都具備與之規(guī)模相對應(yīng)的大數(shù)據(jù)服務(wù)或者平臺，那么作為業(yè)務(wù)開發(fā)者要善于應(yīng)用公司大數(shù)據(jù)能力，減輕業(yè)務(wù)數(shù)據(jù)庫壓力。

3.1 消息隊(duì)列

這些海量數(shù)據(jù)可以存儲至Kafka，因?yàn)槠浔举|(zhì)上就是分布式的流數(shù)據(jù)存儲系統(tǒng)。使用Kafka有如下優(yōu)點(diǎn)：

第一個優(yōu)點(diǎn)是Kafka社區(qū)活躍功能強(qiáng)大，已經(jīng)成為了一種事實(shí)上的工業(yè)標(biāo)準(zhǔn)。大數(shù)據(jù)很多組件都提供了Kafka接入組件，經(jīng)過生產(chǎn)驗(yàn)證并且對接成本較小，可以為下游業(yè)務(wù)提供更多選擇。

第二個優(yōu)點(diǎn)是Kafka具有消息隊(duì)列本身的優(yōu)點(diǎn)例如解耦、異步和削峰。

假設(shè)這些海量數(shù)據(jù)都已經(jīng)存儲在Kafka，現(xiàn)在我們希望這些數(shù)據(jù)可以產(chǎn)生業(yè)務(wù)價值，這涉及到兩種數(shù)據(jù)分析任務(wù)：離線任務(wù)和實(shí)時任務(wù)。

離線任務(wù)對實(shí)時性要求不高，例如每天、每周、每月的數(shù)據(jù)報(bào)表統(tǒng)計(jì)分析，我們可以使用基于MapReduce數(shù)據(jù)倉庫工具Hive進(jìn)行報(bào)表統(tǒng)計(jì)。

實(shí)時任務(wù)對實(shí)時性要求高，例如根據(jù)用戶相關(guān)行為推薦用戶感興趣的商品，提高用戶購買體驗(yàn)和效率，可以使用Flink進(jìn)行流處理分析。例如運(yùn)營后臺查詢分析，可以將數(shù)據(jù)同步至ES進(jìn)行檢索。

還有一種分類方式是將任務(wù)分為批處理任務(wù)和流處理任務(wù)，我們可以這么理解：離線任務(wù)一般使用批處理技術(shù)，實(shí)時任務(wù)一般使用流處理技術(shù)。

3.2 API

上一個章節(jié)我們使用了Kafka進(jìn)行海量數(shù)據(jù)存儲，由于其強(qiáng)大兼容性和集成度，可以作為數(shù)據(jù)中介將數(shù)據(jù)進(jìn)行中轉(zhuǎn)和解耦。

當(dāng)然我們并不是必須使用Kafka進(jìn)行中轉(zhuǎn)，例如我們直接可以使用相關(guān)Java API將數(shù)據(jù)存入Hive、ES、HBASE等。

但是我并不推薦這種做法，因?yàn)閷⒈４媪魉@樣操作耦合進(jìn)業(yè)務(wù)代碼并不合適，違反了高內(nèi)聚低耦合的原則，盡量不要使用。

3.3 緩存

從廣義上理解換這個字，我們還可以引入Redis遠(yuǎn)程緩存，把Redis放在MySQL前面，攔下一些高頻讀請求，但是要注意緩存穿透和擊穿問題。

緩存穿透和擊穿從最終結(jié)果上來說都是流量繞過緩存打到了數(shù)據(jù)庫，可能會導(dǎo)致數(shù)據(jù)庫掛掉或者系統(tǒng)雪崩，但是仔細(xì)區(qū)分還是有一些不同，我們分析一張業(yè)務(wù)讀取緩存流程圖。

我們用文字簡要描述這張圖：

(1) 業(yè)務(wù)查詢數(shù)據(jù)時首先查詢緩存，如果緩存存在數(shù)據(jù)則返回，流程結(jié)束

(2) 如果緩存不存在數(shù)據(jù)則查詢數(shù)據(jù)庫，如果數(shù)據(jù)庫不存在數(shù)據(jù)則返回空數(shù)據(jù)，流程結(jié)束

(3) 如果數(shù)據(jù)庫存在數(shù)據(jù)則將數(shù)據(jù)寫入緩存并返回?cái)?shù)據(jù)給業(yè)務(wù)，流程結(jié)束

假設(shè)業(yè)務(wù)方要查詢A數(shù)據(jù)，緩存穿透是指數(shù)據(jù)庫根本不存在A數(shù)據(jù)，所以根本沒有數(shù)據(jù)可以寫入緩存，導(dǎo)致緩存層失去意義，大量請求會頻繁訪問數(shù)據(jù)庫。

緩存擊穿是指請求在查詢數(shù)據(jù)庫前，首先查緩存看看是否存在，這是沒有問題的。但是并發(fā)量太大，導(dǎo)致第一個請求還沒有來得及將數(shù)據(jù)寫入緩存，后續(xù)大量請求已經(jīng)開始訪問緩存，這是數(shù)據(jù)在緩存中還是不存在的，所以瞬時大量請求會打到數(shù)據(jù)庫。

我們可以使用分布式鎖加上自旋解決這個問題，本文給出一段示例代碼，具體原理請參看我之前的一篇文章：緩存穿透與擊穿問題解決方案

/**
 * 業(yè)務(wù)回調(diào)
 *
 * @author 微信公眾號「JAVA前線」
 *
 */
public interface RedisBizCall {

    /**
     * 業(yè)務(wù)回調(diào)方法
     *
     * @return 序列化后數(shù)據(jù)值
     */
    String call();
}

/**
 * 安全緩存管理器
 *
 * @author 微信公眾號「JAVA前線」
 *
 */
@Service
public class SafeRedisManager {
    @Resource
    private RedisClient RedisClient;
    @Resource
    private RedisLockManager redisLockManager;

    public String getDataSafe(String key, int lockExpireSeconds, int dataExpireSeconds, RedisBizCall bizCall, boolean alwaysRetry) {
        boolean getLockSuccess = false;
        try {
            while(true) {
                String value = redisClient.get(key);
                if (StringUtils.isNotEmpty(value)) {
                    return value;
                }
                /** 競爭分布式鎖 **/
                if (getLockSuccess = redisLockManager.tryLock(key, lockExpireSeconds)) {
                    value = redisClient.get(key);
                    if (StringUtils.isNotEmpty(value)) {
                        return value;
                    }
                    /** 查詢數(shù)據(jù)庫 **/
                    value = bizCall.call();

                    /** 數(shù)據(jù)庫無數(shù)據(jù)則返回**/
                    if (StringUtils.isEmpty(value)) {
                        return null;
                    }

                    /** 數(shù)據(jù)存入緩存 **/
                    redisClient.setex(key, dataExpireSeconds, value);
                    return value;
                } else {
                    if (!alwaysRetry) {
                        logger.warn("競爭分布式鎖失敗,key={}", key);
                        return null;
                    }
                    Thread.sleep(100L);
                    logger.warn("嘗試重新獲取數(shù)據(jù),key={}", key);
                }
            }
        } catch (Exception ex) {
            logger.error("getDistributeSafeError", ex);
            return null;
        } finally {
            if (getLockSuccess) {
                redisLockManager.unLock(key);
            }
        }
    }
}

4 分

我們首先看一個概念：讀寫比。互聯(lián)網(wǎng)場景中一般是讀多寫少，例如瀏覽20次訂單列表信息才會進(jìn)行1次確認(rèn)收貨，此時讀寫比例就是20:1。面對讀多寫少這種情況我們可以做什么呢？

我們可以部署多臺MySQL讀庫專門用來接收讀請求，主庫接收寫請求并通過binlog實(shí)時同步的方式將數(shù)據(jù)同步至讀庫。MySQL官方即提供這種能力，進(jìn)行簡單配置即可。

那么客戶端怎么知道訪問讀庫還是寫庫呢？推薦使用ShardingSphere組件，通過配置將讀寫請求分別路由至讀庫或者寫庫。

5 拆

如果刪除了歷史數(shù)據(jù)并采用了其它存儲介質(zhì)，也用了讀寫分離，但是單表壓力還是太大怎么辦？這時我們只能拆分?jǐn)?shù)據(jù)表，即把單庫單表數(shù)據(jù)遷移到多庫多張表中。

假設(shè)有一個電商數(shù)據(jù)庫存放訂單、商品、支付三張業(yè)務(wù)表。隨著業(yè)務(wù)量越來越大，這三張業(yè)務(wù)數(shù)據(jù)表也越來越大，我們就以這個例子進(jìn)行分析。

5.1 垂直拆分

垂直拆分就是按照業(yè)務(wù)拆分，我們將電商數(shù)據(jù)庫拆分成三個庫，訂單庫、商品庫。支付庫，訂單表在訂單庫，商品表在商品庫，支付表在支付庫。這樣每個庫只需要存儲本業(yè)務(wù)數(shù)據(jù)，物理隔離不會互相影響。

5.2 水平拆分

按照垂直拆分方案，現(xiàn)在我們已經(jīng)有三個庫了，平穩(wěn)運(yùn)行了一段時間。但是隨著業(yè)務(wù)增長，每個單庫單表的數(shù)據(jù)量也越來越大，逐漸到達(dá)瓶頸。

這時我們就要對數(shù)據(jù)表進(jìn)行水平拆分，所謂水平拆分就是根據(jù)某種規(guī)則將單庫單表數(shù)據(jù)分散到多庫多表，從而減小單庫單表的壓力。

水平拆分策略有很多方案，最重要的一點(diǎn)是選好ShardingKey，也就是按照哪一列進(jìn)行拆分，怎么分取決于我們訪問數(shù)據(jù)的方式。

5.2.1 范圍分片

現(xiàn)在我們要對訂單庫進(jìn)行水平拆分，我們選擇的ShardingKey是訂單創(chuàng)建時間，拆分策略如下：

(1) 拆分為四個數(shù)據(jù)庫，分別存儲每個季度的數(shù)據(jù)
(2) 每個庫三張表，分別存儲每個月的數(shù)據(jù)

上述方法優(yōu)點(diǎn)是對范圍查詢比較友好，例如我們需要統(tǒng)計(jì)第一季度的相關(guān)數(shù)據(jù)，查詢條件直接輸入時間范圍即可。

但是這個方案問題是容易產(chǎn)生熱點(diǎn)數(shù)據(jù)。例如雙11當(dāng)天下單量特別大，就會導(dǎo)致11月這張表數(shù)據(jù)量特別大從而造成訪問壓力。

5.2.2 查表分片

查表法是根據(jù)一張路由表決定ShardingKey路由到哪一張表，每次路由時首先到路由表里查到分片信息，再到這個分片去取數(shù)據(jù)。

我們分析一個查表法實(shí)際案例。Redis官方在3.0版本之后提供了集群方案Redis Cluster，其中引入了哈希槽（slot）這個概念。

一個集群固定有16384個槽，在集群初始化時這些槽會平均分配到Redis集群節(jié)點(diǎn)上。每個key請求最終落到哪個槽計(jì)算公式是固定的：

SLOT = CRC16(key) mod 16384

那么問題來了：一個key請求過來怎么知道去哪臺Redis節(jié)點(diǎn)獲取數(shù)據(jù)？這就要用到查表法思想。

(1) 客戶端連接任意一臺Redis節(jié)點(diǎn)，假設(shè)隨機(jī)訪問到為節(jié)點(diǎn)A

(2) 節(jié)點(diǎn)A根據(jù)key計(jì)算出slot值

(3) 每個節(jié)點(diǎn)都維護(hù)著slot和節(jié)點(diǎn)映射關(guān)系表

(4) 如果節(jié)點(diǎn)A查表發(fā)現(xiàn)該slot在本節(jié)點(diǎn)則直接返回?cái)?shù)據(jù)給客戶端

(5) 如果節(jié)點(diǎn)A查表發(fā)現(xiàn)該slot不在本節(jié)點(diǎn)則返回給客戶端一個重定向命令，告訴客戶端應(yīng)該去哪個節(jié)點(diǎn)上請求這個key的數(shù)據(jù)

(6) 客戶端再向正確節(jié)點(diǎn)發(fā)起連接請求

查表法優(yōu)點(diǎn)是可以靈活制定路由策略，如果我們發(fā)現(xiàn)有的分片已經(jīng)成為熱點(diǎn)則修改路由策略。缺點(diǎn)是多一次查詢路由表操作增加耗時，而且路由表如果是單點(diǎn)也可能會有單點(diǎn)問題。

5.2.3 哈希分片

現(xiàn)在比較流行的分片方法是哈希分片，相較于范圍分片，哈希分片可以較為均勻?qū)?shù)據(jù)分散在數(shù)據(jù)庫中。我們現(xiàn)在將訂單庫拆分為4個庫編號為[0,3]，每個庫4張表編號為[0,3]，如下圖如所示：

我們現(xiàn)在使用orderId作為ShardingKey，那么orderId=100的訂單會保存在哪張表？我們來計(jì)算一下：由于是分庫分表，首先確定路由到哪一個庫，取模計(jì)算得到序號為0表示路由到db[0]

db_index = 100 % 4 = 0

庫確定了接著在db[0]進(jìn)行取模表路由

table_index = 100 % 4 = 0

最終這條數(shù)據(jù)應(yīng)該路由至下表

db[0]_table[0]

最終計(jì)算結(jié)果如下圖所示：

在實(shí)際開發(fā)中最終路由到哪張表，并不需要我們自己算，因?yàn)橛性S多開源框架就可以完成路由功能，例如ShardingSphere、TDDL等等。

6 異

現(xiàn)在數(shù)據(jù)已經(jīng)使用哈希分片方法完成了水平拆分，我們選擇的ShardingKey是orderId。這時客戶端需要查詢orderId=111的數(shù)據(jù)，查詢語句很簡單如下：

select * from order where orderId = 111

這個語句沒有問題，因?yàn)椴樵儣l件包含orderId，可以路由到具體的數(shù)據(jù)表。

現(xiàn)在如果業(yè)務(wù)想要查詢用戶維度的數(shù)據(jù)，希望查詢userId=222的數(shù)據(jù)，現(xiàn)在問題來了：以下這個語句可以查出數(shù)據(jù)嗎？

select * from order where userId = 222

答案是可以，但是需要掃描所有庫的所有表，因?yàn)闊o法根據(jù)userId路由到具體某一張表，這樣時間成本會非常高，這種場景怎么辦呢？

這就要用到數(shù)據(jù)異構(gòu)的思想。數(shù)據(jù)異構(gòu)核心是用空間換時間，簡單一句話就是一份數(shù)據(jù)按照不同業(yè)務(wù)需求保存多份，這樣做是因?yàn)榇鎯τ布杀静皇呛芨撸ヂ?lián)網(wǎng)場景對響應(yīng)速度要求很高。

對于上述需要使用userId進(jìn)行查詢的場景，我們完全可以新建庫和表，數(shù)量和結(jié)構(gòu)與訂單庫表完全一致，唯一不同點(diǎn)是ShardingKey改用userId，這樣就可以使用userId查詢了。

現(xiàn)在又引出一個新問題，業(yè)務(wù)不可能每次都將數(shù)據(jù)寫入多個數(shù)據(jù)源，這樣會帶來性能問題和數(shù)據(jù)一致行為。怎么解決老庫和新庫數(shù)據(jù)同步問題？我們可以使用阿里開源的canal組件解決這個問題，看一張官網(wǎng)介紹canal架構(gòu)圖：

canal組件的主要用途是基于MySQL數(shù)據(jù)庫增量日志解析，提供增量數(shù)據(jù)訂閱和消費(fèi)服務(wù)，工作原理如下：

(1) canal偽裝成為MySQL slave模擬交互協(xié)議向master發(fā)送dump協(xié)議

(2) master收到canal發(fā)送的dump請求，開始推送binlog給canal

(3) canal解析binlog并發(fā)送到存儲目的地，例如MySQL、Kafka、Elasticsearch

canal組件下游可以對接很多其它數(shù)據(jù)源，這樣給業(yè)務(wù)提供了更多選擇。我們可以像上述實(shí)例中新建用戶維度訂單表，也可以將數(shù)據(jù)存在ES中提供運(yùn)營檢索能力等等。

7 熱

我們來分析這樣一個場景：社交業(yè)務(wù)有一張用戶關(guān)系表，主要記錄誰關(guān)注了誰。其中有一個明星粉絲特別多，如果以userId作為分片，那么其所在分片數(shù)據(jù)量就會特別大。

不僅分片數(shù)據(jù)量特別大，而且可以預(yù)見這個分片訪問頻率也會非常高。此時數(shù)據(jù)量大并且訪問頻繁，很有可能造成系統(tǒng)壓力。

7.1 熱點(diǎn)概念

我們將訪問行為稱為熱點(diǎn)行為，將訪問對應(yīng)的數(shù)據(jù)稱為熱點(diǎn)數(shù)據(jù)。我們通過實(shí)例來分析。

在電商雙11活動中百分之八十的訪問量會集中在百分之二十的商品上。用戶刷新、添加購物車、下單被稱為熱點(diǎn)行為，相應(yīng)商品數(shù)據(jù)就被稱為熱點(diǎn)數(shù)據(jù)。

在微博場景中大V發(fā)布一條消息會獲得大量訪問。用戶對這條消息的瀏覽、點(diǎn)贊、轉(zhuǎn)發(fā)、評論被稱為熱點(diǎn)行為，這條消息數(shù)據(jù)被稱為熱點(diǎn)數(shù)據(jù)。

在秒殺場景中參與秒殺的商品會獲得極大的瞬時訪問量。用戶對這個商品的頻繁刷新、點(diǎn)擊、下單被稱為熱點(diǎn)行為，參與秒殺的商品數(shù)據(jù)被稱為熱點(diǎn)數(shù)據(jù)。

我們必須將熱點(diǎn)數(shù)據(jù)進(jìn)行一些處理，使得熱點(diǎn)訪問更加流暢，更是為了保護(hù)系統(tǒng)免于崩潰。我們從發(fā)現(xiàn)熱點(diǎn)數(shù)據(jù)、處理熱點(diǎn)數(shù)據(jù)來展開分析。

7.2 發(fā)現(xiàn)熱點(diǎn)數(shù)據(jù)

我們把發(fā)現(xiàn)熱點(diǎn)數(shù)據(jù)分為兩種方式：靜態(tài)發(fā)現(xiàn)和動態(tài)發(fā)現(xiàn)。

靜態(tài)發(fā)現(xiàn)：在開始秒殺活動之前，參與商家一定知道哪些商品參與秒殺，那么他們可以提前將這些商品報(bào)備告知平臺。

在微博場景中，具有影響力的大V一般都很知名，網(wǎng)站運(yùn)營同學(xué)可以提前知道。技術(shù)同學(xué)還可以通過分析歷史數(shù)據(jù)找出TOP N數(shù)據(jù)。對于這些可以提前預(yù)判的數(shù)據(jù)，完全可以通過后臺系統(tǒng)上報(bào)，這樣系統(tǒng)可以提前做出預(yù)處理。

動態(tài)發(fā)現(xiàn)：有些商品可能并沒有上報(bào)為熱點(diǎn)商品，但是在實(shí)際銷售中卻非常搶手。在微博場景中，有些話題熱度突然升溫。這些數(shù)據(jù)成為事實(shí)上的熱點(diǎn)數(shù)據(jù)。對于這些無法提前預(yù)判的數(shù)據(jù)，需要動態(tài)進(jìn)行判斷。

我們需要一個熱點(diǎn)發(fā)現(xiàn)系統(tǒng)去主動發(fā)現(xiàn)熱點(diǎn)數(shù)據(jù)。大體思路是首先異步收集訪問日志，再統(tǒng)計(jì)單位時間內(nèi)訪問頻次，當(dāng)超過一定閾值時可以判斷為熱點(diǎn)數(shù)據(jù)。

7.3 處理熱點(diǎn)問題

(1) 熱點(diǎn)行為

熱點(diǎn)行為可以采取高頻檢測方式，如果發(fā)現(xiàn)頻率過高則進(jìn)行限制。或者采用內(nèi)存隊(duì)列實(shí)現(xiàn)的生產(chǎn)者與消費(fèi)者這種異步化方式，消費(fèi)者根據(jù)能力處理請求。

(2) 熱點(diǎn)數(shù)據(jù)

處理熱點(diǎn)數(shù)據(jù)核心主要是根據(jù)業(yè)務(wù)形態(tài)來進(jìn)行處理，我一般采用以下方案配合執(zhí)行：

(1) 選擇合適ShardingKey進(jìn)行分庫分表
 
(2) 異構(gòu)數(shù)據(jù)至其它適合檢索的數(shù)據(jù)源例如ES

(3) 在MySQL之前設(shè)置緩存層

(4) 盡量不在MySQL進(jìn)行耗時操作（例如聚合）

8 文章總結(jié)

本文我們詳細(xì)介紹處理單表數(shù)據(jù)量過大的六字口訣：刪、換、分、拆、異、熱。

這并不是意味這每次遇到單表數(shù)據(jù)量過大情況六種方案全部都要使用，例如拆分?jǐn)?shù)據(jù)表成本確實(shí)比較高，會帶來分布式事務(wù)、數(shù)據(jù)難以聚合等問題，如果不分表可以解決那么就不要分表，核心還是根據(jù)自身業(yè)務(wù)情況選擇合適的方案。