【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

如果各位看官的 SQL 数据库真有 2W+ 高并发，那真是要恭喜你。你已经比很多公司的 MIS 都要前卫得多。

2W 和 2K 差别有那么大吗?

嗯，真是有的。2K 并发的 MIS 系统也经常有无法访问，timeout 的异常，处理这些异常已经够很多朋友苦恼的了。2W+ 的并发那需要懂的知识框架就更复杂了。

笔者曾服务了 500W+ 用户的电商系统，7*24 小时的噩梦再也不想见。

前几年在一家拥有 500 多万直销顾问的团队做电商平台。平时的流量很平稳，基本都在千把，月底拼业绩才会冲一冲，来个 1W+ 的并发。

大部分的数据库开发人员在日常中还是没心没肺没压力的。但电商系统有个惯例，都是淘宝带出来的，会搞促销，类似于双 11. 一到这时间段，必须随时警惕流量是不是井喷，一旦跨越红线，系统就跟前期的 12306 一样，频频延迟。

随着 DBA 组的介入，才慢慢搞定这难题。本文的初衷也来自于这段经历的总结。

一、单实例数据库应用

这种应用架构最简单，UI + 应用服务器 + 数据库服务器，所有的请求，无论读写都直接抛给数据库。

往往项目初期，为了迅速的证明自己的点子靠谱，拿到市场，我们会选择这样的架构来实现产品。此时往往 10 万用户注册了，但每天访问的人数刚过 200，每张数据库表的总数，最大也不会超过 5000 条。

这样的应用，开发能力强的，1 个人就可以搞定，业务复杂的需要分前端和后端。

但无论如何都属于基础项目，如果你工作 3，4 了还是停留在这种模式下，那该补补课了。

事物总是在发展之中的，只要系统正常运行，总有一天用户量会加大，随之而来的请求会超乎你的想象(前提你是做了 pv, uv 的数据分析)，很快这种架构会遇到用户超过 100 万，日访问量超过 20 万，峰值并发 2 万，而数据库的表会趋近于亿级的量。

此时应用系统如果还是建立在当初的硬件基础上(比如 16GB，16 核，240GB 硬盘)应该会明显感觉得到拖卡慢的尴尬，增多的是用户的抱怨和投诉。

就像 12306 前期的购票一样，往往轮到你的时候，票没了。

二、多实例数据库

遇到流量起来的应用，如果压力确定是在数据库上了，那么分库是必然的事情了。

将一个大库拆成若干小库，保持数据库对象都一致，这样每个小库分摊掉一部分流量，应用终将回归第一种简单架构上来，将用户服务好。

以现在的硬件服务 4000 个并发，对于不复杂的商用没有问题。具体能负责多少看系统上线后的 baseline (基线)监测，这里我们假定 4000 并发。所以分成 5 个相同的库，来做分库。这样同时写入 4000 并发够用。

这里会遇到一个技术细节，就是分库路由。

如何将流量均摊到每个库里，是需要研制算法的。比如已知全国用户分布均衡，即华东、华北、华西、华南和华中，各有 4000 用户。

我们依据地理位置分成 5 个库，根据用户身份证哈希成 5 个散列值，分别对应了这 5 台数据库，用户就被分流了。

只要用户不是剧烈增长，老板也满意这种小而美的生意，这样的架构可以一直沿用下去。基本不会有瓶颈。顶多就是时间长了，表数据越来越大了，我们用分库的思想进行分表就可以了。

当前年份(月份)数据放在主表里面，而历史数据就归档到聚合表里;或者索性每月，每年分成子表存储，而跨时间段的查询用视图来控制。

但用户的行为始终是不可控的，我么必须做一系列的事情来满足和留住用户。比如促销、打折、团购等等。

这个时候，用户的行为不仅仅是下个单买杯咖啡这么简单了。他们会大量查询他们的数据，带来的是读请求远远大于写入请求。

众所周知，读请求即使不影响写入请求(比如 MVVC)，但也会耗尽服务器的 CPU\IO\Network 资源。那么我们必须更进入一层，读写分离。

三、读写分离

读写分离是另一种分库，但与前面的分库意图不一样。分出来的库和源库一模一样，且只读不接收用户的写入请求。实现细节每个数据库都不一样，也可以使用实时同步工具做，详情可以参考《Designing Data-Intensive Applications》这本书。不仅仅给出了指导思想，更有每种数据库的读写分离组件指南。