作者：京东物流 张广治

1 背景

传统的将数据集中存储至单一数据节点的解决方案，在性能和可用性方面已经难于满足海量数据的场景，系统最大的瓶颈在于单个节点读写性能，许多的资源受到单机的限制，例如连接数、网络IO、磁盘IO等，从而导致它的并发能力不高，对于高并发的要求不满足。

每到月初国际财务系统压力巨大，因为月初有大量补全任务，重算、计算任务、账单生成任务、推送集成等都要赶在月初1号完成，显然我们需要一个支持高性能、高并发的方案来解决我们的问题。

2 我们的目标

1. 支持每月接单量一亿以上。
2. 一亿的单量补全，计算，生成账单在24小时内完成（支持前面说的月初大数据量计算的场景）

3 数据分配规则

现实世界中，每一个资源都有其提供服务能力的上限，当某一个资源达到最大上限后就无法及时处理溢出的需求，这样就需要使用多个资源同时提供服务来满足大量的任务。当使用了多个资源来提供服务时，最为关键的是如何让每一个资源比较均匀的承担压力，而不至于其中的某些资源压力过大，所以分配规则就变得非常重要。

制定分配规则：要根据查询和存储的场景，一般按照类型、时间、城市、区域等作为分片键。

财务系统的租户以业务线为单位，缺点为拆分的粒度太大，不能实现打散数据的目的，所以不适合做为分片键，事件定义作为分片键，缺点是非常不均匀，目前2C进口清关，一个事件，每月有一千多万数据，鲲鹏的事件，每月单量很少，如果按照事件定义拆分，会导致数据极度倾斜。

目前最适合作为分片键的就是时间，因为系统中计算，账单，汇总，都是基于时间的，所以时间非常适合做分片键，适合使用月、周、作为Range的周期。目前使用的就是时间分区，但只按照时间分区显然已经不能满足我们的需求了。

经过筛选，理论上最适合的分区键就剩下时间和收付款对象了。

最终我们决定使用收付款对象分库，时间作为表分区。

数据拆分前结构（图一）：

数据水平拆分后结构（图二）：

分配规则

(payer.toUpperCase()+"_"+payee.toUpperCase()).hashCode().abs()%128

收款对象大写加分隔符加付款对象大写，取HASH值的绝对值模分库数量

重要：payer和payee字母统一大写，因为大小写不统一，会导致HASH值不一致，最终导致路由到不同的库。

4 读写分离一主多从

4.1ShardingSphere对读写分离的解释

对于同一时刻有大量并发读操作和较少写操作类型的数据来说，将数据库拆分为主库和从库，主库负责处理事务性的增删改操作，从库负责处理查询操作，能够有效的避免由数据更新导致的行锁，使得整个系统的查询性能得到极大的改善。

通过一主多从的配置方式，可以将查询请求均匀的分散到多个数据副本，能够进一步的提升系统的处理能力。 使用多主多从的方式，不但能够提升系统的吞吐量，还能够提升系统的可用性，可以达到在任何一个数据库宕机，甚至磁盘物理损坏的情况下仍然不影响系统的正常运行。

把数据量大的大表进行数据分片，其余大量并发读操作且写入小的数据进行读写分离，如**（图三）**：

左侧为主从结构，右侧为数据分片

4.2 读写分离+数据分片实战

当我们实际使用sharding进行读写分离+数据分片时遇到了一个很大的问题，官网文档中的实现方式只适合分库和从库在一起时的场景如**（图四）**

而我们的场景为**（图三）**所示，从库和分库时彻底分开的，参考官网的实现方法如下：

https://shardingsphere.apache.org/document/4.1.1/cn/manual/sharding-jdbc/configuration/config-spring-boot/#%E6%95%B0%E6%8D%AE%E5%88%86%E7%89%87--%E8%AF%BB%E5%86%99%E5%88%86%E7%A6%BB

官网给出的读写分离+数据分片方案不能配置
spring.shardingsphere.sharding.default-data-source-name默认数据源，如果配置了，所有读操作将全部指向主库，无法达到读写分离的目的。

当我们困扰在读从库的查询会被轮询到分库中，我们实际的场景从库和分库是分离的，分库中根本就不存在从库中的表。此问题困扰了我近两天的时间，我阅读源码发现
spring.shardingsphere.sharding.default-data-source-name可以被赋值一个DataNodeGroup，不仅仅支持配置datasourceName，sharding源码如下图：

由此
spring.shardingsphere.sharding.default-data-source-name配置为读写分离的groupname1，问题解决

从库和分库不在一起的场景下，读写分离+数据分配的配置如下：

#数据源名称
spring.shardingsphere.datasource.names= defaultmaster,ds0,ds1,ds2,ds3,ds4,ds5,ds6,ds7,ds8,ds9,ds10,ds11,ds12,ds13,ds14,ds15,ds16,ds17,ds18,ds19,ds20,ds21,ds22,ds23,ds24,ds25,ds26,ds27,ds28,ds29,ds30,ds31,slave0,slave1
#未配置分片规则的表将通过默认数据源定位，注意值必须配置为读写分离的分组名称groupname1
spring.shardingsphere.sharding.default-data-source-name=groupname1
#主库
spring.shardingsphere.datasource.defaultmaster.jdbc-url=jdbc:mysql:
spring.shardingsphere.datasource.defaultmaster.type= com.zaxxer.hikari.HikariDataSource
spring.shardingsphere.datasource.defaultmaster.driver-class-name= com.mysql.jdbc.Driver
#分库ds0
spring.shardingsphere.datasource.ds0.jdbc-url=jdbc:mysql:
spring.shardingsphere.datasource.ds0.type= com.zaxxer.hikari.HikariDataSource
spring.shardingsphere.datasource.ds0.driver-class-name= com.mysql.jdbc.Driver
#从库slave0
spring.shardingsphere.datasource.slave0.jdbc-url=jdbc:mysql:
spring.shardingsphere.datasource.slave0.type= com.zaxxer.hikari.HikariDataSource
spring.shardingsphere.datasource.slave0.driver-class-name= com.mysql.jdbc.Driver
#从库slave1
spring.shardingsphere.datasource.slave1.jdbc-url=jdbc:mysql:
spring.shardingsphere.datasource.slave1.type= com.zaxxer.hikari.HikariDataSource
spring.shardingsphere.datasource.slave1.driver-class-name= com.mysql.jdbc.Driver


#由数据源名 + 表名组成，以小数点分隔。多个表以逗号分隔，支持inline表达式。缺省表示使用已知数据源与逻辑表名称生成数据节点，用于广播表（即每个库中都需要一个同样的表用于关联查询，多为字典表）或只分库不分表且所有库的表结构完全一致的情况
spring.shardingsphere.sharding.tables.incident_ar.actual-data-nodes=ds$->{0..127}.incident_ar
#行表达式分片策略 分库策略，缺省表示使用默认分库策略
spring.shardingsphere.sharding.tables.incident_ar.database-strategy.inline.sharding-column= dept_no
#分片算法行表达式，需符合groovy语法
spring.shardingsphere.sharding.tables.incident_ar.database-strategy.inline.algorithm-expression=ds$->{dept_no.toUpperCase().hashCode().abs() % 128}
#读写分离配置
spring.shardingsphere.sharding.master-slave-rules.groupname1.master-data-source-name=defaultmaster
spring.shardingsphere.sharding.master-slave-rules.groupname1.slave-data-source-names[0]=slave0
spring.shardingsphere.sharding.master-slave-rules.groupname1.slave-data-source-names[1]=slave1
spring.shardingsphere.sharding.master-slave-rules.groupname1.load-balance-algorithm-type=round_robin

可以看到读操作可以被均匀的路由到slave0、slave1中，分片的读会被分配到ds0，ds1中如下图:

4.3 实现自己的读写分离负载均衡算法

Sharding提供了SPI形式的接口
org.apache.shardingsphere.spi.masterslave.MasterSlaveLoadBalanceAlgorithm实现读写分离多个从的具体负载均衡规则，代码如下：

import lombok.Getter;
import lombok.RequiredArgsConstructor;
import lombok.Setter;
import org.apache.shardingsphere.spi.masterslave.MasterSlaveLoadBalanceAlgorithm;
import org.springframework.stereotype.Component;
import java.util.List;
import java.util.Properties;


@Component
@Getter
@Setter
@RequiredArgsConstructor
public final class LoadAlgorithm implements MasterSlaveLoadBalanceAlgorithm {


    private Properties properties = new Properties();


    @Override
    public String getType() {return "loadBalance";}


    @Override
    public String getDataSource(final String name, final String masterDataSourceName, final List<String> slaveDataSourceNames) {
        //自己的负载均衡规则
        return slaveDataSourceNames.get(0);
    

RoundRobinMasterSlaveLoadBalanceAlgorithm 实现为所有从轮询负载
RandomMasterSlaveLoadBalanceAlgorithm 实现为所有从随机负载均衡

4.4 关于某些场景下必须读主库的解决方案

某些场景比如分布式场景下写入马上读取的场景，可以使用hint方式进行强制读取主库，Sharding源码使用ThreadLocal实现强制路由标记。

下面封装了一个注解可以直接使用，代码如下：

@Documented
@Target({ElementType.METHOD})
@Retention(RetentionPolicy.RUNTIME)
public @interface SeekMaster {
}


import lombok.extern.slf4j.Slf4j;
import org.apache.shardingsphere.api.hint.HintManager;
import org.aspectj.lang.ProceedingJoinPoint;
import org.aspectj.lang.annotation.Around;
import org.aspectj.lang.annotation.Aspect;
import org.springframework.stereotype.Component;
/**
 * ShardingSphere >读写分离自定义注解>用于实现读写分离时>需要强制读主库的场景（注解实现类）
 *
 * @author zhangguangzhi1
 **/
@Slf4j
@Aspect
@Component
public class SeekMasterAnnotation {
    
    @Around("@annotation(seekMaster)")
    public Object doInterceptor(ProceedingJoinPoint joinPoint, SeekMaster seekMaster) throws Throwable {


        Object object = null;
        Throwable t = null;
        try {
            HintManager.getInstance().setMasterRouteOnly();
            log.info("强制查询主库");


            object = joinPoint.proceed();


        } catch (Throwable throwable) {
            t = throwable;
        } finally {


            HintManager.clear();


            if (t != null) {
                throw t;
            }
        }
        return object;
  

使用时方法上打SeekMaster注解即可，方法下的所有读操作将自动路由到主库中，方法外的所有查询还是读取从库，如下图：

4.5 关于官网对读写分离描述不够明确的补充说明

版本4.1.1

经实践补充说明为：

同一线程且同一数据库连接且一个事务中，如有写入操作，以后的读操作均从主库读取，只限存在写入的表，没有写入的表，事务中的查询会继续路由至从库中，用于保证数据一致性。

5 关于分库的JOIN操作

方法1

使用default-data-source-name配置默认库，即没有配置数据分片策略的表都会使用默认库。默认库中表禁止与拆分表进行JOIN操作，此处需要做一些改造，目前系统有一些JOIN操作。（推荐使用此方法）

方法2

使用全局表，广播表，让128个库中冗余基础库中的表，并实时改变。

方法3

分库表中冗余需要JOIN表中的字段，可以解决JOIN问题，此方案单个表字段会增加。

6 分布式事务

6.1 XA事务管理器参数配置

XA是由X/Open组织提出的分布式事务的规范。 XA规范主要定义了(全局)事务管理器(TM)和(局 部)资源管理器(RM)之间的接口。主流的关系型 数据库产品都是实现了XA接口的。

分段提交

XA需要两阶段提交: prepare 和 commit.

第一阶段为 准备（prepare）阶段。即所有的参与者准备执行事务并锁住需要的资源。参与者ready时，向transaction manager报告已准备就绪。

第二阶段为提交阶段（commit）。当transaction manager确认所有参与者都ready后，向所有参与者发送commit命令。

ShardingSphere默认的XA事务管理器为Atomikos，在项目的logs目录中会生成xa_tx.log, 这是XA崩溃恢复时所需的日志，请勿删除。

6.2 BASE柔性事务管理器（SEATA-AT配置）

Seata是一款开源的分布式事务解决方案，提供简单易用的分布式事务服务。随着业务的快速发展，应用单体架构暴露出代码可维护性差，容错率低，测试难度大，敏捷交付能力差等诸多问题，微服务应运而生。微服务的诞生一方面解决了上述问题，但是另一方面却引入新的问题，其中主要问题之一就是如何保证微服务间的业务数据一致性。Seata 注册配置服务中心均使用 Nacos。Seata 0.2.1+ 开始支持 Nacos 注册配置服务中心。

1. 按照seata-work-shop中的步骤，下载并启动seata server。
2. 在每一个分片数据库实例中执创建undo_log表（以MySQL为例）

CREATE TABLE IF NOT EXISTS `undo_log`
(
  `id`            BIGINT(20)   NOT NULL AUTO_INCREMENT COMMENT 'increment id',
  `branch_id`     BIGINT(20)   NOT NULL COMMENT 'branch transaction id',
  `xid`           VARCHAR(100) NOT NULL COMMENT 'global transaction id',
  `context`       VARCHAR(128) NOT NULL COMMENT 'undo_log context,such as serialization',
  `rollback_info` LONGBLOB     NOT NULL COMMENT 'rollback info',
  `log_status`    INT(11)      NOT NULL COMMENT '0:normal status,1:defense status',
  `log_created`   DATETIME     NOT NULL COMMENT 'create datetime',
  `log_modified`  DATETIME     NOT NULL COMMENT 'modify datetime',
  PRIMARY KEY (`id`),
  UNIQUE KEY `ux_undo_log` (`xid`, `branch_id`)
) ENGINE = InnoDB
  AUTO_INCREMENT = 1
  DEFAULT CHARSET = utf8 COMMENT ='AT transaction mode undo table';

3.在classpath中增加seata.conf

client {
    application.id = example    ## 应用唯一id
    transaction.service.group = my_test_tx_group   ## 所属事务组
}

6.3 Sharding-Jdbc默认提供弱XA事务

官方说明：

完全支持非跨库事务，例如：仅分表，或分库但是路由的结果在单库中。

完全支持因逻辑异常导致的跨库事务。例如：同一事务中，跨两个库更新。更新完毕后，抛出空指针，则两个库的内容都能回滚。

不支持因网络、硬件异常导致的跨库事务。例如：同一事务中，跨两个库更新，更新完毕后、未提交之前，第一个库死机，则只有第二个库数据提交。

6.4 分布式事务场景

1.保存场景

推荐使用第三种弱XA事务，尽量设计时避免跨库事务，目前设计为事件和事件数据为同库（分库时，将一个线索号的事件和事件数据HASH进入同一个分库），尽量避免跨库事务。

事件和计费结果本身设计为异步，非同一事务，所以事件和对应的结果不涉及跨库事务。

保存多个计费结果，每次保存都属于一个事件，一个事件的计费结果都属于一个收付款对象，天然同库。

弱XA事务的性能最佳。

2.更新场景

对一些根据ID IN的更新场景，根据收付款对象分组执行，可以避免在所有分库执行更新。

3.删除场景

无，目前都是逻辑删除，实际为更新。

7 总结

1.推荐使用Sharding-Sphere进行分库，分表可以考虑使用MYSQL分区表，对于研发来讲完全是透明的，可以规避JOIN\分布式事务等问题。（分区表需要为分区键+ID建立了一个联合索引）MYSQL分区得到了大量的实践印证，没有BUG，包括我在新计费初期，一直坚持推动使用的分表方案，不会引起一些难以发现的问题，在同库同磁盘下性能与分表相当。

2.对于同一时刻有大量并发读操作和较少写操作类型的数据来说，适合使用读写分离，增加多个读库，缓解主库压力，要注意的是必须读主库的场景使用SeekMaster注解来实现。

3.数据分库选择合适的分片键非常重要，要根据业务需求选择好分库键，尽力避免数据倾斜，数据不均匀是目前数据拆分的一个共同问题，不可能实现数据的完全均匀；当查询条件没有分库键时会遍历所有分库，查询尽量带上分库键。

4.在我们使用中间件时，不要只看官网解释，要多做测试，用实际来验证，有的时候官网解释话术可能存在歧义或表达不够全面的地方，分析源码和实际测试可以清晰的获得想要的结果。