本文主要内容是如何使用全局索引与CO_HASH分区算法（CO_HASH），实现高效的多维度查询。

淘宝订单号中的秘密

有一个很有趣的事情。

打开你的淘宝客户端或者PC端的淘宝，点开订单列表，打开几个订单，查看他们的订单号，你会发现什么？

比如这是我最近的3个订单，和10年前的3个订单。其订单号分别是：

1249511065364414810
1238822988656414810
1236446127134414810
103698817404810
107655289504810
103719620094810

也许你会惊奇的发现，订单号的后几位好像是一样的。比如我的账号，从10年前到今天，订单号的后四位一直是4810，那么为什么？这个其实和使用分布式数据库的一个最佳实践相关。

经典的买卖家例子

好多年前就流传着淘宝买卖家的案例...

淘宝中有一个非常重要的表，订单表，他里面存着订单的一些关键信息，例如订单号（order_id）、卖家id（seller_id）、买家id（buyer_id）、商品id等等。有两类查询是这个表上的高频查询：

select * from orders where buyer_id = ?
select * from orders where seller_id = ?

这两个SQL的业务含义一目了然，分别是买家查询自己的订单列表和卖家查询自己的订单列表。

如果我们在单机数据库中做这两条SQL，都知道怎么做。嗯，在buyer_id和seller_id上分别建个建索引就可以了：

create index idx_buyer_id on orders (buyer_id);
create index idx_seller_id on orders (seller_id);

在数据库中，空间换时间是一个非常基本的思路，例如加索引。

如果你是用一些分库分表中间件，例如MyCAT之类的产品，对这个表做了分库分表，就需要面临一个跟单机数据库完全不一样的一个问题，该如何选择分库分表键？

一般此类中间件都会告诉你，你哪个列查的最多，就选哪个列做拆分键。

但问题来了，这两类SQL都很高频，选了buyer_id做分库分表键，那按seller_id查就会全库全表扫描；如果按seller_id做分库分表键，那按buyer_id查就会全库全表扫描。

难道鱼和熊掌不可兼得？

一般解决这类的问题的方案是，使用两套订单表，其中一套使用buyer_id做分库分表建，另一套使用seller_id做分库分表键，中间使用binlog来做同步，类似下面的样子：

这个方案是OK的，能够落地的，只不过做的过程会有些小痛苦要解决，例如：

1、这个同步怎么搞啊...，用开源的binlog订阅组件比如canal吗？那这个canal怎么运维啊...好烦
2、这个同步是有延迟的，延迟代表了数据死不一致的，应用需要有一些容错机制来避免不一致带来的影响，好烦+1
3、需要在业务里自己控制应该访问哪个表，好烦+2
4、分库分表下面有很多的mysql，要同时同步这么多的mysql...，好烦+3
5、做DDL要有些技巧，比如加列先加目标端，减列先减源端...，很多的潜规则，好烦+4
6、这才是一张表呢！我有一堆类似的场景怎么办！！好烦+10086

我们先不管这些缺点，假设我们已经这样做到了，我们成功的解决了买卖家订单问题。

买卖家问题进阶

我们现在又有了一个新的要考虑的SQL：

select * from orders where order_id = ?

这个SQL作用太简单了，根据订单id查订单详情嘛！

为了做这个SQL，单机里给order_id建索引即可，分库分表应该怎么做？

抢答一个！把订单表再复制一份，使用order_id做分库分表键。

听起来可以，应该能解决问题。但是，这个表多复制一份，就是多一份的代价，比如空间，比如同步链路的维护。所以，有没有更好的方法？

我们能关注到一个事情，订单id，是由我们程序控制生成的。在生成订单的时候，我们一定知道它的买家id，假如我们将买家id隐藏在订单id里，有了订单id就能算出买家id，有了买家id就可以去查买家维度的订单表了。

这样，我们还是只需要存两份数据（买家维度和卖家维度），就能同时解决三个维度的查询（买家维度、卖家维度、订单维度）。

所以现在应该明白了，为什么同一个人的淘宝订单后4位是相同的了吧。

小花絮：

我发现我11年7月10的订单号还是4810结尾，但11年6月28号及之前的订单并没有遵循这个规律。呃...这说明，淘宝应该是在11年的6.28-7.10之间做了这个优化。

PolarDB-X中如何实现

OK，回到我们的云原生分布式数据库PolarDB-X。

如果我们在PolarDB-X中要解决上述买卖家问题，应该怎么做？

答案是，我们只需执行以下几条SQL即可：

jcreate database ms1 mode=auto;
use ms1;
create table orders(
    order_id varchar(128) primary key,
    buyer_id varchar(128),
    seller_id varchar(128),
    index idx_buyer_id(buyer_id),
    index idx_seller_id(seller_id)
)partition by hash(order_id);
create clustered index gsi_buyer_id on orders (buyer_id) partition by hash(buyer_id);
create clustered index gsi_seller_id on orders (seller_id) partition by hash(seller_id);

然后？没有然后了啊，这就可以了。

真的可以了，你不用改SQL，不用研究Canal（其实canal作者就坐我旁边，要考虑下来玩玩吗），不用维护同步链路，不用担心数据不一致，就O！K！了！

至于按订单id查？订单id本来就是orders的主键，默认就是orders表的分区键，所以没问题的。

这么简单就OK了？为什么？

PolarDB-X中的全局索引

这两条语句发生了什么？实际上，他们在orders表上，创建了两条全局索引。全局索引和单机索引的原理差不多，也是空间换时间的思想，只不过它的数据以索引的key分布在整个集群中。

全局索引的创建、维护，都在PolarDB-X内核中完成的，完全不需要用户去操心。

有一个小问题，建索引的语句里面，有个clustered关键字，这是什么意思？

我们先看，如果不加clustered，会发生什么，例如：

jcreate global index gsi_buyer_id on orders (buyer_id) partition by hash(buyer_id);

主表：

PolarDB-X会定义这样的一个索引结构：

这个索引中，会包含索引的key以及主键两个列，也即order_id与buyer_id。

PolarDB-X在执行select * from orders where buyer_id = ? 的时候，会先根据buyer_id在索引idx_buyer_id上扫描出order_id，再使用order_id到主表上进行回表操作。

听起来好像没有什么问题。

但是，有一点需要考虑。请打开你的订单列表，看一下，你有多少订单：

呃...，我有126页订单，数了下，每页15个，也就是大约1800个订单。

淘宝的订单表的分区数大约是数千这个量级，你会发现，这1800个订单的回表，要覆盖相当比例的分区，似乎跟全表扫描的代价没有什么太大的差异了。

怎么办？

我们为什么要回表？其是是因为，我们的查询是SELECT *，需要这个表所有的列，而我们的索引里只包含了索引key和主键，因此需要到主表中找到剩下的列。

所以为了不回表，我们想到的一个办法，是在索引表中冗余主表的所有列，用更多的时间来换取空间。

所以，一个合格的分布式数据库，不仅需要有全局索引，还需要有聚簇的（clustered）全局索引。

Clustered index就是PolarDB-X中的概念，它相对于普通的全局索引的区别就是，它包含了表的所有列，可以避免回表的代价。

PolarDB-X中的CO_HASH

如果如上文所说，订单ID的后四位与买家ID的后四位相同，如何使用PolarDB-X实现此类路由逻辑呢。

PolarDB-X提供了名为CO_HASH的分区算法，可以完成这个功能：

jcreate database ms1 mode=auto;
use ms1;
create table orders(
    order_id varchar(128) primary key,
    buyer_id varchar(128),
    seller_id varchar(128),
    index idx_buyer_id(buyer_id),
    index idx_seller_id(seller_id)
)partition by co_hash(right(order_id,4), right(buyer_id,4));

create clustered index gsi_seller_id on orders (seller_id) partition by hash(seller_id);

select * from orders where buyer_id=?   //主表
select * from orders where order_id=?   //主表
select * from orders where seller_id=?   //gsi_seller_id

通过使用CO_HASH，可以省略掉buyer_id上的全局索引。

CO_HASH的更多用法参考：如何使用DDL语句创建分区表

CO_HASH的核心理念是：

• 有些信息来源用户的输入，例如用户系统的手机号、邮箱，订单系统中的buyer_id、seller_id；
• 有些信息是由“业务系统”生成的，例如用户系统中的user_id，订单系统中的order_id。

我们有时可以通过控制“业务系统”的生成逻辑，将其生成的内容与用户的输入关联起来，来达到降维的目的。

例如：

• user_id中可以携带手机号的某几位，或者携带邮箱的hash值的某几位；
• order_id可以携带seller_id，或者buyer_id的某几位。

CO_HASH是一种非常有用的小技巧，合理使用可以有效的减少GSI的数目。

但CO_HASH也不是万能的，它只能减少两种存在关联的维度中的一维，如果完全不存在关联，就必须使用GSI了。

小结

OK，总结几条这个例子告诉我们的PolarDB-X的最佳实践：

1、使用全局索引来解决类似买卖家问题的多维度查询的问题
2、当索引与主表是一对多的关系的时候，考虑使用clustered index来消灭回表的代价
3、对订单ID等做巧妙的设计，结合CO_HASH，可以省略部分全局索引。

怎么样，PolarDB-X用起来是不是非常简单，欢迎持续关注我们。

原文链接

本文为阿里云原创内容，未经允许不得转载。