基于shardingJDBC数据分片笔记

前言

数据分片 。。。 降低单个数据库节点压力、和处理大量数据的方案
其中 拆分方案 分为 单独的垂直分片、水平分片 和垂直、水平混合分片
数据分片之后 + 读写分离 基本上解决大多数数据的容量、性能问题 对于现在的项目基本上都是可以支撑起来
最近在看sharding share 的jdbc组件 也能很快速的实现 数据分片

垂直分片(单独分库)

  • 优点: 缓解一定情况下的数据量和单个数据库节点的压力
  • 缺点: 没有解决单表数据量大的问题 、无法跨库连表查询

垂直分片 可以说是解决同库多张表的数据量过大的优化 最简单快速的方案
因为大多数情况下 只需要多个数据源定好访问规则就行 不涉及分表
但是有上限 例如单表数据超过极限 例如mysql 百万级别数据 postgres 千万级别数据 这个时候 sql执行就会相对来说比较慢

shardingJDBC 垂直分片示例

分片方案:
staff表 -> ds0
api_consuming_log -> ds1
其他表 分配到ds0 上

为了加深印象 采用java配置模式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
package com.ming.base.config;

import com.zaxxer.hikari.HikariDataSource;
import org.apache.shardingsphere.api.config.sharding.KeyGeneratorConfiguration;
import org.apache.shardingsphere.api.config.sharding.ShardingRuleConfiguration;
import org.apache.shardingsphere.api.config.sharding.TableRuleConfiguration;
import org.apache.shardingsphere.shardingjdbc.api.ShardingDataSourceFactory;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.context.annotation.Primary;

import javax.sql.DataSource;
import java.sql.SQLException;
import java.util.HashMap;
import java.util.Map;
import java.util.Properties;

/**
* sharding jdbc 垂直分片配置
* ds0 -> staff
* ds1 -> api_consuming_log
* <p>
* 定制 表的rule config 来路由规则 达到垂直分片
* staff -> ds0.staff
* api_consuming_log -> ds1.api_consuming_log
* <p>
* 参考文档: https://shardingsphere.apache.org/document/current/cn/manual/shardingsphere-jdbc/configuration/config-java/
* </p>
*
* @author ming
* @date 2020-05-20 10:34
*/
@Configuration
public class ShardingJDBCVerticalFragmentationConfig {
/**
* 构建 sharding 数据源
*
* @author ming
* @date 2020-05-20 11:02
*/
@Bean
@Primary
DataSource getShardingDataSource() throws SQLException {
//配置路由规则
ShardingRuleConfiguration shardingRuleConfig = new ShardingRuleConfiguration();
//配置staff 规则
shardingRuleConfig.getTableRuleConfigs().add(getStaffTableRuleConfiguration());
//配置 log 规则
shardingRuleConfig.getTableRuleConfigs().add(getApiConsumingLogTableRuleConfiguration());
//绑定规则的表列表
shardingRuleConfig.getBindingTableGroups().add("staff,api_consuming_log");
//广播表
//shardingRuleConfig.getBroadcastTables().add("t_config");
//设置默认的数据源 、分库策略 和分表策略 只在默认库中操作 不拆分库和表
shardingRuleConfig.setDefaultDataSourceName("ds0");
return ShardingDataSourceFactory.createDataSource(createDataSourceMap(), shardingRuleConfig, new Properties());
}


/**
* 获取通过雪花算法生成id的生成器配置
*
* @author ming
* @date 2020-05-20 11:02
*/
private static KeyGeneratorConfiguration getKeyGeneratorConfiguration() {
KeyGeneratorConfiguration result = new KeyGeneratorConfiguration("SNOWFLAKE", "id");
return result;
}

/**
* 获取staff 表的路由规则配置
*
* @author ming
* @date 2020-05-20 11:03
*/
TableRuleConfiguration getStaffTableRuleConfiguration() {
TableRuleConfiguration result = new TableRuleConfiguration("staff", "ds0.staff");
result.setKeyGeneratorConfig(getKeyGeneratorConfiguration());
return result;
}

/**
* 获取log表的路由规则
*
* @author ming
* @date 2020-05-20 11:03
*/
TableRuleConfiguration getApiConsumingLogTableRuleConfiguration() {
TableRuleConfiguration result = new TableRuleConfiguration("api_consuming_log", "ds1.api_consuming_log");
return result;
}

/**
* 创建数据源map
*
* @author ming
* @date 2020-05-20 11:03
*/
Map<String, DataSource> createDataSourceMap() {
Map<String, DataSource> result = new HashMap<>();
HikariDataSource ds0 = new HikariDataSource();
ds0.setDriverClassName("org.postgresql.Driver");
ds0.setJdbcUrl("jdbc:postgresql://数据库地址/ds0");
ds0.setUsername("postgres");
ds0.setPassword("密码");
result.put("ds0", ds0);

HikariDataSource ds1 = new HikariDataSource();
ds1.setDriverClassName("org.postgresql.Driver");
ds1.setJdbcUrl("jdbc:postgresql://数据库地址/ds1");
ds1.setUsername("postgres");
ds1.setPassword("密码");
result.put("ds1", ds1);
return result;
}
}

水平分片(分库+分表)

  • 优点: 解决单表数据量问题 提升部分功能性能
  • 缺点: 增加多个数据库 需要冗余副本 耗费资源、实际存储表较为分散 、事务难以控制

制定好分片规则 理论上可以大规模扩展

shardingJDBC 水平分片示例

分片方案:
staff 均匀分布在ds0 ds1 中的 staff0 staff1 库
api_consuming_log 分布在ds0 的api_consuming_log0 ds1的api_consuming_log1,api_consuming_log2,api_consuming_log3
其他表 分配到ds0 上

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
package com.ming.base.config;

import com.zaxxer.hikari.HikariDataSource;
import org.apache.shardingsphere.api.config.sharding.KeyGeneratorConfiguration;
import org.apache.shardingsphere.api.config.sharding.ShardingRuleConfiguration;
import org.apache.shardingsphere.api.config.sharding.TableRuleConfiguration;
import org.apache.shardingsphere.shardingjdbc.api.ShardingDataSourceFactory;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.context.annotation.Primary;

import javax.sql.DataSource;
import java.sql.SQLException;
import java.util.HashMap;
import java.util.Map;
import java.util.Properties;

/**
* sharding jdbc 水平分片配置
* staff 均匀分布在ds0 ds1 中的 staff0 staff1 库
* api_consuming_log 分布在ds0 的api_consuming_log0 ds1的api_consuming_log1,api_consuming_log2,api_consuming_log3
*
* @author ming
* @date 2020-05-20 10:34
*/
@Configuration
public class ShardingJDBCLevelFragmentationConfig {
/**
* 构建 sharding 数据源
*
* @author ming
* @date 2020-05-20 11:02
*/
@Bean
@Primary
DataSource getShardingDataSource() throws SQLException {
//配置路由规则
ShardingRuleConfiguration shardingRuleConfig = new ShardingRuleConfiguration();
//配置staff 规则
shardingRuleConfig.getTableRuleConfigs().add(getStaffTableRuleConfiguration());
//配置 log 规则
shardingRuleConfig.getTableRuleConfigs().add(getApiConsumingLogTableRuleConfiguration());
//绑定规则的表列表
shardingRuleConfig.getBindingTableGroups().add("staff,api_consuming_log");
//广播表
//shardingRuleConfig.getBroadcastTables().add("t_config");
//设置默认的数据源 、分库策略 和分表策略 只在默认库中操作 不拆分库和表
shardingRuleConfig.setDefaultDataSourceName("ds0");
return ShardingDataSourceFactory.createDataSource(createDataSourceMap(), shardingRuleConfig, new Properties());
}


/**
* 获取通过雪花算法生成id的生成器配置
*
* @author ming
* @date 2020-05-20 11:02
*/
private static KeyGeneratorConfiguration getKeyGeneratorConfiguration() {
KeyGeneratorConfiguration result = new KeyGeneratorConfiguration("SNOWFLAKE", "id");
return result;
}

/**
* 获取staff 表的路由规则配置
*
* @author ming
* @date 2020-05-20 11:03
*/
TableRuleConfiguration getStaffTableRuleConfiguration() {
TableRuleConfiguration result = new TableRuleConfiguration("staff", "ds${0..1}.staff${0..1}");
result.setKeyGeneratorConfig(getKeyGeneratorConfiguration());
return result;
}

/**
* 获取log表的路由规则
*
* @author ming
* @date 2020-05-20 11:03
*/
TableRuleConfiguration getApiConsumingLogTableRuleConfiguration() {
TableRuleConfiguration result = new TableRuleConfiguration("api_consuming_log", "ds0.api_consuming_log0,ds1.api_consuming_log${1..3}");
return result;
}

/**
* 创建数据源map
*
* @author ming
* @date 2020-05-20 11:03
*/
Map<String, DataSource> createDataSourceMap() {
Map<String, DataSource> result = new HashMap<>();
HikariDataSource ds0 = new HikariDataSource();
ds0.setDriverClassName("org.postgresql.Driver");
ds0.setJdbcUrl("jdbc:postgresql://数据库地址/ds0");
ds0.setUsername("postgres");
ds0.setPassword("密码");
result.put("ds0", ds0);

HikariDataSource ds1 = new HikariDataSource();
ds1.setDriverClassName("org.postgresql.Driver");
ds1.setJdbcUrl("jdbc:postgresql://数据库地址/ds1");
ds1.setUsername("postgres");
ds1.setPassword("密码");
result.put("ds1", ds1);
return result;
}

}

行表达式规则文档: https://shardingsphere.apache.org/document/current/cn/features/sharding/other-features/inline-expression/

数据分片+读写分离

增加一个 masterSlave 配置即可

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
package com.ming.base.config;

import com.google.common.collect.Lists;
import com.google.common.collect.Maps;
import com.zaxxer.hikari.HikariDataSource;
import org.apache.shardingsphere.api.config.masterslave.MasterSlaveRuleConfiguration;
import org.apache.shardingsphere.api.config.sharding.KeyGeneratorConfiguration;
import org.apache.shardingsphere.api.config.sharding.ShardingRuleConfiguration;
import org.apache.shardingsphere.api.config.sharding.TableRuleConfiguration;
import org.apache.shardingsphere.shardingjdbc.api.ShardingDataSourceFactory;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.context.annotation.Primary;

import javax.sql.DataSource;
import java.sql.SQLException;
import java.util.List;
import java.util.Map;
import java.util.Properties;

/**
* sharding jdbc 水平分片配置
* staff 均匀分布在ds0 ds1 中的 staff0 staff1 库
* api_consuming_log 分布在ds0 的api_consuming_log0 ds1的api_consuming_log1,api_consuming_log2,api_consuming_log3
* <p>
* ds0:master0为主节点 master0_slave0 master0_slave1 为从节点
* ds1:master1为主节点 master1_slave0 master1_slave1 为从节点
*
* @author ming
* @date 2020-05-20 10:34
*/
@Configuration
public class ShardingJDBCLevelFragmentationConfig {
/**
* 构建 sharding 数据源
*
* @author ming
* @date 2020-05-20 11:02
*/
@Bean
@Primary
DataSource getShardingDataSource() throws SQLException {
//配置路由规则
ShardingRuleConfiguration shardingRuleConfig = new ShardingRuleConfiguration();
//配置staff 规则
shardingRuleConfig.getTableRuleConfigs().add(getStaffTableRuleConfiguration());
//配置 log 规则
shardingRuleConfig.getTableRuleConfigs().add(getApiConsumingLogTableRuleConfiguration());
//绑定规则的表列表
shardingRuleConfig.getBindingTableGroups().add("staff,api_consuming_log");
//广播表
//shardingRuleConfig.getBroadcastTables().add("t_config");
//设置默认的数据源 、分库策略 和分表策略 只在默认库中操作 不拆分库和表
shardingRuleConfig.setDefaultDataSourceName("ds0");
shardingRuleConfig.setMasterSlaveRuleConfigs(getMasterSlaveRuleConfiguration());
return ShardingDataSourceFactory.createDataSource(createDataSourceMap(), shardingRuleConfig, new Properties());
}

/**
* 获取通过雪花算法生成id的生成器配置
*
* @author ming
* @date 2020-05-20 11:02
*/
private static KeyGeneratorConfiguration getKeyGeneratorConfiguration() {
KeyGeneratorConfiguration result = new KeyGeneratorConfiguration("SNOWFLAKE", "id");
return result;
}

/**
* 获取staff 表的路由规则配置
*
* @author ming
* @date 2020-05-20 11:03
*/
TableRuleConfiguration getStaffTableRuleConfiguration() {
TableRuleConfiguration result = new TableRuleConfiguration("staff", "ds${0..1}.staff${0..1}");
result.setKeyGeneratorConfig(getKeyGeneratorConfiguration());
return result;
}

/**
* 获取log表的路由规则
*
* @author ming
* @date 2020-05-20 11:03
*/
TableRuleConfiguration getApiConsumingLogTableRuleConfiguration() {
TableRuleConfiguration result = new TableRuleConfiguration("api_consuming_log", "ds0.api_consuming_log0,ds1.api_consuming_log${1..3}");
return result;
}


Map<String, DataSource> createDataSourceMap() {
Map<String, DataSource> result = Maps.newHashMap();
// 第0套 主从数据源 :
HikariDataSource masterDs0 = new HikariDataSource();
masterDs0.setDriverClassName("org.postgresql.Driver");
masterDs0.setJdbcUrl("jdbc:postgresql://数据库地址/ds0");
masterDs0.setUsername("postgres");
masterDs0.setPassword("密码");
result.put("master0", masterDs0);

HikariDataSource masterDs0Slave0 = new HikariDataSource();
masterDs0Slave0.setDriverClassName("org.postgresql.Driver");
masterDs0Slave0.setJdbcUrl("jdbc:postgresql://数据库地址/ds0");
masterDs0Slave0.setUsername("postgres");
masterDs0Slave0.setPassword("密码");
result.put("master0_slave0", masterDs0Slave0);


HikariDataSource masterDs0Slave1 = new HikariDataSource();
masterDs0Slave1.setDriverClassName("org.postgresql.Driver");
masterDs0Slave1.setJdbcUrl("jdbc:postgresql://数据库地址/ds0");
masterDs0Slave1.setUsername("postgres");
masterDs0Slave1.setPassword("密码");
result.put("master0_slave1", masterDs0Slave1);

// 第1套 主从数据源
HikariDataSource masterDs1 = new HikariDataSource();
masterDs1.setDriverClassName("org.postgresql.Driver");
masterDs1.setJdbcUrl("jdbc:postgresql://数据库地址/ds1");
masterDs1.setUsername("postgres");
masterDs1.setPassword("密码");
result.put("master1", masterDs1);

HikariDataSource masterDs1Slave0 = new HikariDataSource();
masterDs1Slave0.setDriverClassName("org.postgresql.Driver");
masterDs1Slave0.setJdbcUrl("jdbc:postgresql://数据库地址/ds1");
masterDs1Slave0.setUsername("postgres");
masterDs1Slave0.setPassword("密码");
result.put("master1_slave0", masterDs1Slave0);

HikariDataSource masterDs1Slave1 = new HikariDataSource();
masterDs1Slave1.setDriverClassName("org.postgresql.Driver");
masterDs1Slave1.setJdbcUrl("jdbc:postgresql://数据库地址/ds1");
masterDs1Slave1.setUsername("postgres");
masterDs1Slave1.setPassword("密码");
result.put("master1_slave1", masterDs1Slave1);

return result;
}


/**
* 配置分片主从配置
*
* @author ming
* @date 2020-05-20 15:59
*/
List<MasterSlaveRuleConfiguration> getMasterSlaveRuleConfiguration() {
//配置 ds0 数据源 master0为主节点 master0_slave0 master0_slave1 为从节点
MasterSlaveRuleConfiguration ds0 = new MasterSlaveRuleConfiguration("ds0", "master0", Lists.newArrayList("master0_slave0", "master0_slave1"));

//配置 ds1 数据源 master1为主节点 master1_slave0 master1_slave1 为从节点
MasterSlaveRuleConfiguration ds1 = new MasterSlaveRuleConfiguration("ds1", "master1", Lists.newArrayList("master1_slave0", "master1_slave1"));
return Lists.newArrayList(ds0, ds1);
}

}

总结

一般项目 遇到db的瓶颈
优化的方向肯定是 数据分区 —> 读写分离 —> 分库 —> 分库分表
一般来说 初期做个数据分区够用 不够了 就做读写分离 当数据量达到一定的程度 再去采用分库分表
因为使用分库分表涉及到很多复杂的问题 没有必要的话 还是不要轻易的使用
shardingJDBC 除了不解决db本身的数据分区 其他的 读写分离、分库分表 都有比较良好的支持
最主要的是 通过jdbc来支持的 不嵌入业务代码 也不需要部署中间件 只需要部署db即可
非常的舒服

------ 本文结束 ------

版权声明
ming创作并维护,博客采用CC协议
本文首发于ming 博客( https://blog.xujiuming.com ),版权所有,转载请注明出处!