MySQL如何对半年数十TB数据增量

　　在前段时间，Oracle官方发布了MySQL 5.7的GA版本。新版本中实现了真正意义上的并行复制(基于Group Commit的Group Replication)，而不再是基于schema的并行复制了。这一特性很大程度上改善了特定场景下的主从复制延迟过高的状况。随着MySQL成熟度的提升，越来越多的用户选择使用MySQL存放自家的数据，其中不少使用MySQL来存放大量数据的。

　　在过去的半年多时间里，听云业务量呈爆发式增长，后端的数据量由去年第一季度的几TB增长到几十TB，业务量翻了十几倍。后端应用及数据库面临的一个突出的问题就是频繁的进行扩容来应对前端流量的增长。数据库层面我们使用MySQL来分布式存储业务数据，数据库集群的架构也比较简单，我们使用开源中间件Amoeba来实现数据的拆分和读写分离。Amoeba后端有几百个数据库的节点组，每个节点组中都包含一对主从实例。master实例负责接受write请求，slave负责接受query请求。如下图所示：

　　正确的拆分姿势

　　随着可选择的开源中间件越来越多，好多数据量并不是很大的使用者都会过早的考虑水平拆分数据库。但是其实过早的水平拆分不见得就是一件有意义的事情。主要原因有两个：一个方面是水平拆分会对现网的业务造成冲击，如果系统在设计之初就没有考虑过后续要进行拆分的话，这个冲击就会被放大。比如业务中有大量的多表join的查询，或者是对事务有强一致性的要求时，水平拆分就捉襟见肘了。另一方面，如果过早的进行了水平拆分，那么到达一定程度后再想要垂直进行拆分时，代价是很大的。以听云app为例，当我们业务库拆成8个分片后，有一天发现数据增长的很快，于是决定对其进行垂直拆分，将小时纬度和天纬度的数据拆分到一个新的实例上去，这时我们不得不同时部署8个节点组来将现有的8个分片上的小时纬度和天纬度的数据迁移出来。工作量相当大。如果水平拆分到了64个片，那么这时要想再做垂直拆分，保证累的你不要不要的。

　　所以更合理的路线是这样的，首先对业务数据进行垂直拆分，原本一个库按业务单元垂直拆分成多个库，同时应用中配置多个数据源或者使用中间件来访问拆分后的多个库，对应用本身来说，基本没做什么改动，但是后端存储的容量和性能却翻了好几倍。如果某天出现瓶颈之后，再来考虑水平拆分的事情。

　　优雅的从n到2n

　　水平扩展过程中最让人头疼的是数据的迁移，以上图中迁移mod(mobile_app_id,4)=2的数据为例，最开始的做法是先创建两个新的节点组shared0_new和shared2，拿shared0的全备恢复到shared0_new和shared2，然后在shared0_new上删除mod(mobile_app_id,4)=2的数据，在shared2上删除mod(mobile_app_id,4)=0的数据，删除操作完成后shared0_new、shared2与shared0做同步，同步删除操作执行过程中的数据增量。同步追上之后，切换amoeba的路由规则，然后下线shared0。这种方式问题很多，首先时耗很高很高，delete完了之后并不能释放存储空间，还要optimize table，同样也是一个漫长的过程。针对大表的delete会产生一个很大的transaction，会在系统表空间中申请很大一块undo，delete完成后事务提交。这个undo空间并不会释放，而是直接给其他事务复用，这无疑会浪费很多存储空间。

　　后来我们想到一个便捷的办法，就是利用mysqldump的—where参数，在备份数据的时候加一个mod(mobile_app_id,4)=2的参数，就可以单独备份出余数为2的数据，然后拿这个逻辑备份恢复到shared2上去，高效且优雅。

　　分布式join

　　分布式join在业界仍没有完美的解决方案，好在听云业务在设计之初就从业务上避免了多表的join，在业务库中，报表中的每个纬度都会有一张表与之对应，因此查询某个纬度直接就会查询后端的某张表，都是在每张表上做一些操作。目前比较流行的分布式join的解决方案主要有两种：

　　1、E-R形式。举个栗子，用户表user(id,name)和订单表order(id,uid,detail),按用户id分片，order表的uid引用自user表的id。存放订单时，首先确定该订单对应用户所在的shared，然后将订单记录插入到用户所在的shared上去，这样检索某个用户所有的订单时，就可以避免跨库join低效的操作。

　　2、全局表的形式。举个例子，A表 join B表，B表分布式存储在多个shared上，如果A表比较小，可以在所有的shared上都存一份A表的全量数据。那么就可以很高效的做join。看起来很美好，但是限制很多，应用的场景也很有限。

　　目前的开源中间件中，MyCat对分布式join处理的是比较细腻的。阿里的DRDS对于分布式join的处理也是这样的思路。

　　数据倾斜

　　MySQL分布式存储不可避免的一个问题就是数据倾斜。业务在运行一段时间之后，会发现少部分shared数据增量特别快，原因是该shared上面部分用户的数据量较大。对于数据倾斜问题我们目前的措施是将这些shared迁移到1TB存储上来，但这并非长久之计。因此我们目前正在做一些新的尝试，比如对Amoeba做了一下扩展，扩展后的Amoeba支持将某一个mobile_app_id的数据单独指向后端一个shared节点组，即一个shared只存放一个用户的数据，同时采用ToKuDB存储引擎来存储这部分数据，ToKuDB能够对数据进行有效的压缩，除了查询性能稍有损耗之外，基本具备InnoDB引擎所拥有的特点，而且在线表结构变更比InnoDB快好几倍不止。这些测试基本已经进入尾声，很快将会应用到生产环境。

　　MySQL擅长什么

　　任何一种工具可能都只是解决某一个领域的问题，肯定不是放之四海而皆准的。正确的使用方式是让工具做自己擅长的事情。关系型数据库擅长的是结构化的查询，本身并不擅长巨量数据的清洗。我们在出2015年度APP行业均值数据报表时，需要将后端所有shared上的相关数据汇总起来然后做进一步的分析，这些数据最终汇总在5张表中，每张表都有几亿条的记录。然后对5、6个字段group by之后取某些指标的 sum值，最初尝试在MySQL中处理这些数据，MySQL实例给出24GB的内存，结果OOM了好几次也没有出结果。最后把数据拉到了hadoop集群上，使用impala引擎来汇总数据，处理最大的表近7亿条记录，9min左右出结果。所以，不要有all in one的想法，要让系统中的每个组件做自己擅长的事情。

　　分布式MySQL架构下的运维

　　MySQL分布式虽然解决了存储和性能问题，但是在运维支持过程中却带来了一些痛点。

　　1、DML。经常会有变更表结构的需求，这样的操作大部分中间件是支持不了的，如果只有一个库好说，当后端几十个shared时，就比较头疼了，目前我们并没有很好的处理办法，只能使用自动化脚本批量到后端shared上执行命令，执行完成后，运行一个校验的脚本，人工核对校验脚本的输出内容。

　　2、跨分片统计数据。中间件是无法对后端的全量数据做查询的，类似年度APP行业均值报表这样的跨分片的全量数据的查询，只能使用自动化脚本从后端逐个shared上提取数据，最终再汇总。

　　应对这样的情景，发型必然会稍显凌乱，但是目前仍旧很无奈，有必要重新设计一下我们的脚本，写一个输出更加友好，完全自动化的工具出来。