关于shardingsphere:国际财务系统基于ShardingSphere的数据分片和一主多从实践

作者：京东物流张广治

1 背景

传统的将数据集中存储至繁多数据节点的解决方案，在性能和可用性方面曾经难于满足海量数据的场景，零碎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度，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。

每到月初国内财务零碎压力微小，因为月初有大量补全工作，重算、计算工作、账单生成工作、推送集成等都要赶在月初1号实现，显然咱们须要一个反对高性能、高并发的计划来解决咱们的问题。

2 咱们的指标

反对每月接单量一亿以上。
一亿的单量补全，计算，生成账单在24小时内实现（反对后面说的月初大数据量计算的场景）

3 数据调配规定

事实世界中，每一个资源都有其提供服务能力的下限，当某一个资源达到最大下限后就无奈及时处理溢出的需要，这样就须要应用多个资源同时提供服务来满足大量的工作。当应用了多个资源来提供服务时，最为要害的是如何让每一个资源比拟平均的承当压力，而不至于其中的某些资源压力过大，所以调配规定就变得十分重要。

制订调配规定：要依据查问和存储的场景，个别依照类型、工夫、城市、区域等作为分片键。

财务零碎的租户以业务线为单位，毛病为拆分的粒度太大，不能实现打散数据的目标，所以不适宜做为分片键，事件定义作为分片键，毛病是十分不平均，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，如果依照事件定义拆分，会导致数据极度歪斜。

目前最适宜作为分片键的就是工夫，因为零碎中计算，账单，汇总，都是基于工夫的，所以工夫非常适合做分片键，适宜应用月、周、作为Range的周期。目前应用的就是工夫分区，但只依照工夫分区显然曾经不能满足咱们的需要了。

通过筛选，实践上最适宜的分区键就剩下工夫和收付款对象了。

最终咱们决定应用收付款对象分库，工夫作为表分区。

数据拆分前构造（图一）：

数据程度拆分后构造（图二）：

调配规定

(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字母对立大写，因为大小写不对立，会导致HASH值不统一，最终导致路由到不同的库。

4 读写拆散一主多从

4.1ShardingSphere对读写拆散的解释

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，主库负责解决事务性的增删改操作，从库负责解决查问操作，可能无效的防止由数据更新导致的行锁，使得整个零碎的查问性能失去极大的改善。

通过一主多从的配置形式，能够将查问申请平均的扩散到多个数据正本，可能进一步的晋升零碎的解决能力。应用多主多从的形式，岂但可能晋升零碎的吞吐量，还可能晋升零碎的可用性，能够达到在任何一个数据库宕机，甚至磁盘物理损坏的状况下依然不影响零碎的失常运行。

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拆散，如（图三）：

左侧为主从构造，右侧为数据分片

4.2 读写拆散+数据分片实战

当咱们理论应用sharding进行读写拆散+数据分片时遇到了一个很大的问题，官网文档中的实现形式只适宜分库和从库在一起时的场景如（图四）

而咱们的场景为（图三）所示，从库和分库时彻底离开的，参考官网的实现办法如下：

https://shardingsphere.apache...

官网给出的读写拆散+数据分片计划不能配置
spring.shardingsphere.sharding.default-data-source-name默认数据源，如果配置了，所有读操作将全副指向主库，无奈达到读写拆散的目标。

当咱们困扰在读从库的查问会被轮询到分库中，咱们理论的场景从库和分库是拆散的，分库中基本就不存在从库中的表。此问题困扰了我近两天的工夫，我浏览源码发现
spring.shardingsphere.sharding.default-data-source-name能够被赋值一个DataNodeGroup，不仅仅反对配置datasourceName，sharding源码如下图：

由此
spring.shardingsphere.sharding.default-data-source-name配置为读写拆散的groupname1，问题解决

从库和分库不在一起的场景下，读写拆散+数据调配的配置如下：

#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#未配置分片规定的表将通过默认数据源定位，留神值必须配置为读写拆散的分组名称groupname1spring.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.HikariDataSourcespring.shardingsphere.datasource.defaultmaster.driver-class-name= com.mysql.jdbc.Driver#分库ds0spring.shardingsphere.datasource.ds0.jdbc-url=jdbc:mysql:spring.shardingsphere.datasource.ds0.type= com.zaxxer.hikari.HikariDataSourcespring.shardingsphere.datasource.ds0.driver-class-name= com.mysql.jdbc.Driver#从库slave0spring.shardingsphere.datasource.slave0.jdbc-url=jdbc:mysql:spring.shardingsphere.datasource.slave0.type= com.zaxxer.hikari.HikariDataSourcespring.shardingsphere.datasource.slave0.driver-class-name= com.mysql.jdbc.Driver#从库slave1spring.shardingsphere.datasource.slave1.jdbc-url=jdbc:mysql:spring.shardingsphere.datasource.slave1.type= com.zaxxer.hikari.HikariDataSourcespring.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，反对inline表达式。缺省示意应用已知数据源与逻辑表名称生成数据节点，用于播送表（即每个库中都须要一个同样的表用于关联查问，多为字典表）或只分库不分表且所有库的表构造完全一致的状况spring.shardingsphere.sharding.tables.incident_ar.actual-data-nodes=ds$->{0..127}.incident_ar#行表达式分片策略 分库策略，缺省示意应用默认分库策略spring.shardingsphere.sharding.tables.incident_ar.database-strategy.inline.sharding-column= dept_no#分片算法行表达式，需合乎groovy语法spring.shardingsphere.sharding.tables.incident_ar.database-strategy.inline.algorithm-expression=ds$->{dept_no.toUpperCase().hashCode().abs() % 128}#读写拆散配置spring.shardingsphere.sharding.master-slave-rules.groupname1.master-data-source-name=defaultmasterspring.shardingsphere.sharding.master-slave-rules.groupname1.slave-data-source-names[0]=slave0spring.shardingsphere.sharding.master-slave-rules.groupname1.slave-data-source-names[1]=slave1spring.shardingsphere.sharding.master-slave-rules.groupname1.load-balance-algorithm-type=round_robin

能够看到读操作能够被平均的路由到slave0、slave1中，分片的读会被调配到ds0，ds1中如下图:

4.3 实现本人的读写拆散负载平衡算法

Sharding提供了SPI模式的接口
org.apache.shardingsphere.spi.masterslave.MasterSlaveLoadBalanceAlgorithm实现读写拆散多个从的具体负载平衡规定，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@RequiredArgsConstructorpublic 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) {        //本人的负载平衡规定        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平衡

4.4 对于某些场景下必须读主库的解决方案

某些场景比方分布式场景下写入马上读取的场景，能够应用hint形式进行强制读取主库，Sharding源码应用ThreadLocal实现强制路由标记。

上面封装了一个注解能够间接应用，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 >读写拆散自定义注解>用于实现读写拆散时>须要强制读主库的场景（注解实现类） * * @author zhangguangzhi1 **/@Slf4j@Aspect@Componentpublic 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("强制查问主库");            object = joinPoint.proceed();        } catch (Throwable throwable) {            t = throwable;        } finally {            HintManager.clear();            if (t != null) {                throw t;            }        }        return object;

应用时办法上打SeekMaster注解即可，办法下的所有读操作将主动路由到主库中，办法外的所有查问还是读取从库，如下图：

4.5 对于官网对读写拆散形容不够明确的补充阐明

版本4.1.1

经实际补充阐明为：

同一线程且同一数据库连贯且一个事务中，如有写入操作，当前的读操作均从主库读取，只限存在写入的表，没有写入的表，事务中的查问会持续路由至从库中，用于保证数据一致性。

5 对于分库的JOIN操作

办法1

应用default-data-source-name配置默认库，即没有配置数据分片策略的表都会应用默认库。默认库中表禁止与拆分表进行JOIN操作，此处须要做一些革新，目前零碎有一些JOIN操作。（举荐应用此办法）

办法2

应用全局表，播送表，让128个库中冗余根底库中的表，并实时扭转。

办法3

分库表中冗余须要JOIN表中的字段，能够解决JOIN问题，此计划单个表字段会减少。

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标准。 XA标准次要定义了(全局)事务管理器(TM)和(局部)资源管理器(RM)之间的接口。支流的关系型数据库产品都是实现了XA接口的。

分段提交

XA须要两阶段提交: prepare 和 commit.

第一阶段为筹备（prepare）阶段。即所有的参与者筹备执行事务并锁住须要的资源。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，在我的项目的logs目录中会生成xa_tx.log, 这是XA解体复原时所需的日志，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，提供简略易用的分布式事务服务。随着业务的疾速倒退，利用单体架构暴露出代码可维护性差，容错率低，测试难度大，麻利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，然而另一方面却引入新的问题，其中次要问题之一就是如何保障微服务间的业务数据一致性。Seata 注册配置服务中心均应用 Nacos。Seata 0.2.1+ 开始反对 Nacos 注册配置服务中心。

依照seata-work-shop中的步骤，下载并启动seata server。
在每一个分片数据库实例中执创立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中减少seata.conf

client {    application.id = example    ## 利用惟一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

官网阐明：

齐全反对非跨库事务，例如：仅分表，或分库然而路由的后果在单库中。

齐全反对因逻辑异样导致的跨库事务。例如：同一事务中，跨两个库更新。更新结束后，抛出空指针，则两个库的内容都能回滚。

不反对因网络、硬件异样导致的跨库事务。例如：同一事务中，跨两个库更新，更新结束后、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.保留场景

举荐应用第三种弱XA事务，尽量设计时防止跨库事务，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。

事件和计费后果自身设计为异步，非同一事务，所以事件和对应的后果不波及跨库事务。

保留多个计费后果，每次保留都属于一个事件，一个事件的计费后果都属于一个收付款对象，人造同库。

弱XA事务的性能最佳。

2.更新场景

对一些依据ID IN的更新场景，依据收付款对象分组执行，能够防止在所有分库执行更新。

3.删除场景

无，目前都是逻辑删除，理论为更新。

7 总结

1.举荐应用Sharding-Sphere进行分库，分表能够思考应用MYSQL分区表，对于研发来讲齐全是通明的，能够躲避JOIN\分布式事务等问题。（分区表须要为分区键+ID建设了一个联结索引）MYSQL分区失去了大量的实际印证，没有BUG，包含我在新计费初期，始终保持推动应用的分表计划，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，适宜应用读写拆散，减少多个读库，缓解主库压力，要留神的是必须读主库的场景应用SeekMaster注解来实现。

3.数据分库抉择适合的分片键十分重要，要依据业务需要抉择好分库键，尽力防止数据歪斜，数据不平均是目前数据拆分的一个独特问题，不可能实现数据的齐全平均；当查问条件没有分库键时会遍历所有分库，查问尽量带上分库键。

4.在咱们应用中间件时，不要只看官网解释，要多做测试，用理论来验证，有的时候官网解释话术可能存在歧义或表白不够全面的中央，剖析源码和理论测试能够清晰的取得想要的后果。

作者：京东物流 张广治