详解分库分表后非分片键如何查询

正文

我们知道在分库分表中对于toC业务来说，需要选择用户属性如 user_id 作为分片键，不推荐使用order_id这样的作为分片键。

那问题来了，对于订单表来说，选择了user_id作为分片键以后如何查看订单详情呢？比如下面这样一条sql：

SELECT * FROM T_ORDER WHERE order_id = 801462878019256325

由于查询条件中的order_id不是分片键，所以需要查询所有分片才能得到最终的结果。如果下面有 1000 个分片，那么就需要执行 1000 次这样的 SQL，这时性能就比较差了。

可以通过ShardingSphere-JDBC生成的SQL得知，根据order_id查询会对所有分片进行查询然后通过UNION ALL进行合并。

但是，我们知道 order_id 是主键，应该只有一条返回记录，也就是说，order_id 只存在于一个分片中。这时，可以有以下三种设计：

• 冗余数据法
• 索引表法
• 基因分片法

当然，这三种设计的本质都是通过冗余实现空间换时间的效果，否则就需要扫描所有的分片，当分片数据非常多，效率就会变得极差。

下面我们逐一分析。

设计一：冗余法

这种做法很容易理解，同一份订单数据在插入时保存两份，根据user_id 和 order_id分别做两个分库分表的实现。

通过对表进行冗余，对于 order_id 的查询，只需要在 order_id = 801462878019256325 的分片中直接查询就行，效率最高。但是这个方案设计的缺点又很明显：冗余数据量太大。

方法二：索引表法

索引表法是对第一种冗余法的改进，由于第一种方案冗余的数据量太大，所以索引表方案中只创建一个包含user_id和order_id的索引表，在插入订单时再插入一条数据到索引表中。

表结构如下

CREATE TABLE idx_orderid_userid （
  order_id bigint
  user_id bigint,
  PRIMARY KEY (order_id)
)

在实现时可以将idx_orderid_userid表通过Redis缓存来代替，如果此表数据量很大也可以将其分库分表，但是它的分片键是 order_id。

如果这时再根据字段 order_id 进行查询，可以进行类似二级索引的回表实现：先通过查询索引表得到记录 order_id = 801462878019256325 对应的分片键 user_id 的值，接着再根据 user_id 进行查询，最终定位到想要的数据，如：

原始SQL：

SELECT * FROM T_ORDER WHERE order_id = 801462878019256325

拆分后的SQL：

# step 1
SELECT user_id FROM idx_orderid_userid 
WHERE order_id = 801462890610556951
​
# step 2
SELECT * FROM T_ORDER 
WHERE user_id = ? AND order_id = 801462890610556951

这个例子是将一条 SQL 语句拆分成 2 条 SQL 语句，但是拆分后的 2 条 SQL 都可以通过分片键进行查询，这样能保证只需要在单个分片中完成查询操作。不论有多少个分片，也只需要查询 2个分片的信息，这样 SQL 的查询性能可以得到极大的提升。

方法三：基因法

通过索引表的方式，虽然存储上较冗余全表容量小了很多，但是要根据另一个分片键进行数据的存储，还是显得不够优雅。

因此，最优的设计，不是创建一个索引表，而是将分片键的信息保存在想要查询的列中，这样通过查询的列就能直接知道所在的分片信息，这种方法也叫叫做基因法。

基因法的原理出自一个理论：对一个数取余2的n次方，那么余数就是这个数的二进制的最后n位数。

假如我们现在根据user_id进行分片，采用user_id % 16的方式来进行数据库路由，这里的user_id%16，其本质是user_id的最后4个bit位 log(16,2) = 4 决定这行数据落在哪个分片上，这4个bit就是分片基因。

如上图所示，user_id=20160169的用户创建了一个订单（20160169的二进制表示为：1001100111001111010101001)

• 使用user_id%16分片，决定这行数据要插入到哪个分片中
• 分库基因是user_id的最后4个bit，log(16,2) = 4，即1001
• 在生成order_id时，先使用一种分布式ID生成算法生成前60bit（上图中绿色部分）
• 将分库基因加入到order_id的最后4个bit（上图中粉色部分）
• 拼装成最终的64bit订单order_id（上图中蓝色部分）

这样保证了同一个用户创建的所有订单都落到了同一个分片上，order_id的最后4个bit都相同，于是：

• 通过user_id %16 能够定位到分片
• 通过order_id % 16也能定位到分片

不好理解的话，可以看下面这段代码：

@Test
public void modIdTest(){
    long userID = 20160169L;
    //分片数量
    int shardNum = 16;
    String gen = getGen(userID, shardNum);
    log.info("userID:{}的基因为:{}",userID,gen);
    long snowId = IdWorker.getId(Order.class);
    log.info("雪花算法生成的订单ID为{}",snowId);
    Long orderId = buildGenId(snowId,gen);
    log.info("基因转换后的订单ID为{}",orderId);
​
    Assert.assertEquals(orderId % shardNum , userID % shardNum);
}

运行结果如下：

原始订单ID为1595662702879973377，通过基因转换后ID变成了1595662702879973385，对于用户id 和 新生成的订单id对其取模结果一样。

上面那种做法是基因替换，替换掉订单id的分片基因。下面这种做法就更显直接。

将订单表 orders 的主键设计为一个字符串，这个字符串中最后一部分包含分片键的信息，如：

order_id = string（order_id + user_id）

那么这时如果根据 order_id 进行查询：

SELECT * FROM T_ORDER
WHERE order_id = '1595662702879973377-20160169';

由于字段 order_id 的设计中直接包含了分片键信息，所以我们可以直接通过分片键部分直接定位到分片上。

同样地，在插入时，由于可以知道插入时 user_id 对应的值，所以只要在业务层做一次字符的拼接，然后再插入数据库就行了。

这样的实现方式较冗余表和索引表的设计来说，效率更高，查询时可以直接定位到数据对应的分片信息，只需 1 次查询就能获取想要的结果。

这样实现的缺点是，主键值会变大一些，存储也会相应变大。但是只要主键值是有序的，插入的性能就不会变差。而通过在主键值中保存分片信息，却可以大大提升后续的查询效率，这样空间换时间的设计，总体上看是非常值得的。

实际上淘宝的订单号也是这样构建的

上图是我的淘宝订单信息，可以看到，订单号的最后 6 位都是 607041，所以可以大概率推测出：

• 淘宝订单表的分片键是用户 ID；
• 淘宝订单表，订单表的主键包含用户 ID，也就是分片信息。这样通过订单号进行查询，可以获得分片信息，从而查询 1 个分片就能得到最终的结果。

小结

分库分表后需要遵循一个基本原则：所有的查询尽量带上sharding key，有时候业务需要根据技术限制进行妥协，那种既要...又要...就是在耍流氓。

当然有些业务场景确实没办法避免，对于非sharding key的查询可以参考上面三种方案实现，不过实际上只能算两种。

曾经在面试时我还被问到过这个问题～

今天的文章是属于理论知识，Talk is cheap,Show me the code! 接下来两篇文章我将结合ShardingSphere-JDBC实现上述两种方案，更多关于分库分表非分片键查询的资料请关注编程网其它相关文章！