| 很多年前，读了子柳老师的《淘宝技术这十年》。这本书成为了我的架构启蒙书，书中的一句话像种子一样深埋在我的脑海里：“好的架构是进化来的，不是设计来的”。 2015年，我加入神州专车订单研发团队，亲历了专车数据层「架构进化」的过程。这次工作经历对我而言非常有启发性，也让我经常感慨：“好的架构果然是一点点进化来的”。  1 单数据库架构产品初期，技术团队的核心目标是：“快速实现产品需求，尽早对外提供服务”。 彼时的专车服务都连同一个 SQLServer 数据库，服务层已经按照业务领域做了一定程度的拆分。  这种架构非常简单，团队可以分开协作，效率也极高。随着专车订单量的不断增长，早晚高峰期，用户需要打车的时候，点击下单后经常无响应。 系统层面来看：
2 SQL优化和读写分离为了缓解主数据库的压力，很容易就想到的策略：SQL优化。通过性能监控平台和 DBA 同学协作分析出业务慢 SQL ，整理出优化方案：
另外一个策略是：读写分离。 读写分离的基本原理是让主数据库处理事务性增、改、删操作（ INSERT、UPDATE、DELETE），而从数据库处理 SELECT 查询操作。 专车架构团队提供的框架中，支持读写分离，于是数据层架构进化为如下图：  读写分离可以减少主库写压力，同时读从库可水平扩展。当然，读写分离依然有局限性：
3 业务领域分库虽然应用层面做了优化，数据层也做了读写分离，但主库的压力依然很大。接下来，大家不约而同的想到了业务领域分库，也就是：将数据库按业务领域拆分成不同的业务数据库，每个系统仅访问对应业务的数据库。  业务领域分库可以缓解核心订单库的性能压力，同时也减少系统间的相互影响，提升了系统整体稳定性。 随之而来的问题是：原来单一数据库时，简单的使用 JOIN 就可以满足需求，但拆分后的业务数据库在不同的实例上，就不能跨库使用 JOIN了，因此需要对系统边界重新梳理，业务系统也需要重构 。 重构重点包含两个部分：
4 缓存和MQ专车服务中，订单服务是并发量和请求量最高，也是业务中最核心的服务。虽然通过业务领域分库，SQL 优化提升了不少系统性能，但订单数据库的写压力依然很大，系统的瓶颈依然很明显。 于是，订单服务引入了 缓存 和 MQ 。 乘客在用户端点击立即叫车，订单服务创建订单，首先保存到数据库后，然后将订单信息同步保存到缓存中。 在订单的载客生命周期里，订单的修改操作先修改缓存，然后发送消息到 MetaQ ，订单落盘服务消费消息，并判断订单信息是否正常（比如有无乱序)，若订单数据无误，则存储到数据库中。  核心逻辑有两点：
这次优化提升了订单服务的整体性能，也为后来订单服务库分库分表以及异构打下了坚实的基础。 5 从 SQLServer 到 MySQL业务依然在爆炸增长，每天几十万订单，订单表数据量很快将过亿，数据库天花板迟早会触及。 订单分库分表已成为技术团队的共识。业界很多分库分表方案都是基于 MySQL 数据库，专车技术管理层决定先将订单库整体先从 SQLServer 迁移到 MySQL 。 迁移之前，准备工作很重要 ：
当准备工作完成后，才开始迁移。 迁移过程分两部分：历史全量数据迁移 和 增量数据迁移。  历史数据全量迁移主要是 DBA 同学通过工具将订单库同步到独立的 MySQL 数据库。 增量数据迁移：因为 SQLServer 无 binlog 日志概念，不能使用 maxwell 和 canal 等类似解决方案。订单团队重构了订单服务代码，每次订单写操作的时候，会发送一条 MQ 消息到 MetaQ 。为了确保迁移的可靠性，还需要将新库的数据同步到旧库，也就是需要做到双向同步 。 迁移流程：
6 自研分库分表组件业界分库分表一般有 proxy 和 client 两种流派。 proxy模式 代理层分片方案业界有 Mycat ，cobar 等 。 它的优点：应用零改动，和语言无关，可以通过连接共享减少连接数消耗。缺点：因为是代理层，存在额外的时延。 client模式 应用层分片方案业界有 sharding-jdbc ，TDDL 等。 它的优点：直连数据库，额外开销小，实现简单，轻量级中间件。缺点：无法减少连接数消耗，有一定的侵入性，多数只支持Java语言。 神州架构团队选择自研分库分表组件，采用了 client 模式 ，组件命名：SDDL。 订单服务需要引入是 SDDL 的 jar 包，在配置中心配置 数据源信息 ，sharding key ，路由规则 等，订单服务只需要配置一个 datasourceId 即可。 7 分库分表策略7.1 乘客维度专车订单数据库的查询主维度是：乘客，乘客端按乘客 user_id 和 订单 order_id 查询频率最高，我们选择 user_id 做为 sharding key ，相同用户的订单数据存储到同一个数据库中。 分库分表组件 SDDL 和阿里开源的数据库中间件 cobar 路由算法非常类似的。 为了便于思维扩展，先简单介绍下 cobar 的分片算法。 假设现在需要将订单表平均拆分到4个分库 shard0 ，shard1 ，shard2 ，shard3 。首先将 [0-1023] 平均分为4个区段：[0-255]，[256-511]，[512-767]，[768-1023]，然后对字符串（或子串，由用户自定义）做 hash， hash 结果对1024取模，最终得出的结果 slot 落入哪个区段，便路由到哪个分库。  cobar 的默认路由算法 ，可以和 雪花算法 天然融合在一起， 订单 order_id 使用雪花算法，我们可以将 slot 的值保存在 10位工作机器ID 里。  通过订单 order_id 可以反查出 slot , 就可以定位该用户的订单数据存储在哪个分区里。 Integer getWorkerId(Long orderId) {专车 SDDL 分片算法和 cobar 差异点在于：
 7.2 司机维度虽然解决了主维度乘客分库分表问题，但专车还有另外一个查询维度，在司机客户端，司机需要查询分配给他的订单信息。 我们已经按照乘客 user_id 作为 sharding key ，若按照司机 driver_id 查询订单的话，需要广播到每一个分库并聚合返回，基于此，技术团队选择将乘客维度的订单数据异构到以司机维度的数据库里。 司机维度的分库分表策略和乘客维度逻辑是一样的，只不过 sharding key 变成了司机 driver_id 。 异构神器 canal 解析乘客维度四个分库的 binlog ，通过 SDDL 写入到司机维度的四个分库里。  这里大家可能有个疑问：虽然可以异构将订单同步到司机维度的分库里，毕竟有些许延迟，如何保证司机在司机端查询到最新的订单数据呢 ？ 在缓存和MQ这一小节里提到：缓存集群中存储最近七天订单详情信息，大量订单读请求直接从缓存获取。订单服务会缓存司机和当前订单的映射，这样司机端的大量请求就可以直接缓存中获取，而司机端查询订单列表的频率没有那么高，异构复制延迟在10毫秒到30毫秒之间，在业务上是完全可以接受的。 7.3 运营维度专车管理后台，运营人员经常需要查询订单信息，查询条件会比较复杂，专车技术团队采用的做法是：订单数据落盘在乘客维度的订单分库之后，通过 canal 把数据同步到Elastic Search。  7.4 小表广播业务中有一些配置表，存储重要的配置，读多写少。在实际业务查询中，很多业务表会和配置表进行联合数据查询。但在数据库水平拆分后，配置表是无法拆分的。 小表广播的原理是：将小表的所有数据（包括增量更新）自动广播（即复制）到大表的机器上。这样，原来的分布式 JOIN 查询就变成单机本地查询，从而大大提高了效率。 专车场景下，小表广播是非常实用的需求。比如：城市表是非常重要的配置表，数据量非常小，但订单服务，派单服务，用户服务都依赖这张表。 通过 canal 将基础配置数据库城市表同步到订单数据库，派单数据库，用户数据库。  8 平滑迁移分库分表组件 SDDL 研发完成，并在生产环境得到一定程度的验证后，订单服务从单库 MySQL 模式迁移到分库分表模式条件已经成熟。 迁移思路其实和从 SQLServer 到 MySQL 非常类似。  整体迁移流程：
9 数据交换平台专车订单已完成分库分表 , 很多细节都值得复盘：
面对这些问题，架构团队的目标是打造一个平台，满足各种异构数据源之间的实时增量同步和离线全量同步，支撑公司业务的快速发展。  基于这个目标，架构团队自研了 dataLink 用于增量数据同步，深度定制了阿里开源的 dataX 用于全量数据同步。 10 写到最后专车架构进化之路并非一帆风顺，也有波折和起伏，但一步一个脚印，专车的技术储备越来越深厚。 2017年，瑞幸咖啡在神州优车集团内部孵化，专车的这些技术储备大大提升了瑞幸咖啡技术团队的研发效率，并支撑业务的快速发展。比如瑞幸咖啡的订单数据库最开始规划的时候，就分别按照用户维度，门店维度各拆分了8个数据库实例，分库分表组件 SDDL 和 数据交换平台都起到了关键的作用 。 好了，这篇文字就写到这里了。我们下期见。 微信8.0将好友放开到了一万，小伙伴可以加我大号了，先到先得，再满就真没了 扫描下方二维码即可加我微信啦， 2022，抱团取暖，一起牛逼。 推荐阅读
上一篇：如果恶魔给你一亿,一年之后必须还两个亿,你会接受吗? 下一篇：还在用HttpUtil?SpringBoot 3.0全新HTTP客户端工具来了,用起来够优雅! |
