专车数据层「架构进化」往事（二）

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 ：

 

1.SQLServer 和 MySQL 两种数据库语法有一些差异，订单服务必须要适配 MySQL 语法。

 

2.订单 order_id 是主键自增，但在分布式场景中并不合适，需要将订单 id 调整为分布式模式。

 

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：

 

1.首先订单服务（SQLServer版）发送订单变更消息到 MetaQ ，此时并不开启「旧库消息消费」，让消息先堆积在 MetaQ 里；

 

2.然后开始迁移历史全量数据，当全量迁移完成后，再开启「旧库消息消费」，这样新订单库就可以和旧订单库数据保持同步了；

 

3.开启「新库消息消费」，然后部署订单服务（ MySQL 版），此时订单服务有两个版本同时运行，检测数据无误后，逐步增加新订单服务流量，直到老订单服务完全下线。

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) {
 Long workerId = (orderId >> 12) & 0x03ff;
 return workerId.intValue();
}

专车 SDDL 分片算法和 cobar 差异点在于：

 

1.cobar 支持最大分片数是1024，而 SDDL 最大支持分库数1024*8=8192，同样分四个订单库，每个分片的 slot 区间范围是2048 ；
2.因为要支持8192个分片，雪花算法要做一点微调，雪花算法的10位工作机器修改成13位工作机器，时间戳也调整为：38位时间戳（由某个时间点开始的毫秒数）。
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：

 

1.DBA 同学准备乘客维度的四个分库，司机维度的四个分库 ，每个分库都是最近某个时间点的全量数据；

 

2.八个分库都是全量数据，需要按照分库分表规则删除八个分库的冗余数据 ；

 

3.开启正向同步，旧订单数据按照分库分表策略落盘到乘客维度的分库，通过 canal 将乘客维度分库订单数据异构复制到司机维度的分库中；

 

4.开启反向同步，修改订单应用的数据源配置，重启订单服务，订单服务新创建的订单会落盘到乘客维度的分库，通过 canal 将乘客维度分库订单数据异构到全量订单库以及司机维度的数据库；

 

5.验证数据无误后，逐步更新订单服务的数据源配置，完成整体迁移。

 

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：

 

1.全量历史数据迁移需要 DBA 介入 ，技术团队没有成熟的工具或者产品轻松完成；

 

2.增量数据迁移通过 canal 来实现。随着专车业务的爆发增长，数据库镜像，实时索引构建，分库异构等需求越来越多，虽然canal 非常优秀，但它还是有瑕疵，比如缺失任务控制台，数据源管理能力，任务级别的监控和报警，操作审计等功能。

 

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。