鑽石舞台

很多年前，讀了子柳老師的《淘寶技術這十年》。這本書成為了我的架構啟蒙書，書中的一句話像種子一樣深埋在我的腦海里：「好的架構是進化來的，不是設計來的」。

2015年，我加入神州專車訂單研發團隊，親歷了專車數據層「架構進化」的過程。這次工作經歷對我而言非常有啟發性，也讓我經常感慨：「好的架構果然是一點點進化來的」。

1 單數據庫架構

產品初期，技術團隊的核心目標是：「快速實現產品需求，儘早對外提供服務」。

彼時的專車服務都連同一個 SQLServer 數據庫，服務層已經按照業務領域做了一定程度的拆分。

這種架構非常簡單，團隊可以分開協作，效率也極高。隨着專車訂單量的不斷增長，早晚高峰期，用戶需要打車的時候，點擊下單後經常無響應。

系統層面來看：

2 SQL優化和讀寫分離

為了緩解主數據庫的壓力，很容易就想到的策略：SQL優化。通過性能監控平台和 DBA 同學協作分析出業務慢 SQL ，整理出優化方案：

另外一個策略是：讀寫分離。

讀寫分離的基本原理是讓主數據庫處理事務性增、改、刪操作（ INSERT、UPDATE、DELETE），而從數據庫處理 SELECT 查詢操作。

專車架構團隊提供的框架中，支持讀寫分離，於是數據層架構進化為如下圖：

讀寫分離可以減少主庫寫壓力，同時讀從庫可水平擴展。當然，讀寫分離依然有局限性：

3 業務領域分庫

雖然應用層面做了優化，數據層也做了讀寫分離，但主庫的壓力依然很大。接下來，大家不約而同的想到了業務領域分庫，也就是：將數據庫按業務領域拆分成不同的業務數據庫，每個系統僅訪問對應業務的數據庫。

業務領域分庫可以緩解核心訂單庫的性能壓力，同時也減少系統間的相互影響，提升了系統整體穩定性。

隨之而來的問題是：原來單一數據庫時，簡單的使用 JOIN 就可以滿足需求，但拆分後的業務數據庫在不同的實例上，就不能跨庫使用 JOIN了，因此需要對系統邊界重新梳理，業務系統也需要重構。

重構重點包含兩個部分：

4 緩存和MQ

專車服務中，訂單服務是並發量和請求量最高，也是業務中最核心的服務。雖然通過業務領域分庫，SQL 優化提升了不少系統性能，但訂單數據庫的寫壓力依然很大，系統的瓶頸依然很明顯。

於是，訂單服務引入了緩存和MQ。

乘客在用戶端點擊立即叫車，訂單服務創建訂單，首先保存到數據庫後，然後將訂單信息同步保存到緩存中。

在訂單的載客生命周期里，訂單的修改操作先修改緩存，然後發送消息到MetaQ，訂單落盤服務消費消息，並判斷訂單信息是否正常（比如有無亂序)，若訂單數據無誤，則存儲到數據庫中。

核心邏輯有兩點：

這次優化提升了訂單服務的整體性能，也為後來訂單服務庫分庫分表以及異構打下了堅實的基礎。

5 從 SQLServer 到 MySQL

業務依然在爆炸增長，每天幾十萬訂單，訂單表數據量很快將過億，數據庫天花板遲早會觸及。

訂單分庫分表已成為技術團隊的共識。業界很多分庫分表方案都是基於 MySQL 數據庫，專車技術管理層決定先將訂單庫整體先從 SQLServer 遷移到 MySQL 。

遷移之前，準備工作很重要 ：

當準備工作完成後，才開始遷移。

遷移過程分兩部分：歷史全量數據遷移和增量數據遷移。

歷史數據全量遷移主要是 DBA 同學通過工具將訂單庫同步到獨立的 MySQL 數據庫。

增量數據遷移：因為 SQLServer 無 binlog 日誌概念，不能使用 maxwell 和 canal 等類似解決方案。訂單團隊重構了訂單服務代碼，每次訂單寫操作的時候，會發送一條 MQ 消息到 MetaQ 。為了確保遷移的可靠性，還需要將新庫的數據同步到舊庫，也就是需要做到雙向同步。

遷移流程：

6 自研分庫分表組件

業界分庫分表一般有 proxy 和 client 兩種流派。

6.1 proxy模式

代理層分片方案在業界中有Mycat、cobar等 。

它的優點：應用零改動，和語言無關，可以通過連接共享減少連接數消耗。缺點：因為是代理層，存在額外的時延。

6.2 client模式

應用層分片方案業界有 sharding-jdbc ，TDDL 等。

它的優點：直連數據庫，額外開銷小，實現簡單，輕量級中間件。缺點：無法減少連接數消耗，有一定的侵入性，多數隻支持Java語言。

神州架構團隊選擇自研分庫分表組件，採用了client 模式，組件命名：SDDL。

訂單服務需要引入是 SDDL 的 jar 包，在配置中心配置數據源信息，sharding key ，路由規則等，訂單服務只需要配置一個 datasourceId 即可。

7 分庫分表策略7.1 乘客維度

專車訂單數據庫的查詢主維度是：乘客，乘客端按乘客 user_id 和 訂單 order_id 查詢頻率最高，我們選擇 user_id 作為 sharding key ，相同用戶的訂單數據存儲到同一個數據庫中。

分庫分表組件 SDDL 和阿里開源的數據庫中間件 cobar 路由算法非常類似的。

為了便于思維擴展，先簡單介紹下 cobar 的分片算法。

假設現在需要將訂單表平均拆分到 4 個分庫 shard0 ，shard1 ，shard2 ，shard3 。首先將 [0-1023] 平均分為 4 個區段：[0-255]，[256-511]，[512-767]，[768-1023]，然後對字符串（或子串，由用戶自定義）做 hash。hash 結果對 1024 取模，最終得出的結果 slot 落入哪個區段，便路由到哪個分庫。

cobar 的默認路由算法 ，可以和雪花算法天然融合在一起， 訂單order_id使用雪花算法，我們可以將 slot 的值保存在 10位工作機器ID 里。

通過訂單 order_id 可以反查出 slot , 就可以定位該用戶的訂單數據存儲在哪個分區里。

專車 SDDL 分片算法和 cobar 差異點在於：

7.2 司機維度

雖然解決了主維度乘客分庫分表問題，但專車還有另外一個查詢維度，在司機客戶端，司機需要查詢分配給他的訂單信息。

我們已經按照乘客 user_id 作為 sharding key ，若按照司機 driver_id 查詢訂單的話，需要廣播到每一個分庫並聚合返回，基於此，技術團隊選擇將乘客維度的訂單數據異構到以司機維度的數據庫里。

司機維度的分庫分表策略和乘客維度邏輯是一樣的，只不過 sharding key 變成了司機 driver_id 。

異構神器 canal 解析乘客維度四個分庫的 binlog ，通過 SDDL 寫入到司機維度的四個分庫里。

這裡大家可能有個疑問：雖然可以異構將訂單同步到司機維度的分庫里，畢竟有些許延遲，如何保證司機在司機端查詢到最新的訂單數據呢 ？

在緩存和MQ這一小節里提到：緩存集群中存儲最近七天訂單詳情信息，大量訂單讀請求直接從緩存獲取。訂單服務會緩存司機和當前訂單的映射，這樣司機端的大量請求就可以直接緩存中獲取，而司機端查詢訂單列表的頻率沒有那麼高，異構複製延遲在10毫秒到30毫秒之間，在業務上是完全可以接受的。

7.3 運營維度

專車管理後台，運營人員經常需要查詢訂單信息，查詢條件會比較複雜，專車技術團隊採用的做法是：訂單數據落盤在乘客維度的訂單分庫之後，通過 canal 把數據同步到Elastic Search。

7.4 小表廣播

業務中有一些配置表，存儲重要的配置，讀多寫少。在實際業務查詢中，很多業務表會和配置表進行聯合數據查詢。但在數據庫水平拆分後，配置表是無法拆分的。

小表廣播的原理是：將小表的所有數據（包括增量更新）自動廣播（即複製）到大表的機器上。這樣，原來的分布式 JOIN 查詢就變成單機本地查詢，從而大大提高了效率。

專車場景下，小表廣播是非常實用的需求。比如：城市表是非常重要的配置表，數據量非常小，但訂單服務，派單服務，用戶服務都依賴這張表。

通過 canal 將基礎配置數據庫城市表同步到訂單數據庫，派單數據庫，用戶數據庫。

8 平滑遷移

分庫分表組件 SDDL 研發完成，並在生產環境得到一定程度的驗證後，訂單服務從單庫 MySQL 模式遷移到分庫分表模式條件已經成熟。

遷移思路其實和從 SQLServer 到 MySQL 非常類似。

整體遷移流程：

9 數據交換平台

專車訂單已完成分庫分表 , 很多細節都值得復盤：

面對這些問題，架構團隊的目標是打造一個平台，滿足各種異構數據源之間的實時增量同步和離線全量同步，支撐公司業務的快速發展。

基於這個目標，架構團隊自研了dataLink用於增量數據同步，深度定製了阿里開源的dataX用於全量數據同步。

10 寫到最後

專車架構進化之路並非一帆風順，也有波折和起伏，但一步一個腳印，專車的技術儲備越來越深厚。

2017年，瑞幸咖啡在神州優車集團內部孵化，專車的這些技術儲備大大提升了瑞幸咖啡技術團隊的研發效率，並支撐業務的快速發展。比如瑞幸咖啡的訂單數據庫最開始規劃的時候，就分別按照用戶維度，門店維度各拆分了 8 個數據庫實例，分庫分表組件SDDL和數據交換平台都起到了關鍵的作用 。

- EOF -

看完本文有收穫？請轉發分享給更多人

關注「ImportNew」，提升Java技能

點讚和在看就是最大的支持❤️