数据库

Posted on

关系型数据库管理系统（RDBMS）

像 SQL 这样的关系型数据库，是一系列以表的形式组织的数据项集合。

ACID 用来描述关系型数据库事务的特性：

  • 原子性（Atomicity）：每个事务内部所有操作要么全部完成，要么全部不完成；
  • 一致性（Consistency）：任何事务都使数据库从一个有效的状态转换到另一个有效状态；
  • 隔离性（Isolation）：并发执行事务的结果与顺序执行事务的结果相同；
  • 持久性（Durability）：事务提交后，对系统的影响是永久的。

关系型数据库的扩展，包括许多技术：主-从复制、主-主复制、联邦、分片、非规范化和 SQL 调优。

主-从复制

主库同时负责读取和写入操作，并复制写入到一个或多个从库中，从库只负责读操作。树状形式的从库再将写入复制到更多的从库中去。如果主库离线，系统可以以只读模式运行，直到某个从库被提升为主库或有新的主库出现：

缺陷：主-从复制

  • 将从库提升为主库需要额外的逻辑

主-主复制

两个主库都负责读操作和写操作，写入操作时互相协调。如果其中一个主库挂机，系统可以继续读取和写入：

缺陷：主-主复制

  • 需要添加负载均衡器或者在应用逻辑中做改动，来确定写入哪一个数据库；
  • 多数主-主系统要么不能保证一致性（违反 ACID），要么因为同步产生了写入延迟；
  • 随着更多写入节点的加入和延迟的提高，如何解决冲突显得越发重要。

缺陷：复制

  • 如果主库在将新写入的数据复制到其他节点前挂掉，则有数据丢失的可能；
  • 写入会被重放到负责读取操作的副本。副本可能因为过多写操作阻塞，导致读取功能异常；
  • 读取从库越多，需要复制的写入数据就越多，导致更严重的复制延迟；
  • 在某些数据库系统中，写入主库的操作可以用多个线程并行写入，但写入副本只支持单线程顺序写入；
  • 复制意味着更多的硬件和额外的复杂度。

联邦

Federation 将数据库按对应功能分割。例如，你可以有三个数据库：论坛、用户和产品，而不仅是一个单体数据库，从而减少每个数据库的读取和写入流量，减少复制延迟。较小的数据库意味着更多适合放入内存的数据，进而意味着更高的缓存命中几率。没有只能串行写入的中心化主库，你可以并行写入，提高负载能力:

缺陷：联邦

  • 如果你的数据库模式需要大量的功能和数据表，联邦的效率并不好；
  • 你需要更新应用程序的逻辑，来确定要读取和写入哪个数据库；
  • 用 server link 从两个库 JOIN 数据更复杂；
  • 联邦需要更多的硬件和额外的复杂度。

分片

Sharding 将数据分配在不同的数据库上，使得每个数据库仅管理整个数据集的一个子集。以用户数据库为例，随着用户数量的增加，越来越多的分片会被添加到集群中：

类似联邦的优点，分片可以减少读取和写入流量，减少复制并提高缓存命中率。也减少了索引，通常意味着查询更快，性能更好。如果一个分片出问题，其他的仍能运行，你可以使用某种形式的冗余来防止数据丢失。类似联邦，没有只能串行写入的中心化主库，你可以并行写入，提高负载能力。

常见的做法是：通过用户姓氏的首字母，或者用户的地理位置来分隔用户表。

缺陷：分片

  • 你需要修改应用程序的逻辑来实现分片，这会带来复杂的 SQL 查询；
  • 分片不合理可能导致数据负载不均衡。例如，被频繁访问的用户数据会导致其所在分片的负载相对其他分片高：
    • 再平衡会引入额外的复杂度（基于一致性哈希的分片算法可以减少这种情况）；
  • JOIN 多个分片的数据操作更复杂；
  • 分片需要更多的硬件和额外的复杂度。

非规范化

Denormalization 试图以写入性能为代价来换取读取性能。在多个表中冗余数据副本，以避免高成本的 JOIN 操作。一些关系型数据库，比如 PostgreSQL 和 Oracle 支持物化视图，可以存储冗余信息和保持冗余副本的一致。

当数据使用诸如联邦和分片等技术被分割，进一步提高了处理跨数据中心的 JOIN 操作的复杂度。非规范化可以规避这种复杂的 JOIN 操作。

在多数系统中，读取操作的频率远高于写入操作，比例可达到 100:1，甚至 1000:1。需要复杂的数据库 JOIN 的读取操作成本非常高，在磁盘操作上消耗了大量时间。

缺陷：非规范化

  • 数据会冗余；
  • Constraint 可以帮助冗余的信息副本保持同步，但这样会增加数据库设计的复杂度；
  • 非规范化的数据库在高写入负载下，性能可能比规范化的数据库差；

SQL 调优

SQL tuning 是一个范围很广的话题，有很多相关的书可以作为参考。

利用基准测试（Benchmark）和性能分析（Profiling）来模拟和发现系统瓶颈很重要：

  • Benchmark：用 ab 等工具模拟高负载情况；
  • Profiling：通过启用如慢查询日志等工具来辅助追踪性能问题。

基准测试和性能分析可能会指引你到如下优化方案：

改进模式（Schema）

  • 为了实现快速访问，MySQL 在磁盘上用连续的块存储数据；
  • 使用 CHAR 类型存储固定长度的字段，不要用 VARCHAR：
    • CHAR 在快速、随机访问时效率很高。使用 VARCHAR 时，如果你想读取下一个字符串，不得不先读取到当前字符串的末尾；
  • 使用 TEXT 类型存储大块的文本（允许布尔检索），例如博客正文。使用 TEXT 字段需要在磁盘上存储一个用于定位文本块的指针；
  • 使用 INT 类型存储高达 2^32（40 亿）的较大数字；
  • 使用 DECIMAL 类型存储货币可以避免浮点数表示错误；
  • 避免存储较大的 BLOB，而应存储获取对象的位置；
  • VARCHAR(255) 是以 8 位数字存储的最大字符数，在某些关系型数据库中，最大限度地利用字节；
  • 在适用场景中设置 NOT NULL 约束，来提高搜索性能；

使用正确的索引

  • 查询（SELECT、GROUP BY、ORDER BY、JOIN）的列，如果用了索引会更快；
  • 索引通常表示为自平衡的 B-tree，可以保持数据有序，并允许在对数时间内进行搜索、顺序访问、插入和删除操作；
  • 设置索引，会将数据存在内存中，占用更多的内存空间；
  • 写入操作会变慢，因为索引需要被更新；
  • 加载大量数据时，禁用索引再加载数据，然后重建索引，这样也许会更快。

避免高成本的 JOIN 操作

若有需要，可以进行非规范化。

分割数据表

将热点数据拆分到单独的数据表中，可以有助于缓存。

调优查询缓存

在某些情况下，查询缓存可能会导致性能问题。

NoSQL

NoSQL 是采用键-值存储、文档存储、宽列存储和图存储的数据库的统称。数据库是非规范化的，JOIN 大多在应用程序代码中完成。大多数 NoSQL 无法完成真正满足 ACID 的事务，支持最终一致性。

BASE 通常被用于描述 NoSQL 数据库的特性。相比 CAP 理论，BASE 强调可用性超过一致性：

  • 基本可用（Basically Available）:系统保证可用性；
  • 软状态（Soft state）：即使没有输入，系统状态也可能随着时间变化；
  • 最终一致性（Eventual consistency）：经过一段时间之后，系统最终会变一致，因为系统在此期间没有收到任何输入。

除了在 SQL 还是 NoSQL 之间做选择，了解哪种类型的 NoSQL 数据库，最适合你的用例也是非常有帮助的。

键-值存储

抽象类型：Hash table

键-值存储通常可以实现 O(1) 时间的读写，用内存或 SSD 存储数据。数据存储可以按字典序维护键，从而实现键的高效检索。键-值存储可以用于存储元数据。

键-值存储性能很高，通常用于存储简单数据模型或频繁修改的数据，如内存中的缓存。键-值存储提供的操作有限，如需更多操作，复杂度将转嫁到应用程序层面。

键-值存储是更复杂的存储系统的基础，如文档存储和图存储。

文档存储

抽象模型：将文档作为值的键-值存储

文档存储以文档（XML、JSON、二进制文件等）为中心，文档存储了指定对象的全部信息。文档存储根据文档自身的内部结构，提供 API 或查询语句来实现查询。注意：许多键-值存储数据库有用值存储元数据的特性，这也模糊了这两种存储类型的界限。

基于底层实现，文档可以根据集合、标签（tag）、元数据（metadata）或文件夹组织。尽管不同文档可以被组织在一起或分成一组，但相互之间可能具有完全不同的字段。

MongoDB 和 Apache CouchDB 等一些文档存储数据库，还提供了类似 SQL 的查询语句来实现复杂查询。Amazon DynamoDB 同时支持键-值存储和文档存储。

文档存储具备高度的灵活性，常用于处理偶尔变化的数据。

宽列存储

抽象模型：Nested map，ColumnFamily<RowKey, Columns<ColKey, Value, Timestamp>>

宽列存储的基本数据单元是列（名/值对）。列可以在列簇（类似于 SQL 的数据表）中被分组，超级列簇再分组普通列簇。你可以使用行键独立访问每一列，具有相同行键值的列组成一行。每个值都包含时间戳，用于解决版本冲突。

Google 发布了第一个列型存储数据库 Bigtable，它影响了 Hadoop 生态系统中活跃的开源数据库 HBase 和 Facebook 的 Cassandra。它们将键以字典序存储，实现高效检索。

宽列存储具备高可用性和高可扩展性，常被用于大数据领域。

图存储

抽象模型：Graph

在图数据库中，一个节点对应一条记录，一条弧对应两个节点之间的关系。图数据库被优化用于表示外键繁多的复杂关系或多对多关系。

图数据库为存储复杂关系的数据模型，如社交网络，提供了很高的性能。它们相对较新，尚未广泛应用，查找开发工具和资源相对较难，许多图只能通过 RESTful API 访问。

SQL or NoSQL

选择 SQL 的原因

  • 结构化数据；
  • 严格的模式；
  • 关系型数据；
  • 需要复杂的 JOIN 操作；
  • 事务；
  • 清晰的扩展模式；
  • 既有资源更丰富：开发者、社区、代码库、工具等；
  • 通过索引进行查询非常快；

选择 NoSQL 的原因

  • 半结构化数据；
  • 动态或灵活的模式；
  • 非关系型数据；
  • 不需要复杂的 JOIN 操作；
  • 存储 TB（甚至 PB）级别的数据；
  • 高数据密集的工作负载；
  • 高 Throughput/IOPS；

适合 NoSQL 的示例数据

  • 埋点数据和日志数据；
  • 排行榜或得分数据；
  • 临时数据，如购物车；
  • 频繁访问的热表；
  • Metadata/Lookup table；