优质博文：IT-BLOG-CN
一、背景
随着机票业务不断增长，订单库的读性能遇到了挑战，因此对订单库进行读写分离操作。主要目的是提高数据库的并发性能和可扩展性。当系统的所有写操作效率尚可，读数据请求效率较低时，比如之前订单表存放了几千万条数据，且查询订单信息需要关联十几个字表，每个字表的数据超亿条。查询超过设置的慢SQL查询时间3s。以下是一些具体原因和好处：读写分离的功能基于主从复制。
1、性能提升：
【1】读写负载分担：通过将读操作和写操作分离，可以将写操作集中在主库Master上，而将读操作分散到多个从库Slave上。这可以显著减少主库的负载，提高整体系统的响应速度。
【2】并发处理能力：读写分离可以利用多个从库来处理并发读请求，从而提高系统的并发处理能力。
2、可扩展性：
【1】横向扩展：通过增加从库的数量，可以轻松地扩展系统的读处理能力，而不需要对主库进行复杂的扩展。
【2】负载均衡：可以使用负载均衡技术将读请求分发到不同的从库上，从而实现更好的资源利用和性能优化。
3、数据安全性和容错性：
【1】数据备份：从库可以用作数据备份的一部分，提供数据冗余和容错能力。如果主库发生故障，从库可以迅速接管读操作，甚至在必要时提升为新的主库。
【2】灾难恢复：在灾难恢复场景中，从库可以作为主库的备份，确保数据的安全性和可恢复性。
4、缓存和索引优化： 从库可以针对特定的读操作进行优化，如创建特定的索引或缓存策略，而不影响主库的写操作性能。
扩展：慢查询超时时间配置：在MySQL的配置文件（通常是my.cnf或my.ini）中设置long_query_time。在[mysqld]部分添加或修改以下行：
[mysqld]
slow_query_log = 1
slow_query_log_file = /path/to/your/slow_query.log
long_query_time = 2
二、主从读写分离
主从复制完成后，我们还需要实现读写分离，master负责写入数据，两台slave负责读取数据。我们项目因为数据太大，所以使用Sharding-JDBC进行了分表分库。这里就说下通过Sharding-JDBC怎么实现数据读写分离的。
【1】引入依赖： 项目中引入Sharding-JDBC的依赖。
<dependency><groupId>org.apache.shardingsphere</groupId><artifactId>shardingsphere-jdbc-core</artifactId><version>5.x.x</version> <!-- 请使用最新版本 -->
</dependency>
【2】配置数据源： 需要配置多个数据源，通常包括一个主库Master``和一个或多个从库Slave。以下是一个简单的Spring Boot`配置示例：
import org.apache.shardingsphere.driver.api.yaml.YamlShardingSphereDataSourceFactory;
import javax.sql.DataSource;
import java.io.File;@Configuration
public class DataSourceConfig {@Beanpublic DataSource dataSource() throws Exception {File yamlFile = new File("path/to/sharding-jdbc-config.yaml");return YamlShardingSphereDataSourceFactory.createDataSource(yamlFile);}
}
【3】配置YAML文件： 在sharding-jdbc-config.yaml文件中，配置读写分离的相关信息。以下是一个示例配置：
dataSources:master:type: com.zaxxer.hikari.HikariDataSourcedriverClassName: com.mysql.cj.jdbc.DriverjdbcUrl: jdbc:mysql://localhost:3306/master_dbusername: rootpassword: rootslave0:type: com.zaxxer.hikari.HikariDataSourcedriverClassName: com.mysql.cj.jdbc.DriverjdbcUrl: jdbc:mysql://localhost:3306/slave_db0username: rootpassword: rootslave1:type: com.zaxxer.hikari.HikariDataSourcedriverClassName: com.mysql.cj.jdbc.DriverjdbcUrl: jdbc:mysql://localhost:3306/slave_db1username: rootpassword: rootrules: # 用于定义数据分片、读写分离等规则。在这个例子中，我们定义了一个读写分离的规则。- !READWRITE_SPLITTING # 是一个 YAML 类型标签，用于指示接下来的配置是一个读写分离规则。dataSources: # 是一个键，表示接下来要定义的是数据源的配置。在这个例子中，我们定义了一个名为 pr_ds 的逻辑数据源。pr_ds: # pr_ds 是逻辑数据源的名称。你可以在应用程序中使用这个名称来引用这个读写分离的数据源。writeDataSourceName: master # 指定了用于写操作的主数据源。在这个例子中，主数据源的名称是 master。所有的写操作（例如 INSERT、UPDATE、DELETE）都会路由到这个数据源。readDataSourceNames: # 是一个列表，指定了用于读操作的从数据源。在这个例子中，有两个从数据源，分别是 slave0 和 slave1。所有的读操作（例如 SELECT）会根据负载均衡策略路由到这些从数据源。- slave0- slave1loadBalancerName: round_robin # loadBalancerName 指定了用于读操作的负载均衡策略。在这个例子中，负载均衡策略的名称是 round_robin，表示轮询策略。轮询策略会将读操作均匀地分布到多个从数据源上loadBalancers:round_robin:type: ROUND_ROBIN
【4】使用Sharding-JDBC数据源： 使用配置好的Sharding-JDBC数据源。以下是一个简单的示例：
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.jdbc.core.JdbcTemplate;
import org.springframework.stereotype.Service;@Service
public class MyService {@Autowiredprivate JdbcTemplate jdbcTemplate;public void performDatabaseOperations() {// 写操作会路由到主库jdbcTemplate.update("INSERT INTO my_table (name) VALUES (?)", "John Doe");// 读操作会路由到从库String name = jdbcTemplate.queryForObject("SELECT name FROM my_table WHERE id = ?", new Object[]{1}, String.class);System.out.println("Name: " + name);}
}
思考一：MySQL中的数据延迟同步的问题怎么解决？
我们主从使用的硬件配置都是一样的，MySQL使用的也是5.7版本，支持writeSet并行复制，但很多时间可能是网络延迟，就需要确保足够的宽带，以便数据传输，选择地理位置较近的服务器等等。重点是我们对数据实时性要求高的系统，会将主库写入的数据存入Redis缓存中，并给一个过期时间，过期时间的设计与主从复制延迟的时间成正比。
思考二：同一线程且同一数据库连接内，如果读写操作在一起，为了保证数据一致性，均从主库读取。
三、读非关系型数据库-技术选型
同步模式
适合查询数据的一致性和实时性高的系统。但业务代码侵入比较强，增大写操作的耗时，影响系统的写操作的QPS。
异步模式
写入数据后，通过kafka异步建立查询数据，不影响业务流程，但需要考虑数据一致性问题。
binlog模式
这种方案也是我们使用的一套方案，还是借助自主研发的DRC服务，监听写数据库日志的方式建立查询数据，不影响主流程，代码无侵入。但需要注意数据一致性问题。
四、项目中的难点
消息幂等怎么保证？
消息幂等性在业务层保证一致，使用updateOrInsert方法，存在即更新，不存在则插入。那么在MongDB中也是一样的，使用条件更新Upsert，通过使用upsert选项，可以确保插入或更新操作是幂等的。如果文档不存在则插入，如果存在则更新。
db.collection.updateOne({ _id: documentId },{ $set: { fieldName: newValue } },{ upsert: true }
);
消费时序性怎么保证？
因为使用的是Kafka进行消息订阅消费，根据订单号进行分区消费，同一个订单分配至同一个分区，同一个分区是顺序消费的，从而保证消息的时序性。
消息一致性怎么保证？
搭建的数据同步系统DRC可以定时校验数据的一致性
查询数据存储为什么选 MongDB？
为了解决表数据量大查询缓慢的问题，不推荐选用关系型数据库了，内存数据库虽然性能非常高，比如Redis，但是不适合海量数据，太费钱了。所以重点考虑如下三种大数据存储模型：MongoDB/HBase/Elasticsearch
MongoDB：文档型数据库NoSQL，基于文档的存储，使用JSON（BSON）格式，丰富的查询语言，支持复杂的查询和聚合操作，水平扩展Sharding，最终一致性，支持多种一致性级别的配置。
