背景

阿里云RDS FOR MySQL（MySQL5.7版本）數據庫業務表每月新增數據量超過千萬,隨著數據量持續增加,我們業務出現大表慢查詢,在業務高峰期主業務表的慢查詢需要幾十秒嚴重影響業務

方案概述

一、數據庫設計及索引優化

MySQL數據庫本身高度靈活，造成性能不足，嚴重依賴開發人員的表設計能力以及索引優化能力,在這里給幾點優化建議

時間類型轉化為時間戳格式,用int類型儲存,建索引增加查詢效率 建議字段定義not null，null值很難查詢優化且占用額外的索引空間 使用TINYINT類型代替枚舉ENUM 存儲精確浮點數必須使用DECIMAL替代FLOAT和DOUBLE 字段長度嚴重根據業務需求來,不要設置過大 盡量不要使用TEXT類型，如必須使用建議將不常用的大字段拆分到其它表 MySQL對索引字段長度是有限制的, innodb引擎的每個索引列長度默認限制為767字節（bytes），所有組成索引列的長度和不能大于3072字節(mysql8.0單索引可以創建1024字符) 大表有DDL需求時請聯系DBA

最左索引匹配規則

顧名思義就是最左優先，在創建組合索引時，要根據業務需求，where子句中使用最頻繁的一列放在最左邊。復合索引很重要的問題是如何安排列的順序，比如where后面用到c1, c2 這兩個字段，那么索引的順序是(c1,c2)還是(c2,c1)呢，正確的做法是，重復值越少的越放前面，比如一個列 95%的值都不重復，那么一般可以將這個列放最前面

復合索引index(a,b,c) where a=3 只使用了a where a=3 and b=5 使用了a,b where a=3 and b=5 and c=4 使用了a,b,c where b=3 or where c=4 沒有使用索引 where a=3 and c=4 僅使用了 a where a=3 and b>10 and c=7 使用了a,b where a=3 and b like ‘xx%’ and c=7 使用了a,b 其實相當于創建了多個索引：key(a)、key(a,b)、key(a,b,c)

二、數據庫切換到PloarDB讀寫分離

PolarDB是阿里云自研的下一代關系型云數據庫，100%兼容MySQL存儲容量最高可達100 TB，單庫最多可擴展到16個節點，適用于企業多樣化的數據庫應用場景。PolarDB采用存儲和計算分離的架構，所有計算節點共享一份數據，提供分鐘級的配置升降級、秒級的故障恢復、全局數據一致性和免費的數據備份容災服務。

集群架構，計算與存儲分離PolarDB采用多節點集群的架構，集群中有一個Writer節點（主節點）和多個Reader節點（只讀節點），各節點通過分布式文件系統（PolarFileSystem）共享底層的存儲（PolarStore）

讀寫分離當應用程序使用集群地址時，PolarDB通過內部的代理層（Proxy）對外提供服務，應用程序的請求都先經過代理，然后才訪問到數據庫節點。代理層不僅可以做安全認證和保護，還可以解析SQL，把寫操作（例如事務、UPDATE、INSERT、DELETE、DDL等）發送到主節點，把讀操作（例如SELECT）均衡地分發到多個只讀節點，實現自動的讀寫分離。對于應用程序來說，就像使用一個單點的數據庫一樣簡單。

在離線混合場景：不同業務用不同的連接地址，使用不同的數據節點，避免相互影響

Sysbench性能壓測報告：

PloarDB 4核16G 2臺

PloarDB 8核32G 2臺

三、分表歷史數據遷移到MySQL8.0 X-Engine存儲引擎

分表業務表保留3個月數據(這個根據公司需求來),歷史數據按月分表到歷史庫X-Engine存儲引擎表, 為什么要選用X-Engine存儲引擎表,它有什么優點?

節約成本, X-Engine的存儲成本約為InnoDB的一半

X-Engine分層存儲提高QPS, 采用層次化的存儲結構，將熱數據與冷數據分別存放在不同的層次中，并默認對冷數據所在層次進行壓縮

X-Engine是阿里云數據庫產品事業部自研的聯機事務處理OLTP（On-Line Transaction Processing）數據庫存儲引擎。X-Engine存儲引擎不僅可以無縫對接兼容MySQL（得益于MySQL Pluginable Storage Engine特性），同時X-Engine使用分層存儲架構。因為目標是面向大規模的海量數據存儲，提供高并發事務處理能力和降低存儲成本，在大部分大數據量場景下，數據被訪問的機會是不均等的，訪問頻繁的熱數據實際上占比很少，X-Engine根據數據訪問頻度的不同將數據劃分為多個層次，針對每個層次數據的訪問特點，設計對應的存儲結構，寫入合適的存儲設備

X-Engine使用了LSM-Tree作為分層存儲的架構基礎，并進行了重新設計： 熱數據層和數據更新使用內存存儲，通過內存數據庫技術（Lock-Free index structure/append only）提高事務處理的性能。 流水線事務處理機制，把事務處理的幾個階段并行起來，極大提升了吞吐。 訪問頻度低的數據逐漸淘汰或是合并到持久化的存儲層次中，并結合多層次的存儲設備（NVM/SSD/HDD）進行存儲。 對性能影響比較大的Compaction過程做了大量優化： 拆分數據存儲粒度，利用數據更新熱點較為集中的特征，盡可能的在合并過程中復用數據。 精細化控制LSM的形狀，減少I/O和計算代價，有效緩解了合并過程中的空間增大。 同時使用更細粒度的訪問控制和緩存機制，優化讀的性能。

四、阿里云PloarDB MySQL8.0版本并行查詢

分表之后我們的數據量依然很大,并沒有完全解決我們的慢查詢問題,只是降低了我們業務表的體量,這部分慢查詢我們需要用到PolarDB的并行查詢優化

PolarDB MySQL 8.0重磅推出并行查詢框架，當您的查詢數據量到達一定閾值，就會自動啟動并行查詢框架，從而使查詢耗時指數級下降在存儲層將數據分片到不同的線程上，多個線程并行計算，將結果流水線匯總到總線程，最后總線程做些簡單歸并返回給用戶，提高查詢效率。并行查詢（Parallel Query）利用多核CPU的并行處理能力，以8核32 GB配置為例，示意圖如下所示。

并行查詢適用于大部分SELECT語句，例如大表查詢、多表連接查詢、計算量較大的查詢。對于非常短的查詢，效果不太顯著。

并行查詢用法，使用Hint語法可以對單個語句進行控制，例如系統默認關閉并行查詢情況下，但需要對某個高頻的慢SQL查詢進行加速，此時就可以使用Hint對特定SQL進行加速。

SELECT /+PARALLEL(x)/ … FROM …; ? x >0SELECT /*+ SET_VAR(max_parallel_degree=n) */ * FROM … // n > 0

查詢測試：數據庫配置 16核32G 單表數據量超3千萬

沒加并行查詢之前是4326ms，加了之后是525ms，性能提升8.24倍

五、交互式分析Hologre

大表慢查詢我們雖然用并行查詢優化提升了效率,但是一些特定的需求實時報表、實時大屏我們還是無法實現，只能依賴大數據去處理。這里推薦大家阿里云的交互式分析Hologre（https://help.aliyun.com/product/113622.html）

六、后記

千萬級大表優化是根據業務場景，以成本為代價優化的，不是一上來就數據庫水平切分擴展，這樣會給運維和業務帶來巨大挑戰，很多時候效果不一定好，我們的數據庫設計、索引優化、分表策略是否做到位了，應該根據業務需求選擇合適的技術去實現。

到此這篇關于淺談MySQL大表優化方案的文章就介紹到這了,更多相關MySQL大表優化內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！