Netlog中数据库演变过程(转载)
Netlog拥有4000万活跃用户，每个月有超过5000万的独立用户访问网站，每个月有5亿多的PV。数据量应该算是比较大的。作者是Jurriaan Persyn，他从一个开发者角度而非DBA或者SA角度来谈Netlog是如何通过数据切分来提高网站
性能，横向扩展数据层的
?
第一阶段：读写同在一台数据库服务器
?
?
第二阶段：读写分离（可以解决读写比例均衡或者读居多的情况，但是带入了数据复制同步的问题）
?
第三阶段：部分数据独立部署结合读写分离。（部分数据根据其业务独立性情况，可以将所有的数据独立存储到数据库服务器，分担数据读写压力，前提是要求数据具有较高的业务独立性）
?
?
第四阶段：数据分拆结合读写分离（三阶段的增强）
?
?
?
第五阶段：问题出现，分拆也无法解决数据爆炸性增长，同时读写处于同等比例
?
?
解决问题两种方式：DB Scale up?，DB Scale out。前者投入以及后期扩展有限，因此需要进行数据切分
?
?
?
?
?
?
上图就是将photo的数据切分到了10台数据库服务器上。
?
切分数据的两个关键点：
1．??如何根据存储的数据内容判断数据的存储归属，也就是什么是内容的分区主键。
2．??采用什么算法可以根据不同的主键将内容存储到不同的分区中。
?
分区主键的选择还是要根据自身的业务场景来决定，Netblog选择的是用户ID。
采用什么方式将分区主键映射到对应的分区可以通过以下四种方式：
1．??根据数据表来切分。（前提就是数据独立性较强，和前面提到的三阶段类似）
2．??基于内容区间范围的分区。（就好比前1000个用户的信息存储在A服务器，1000-2000存储在B服务器）
3．??采用Hash算法结合虚拟节点的方式。（这类在memcached等等分布式场景中最常见，其实也是一个难点），缺点就是在于动态增加存储节点会导致数据部分或者全部失效。
4．??目录式的分区。最简单也是最直接的方式，key和分区的对应关系被保存，通过查找目录可以得到分区信息。适合扩展，就是增加查询损耗。
?
如何将数据分布的尽量均匀，如何平衡各个服务器之间的负载，如何在新增存储机器和删除存储机器的时候不影响原有数据，同时能够将数据均摊，都是算法的关键。在分布式系统中DHT（Distribute Hash Table）被很多人研究，并且有很多的论文是关于它的。
?
数据的横向切分给应用带来的问题：
1．??跨区的数据查询变得很困难。（对于复杂的关联性数据查询无法在一个请求中完成）
2．??数据一致性和引用完整性较难保证。（多物理存储的情况下很难保证兼顾效率、可用性、一致性）
3．??数据分区之间的负载均衡问题。（数据本身的不均衡性，访问和读写的不均衡性都会给数据分区的负载均衡带来困难）
4．??网络配置的复杂性。（需要保证服务器之间的大数据量频繁的交互和同步）
5．??数据备份策略将会变得十分复杂。
解决这些问题当前已经有的一些开源项目：
1．??MySql Cluster，解决读写分离问题已经十分成熟。
2．??MySql Partitioning，可以将一个大表拆分为很多小表，提高访问速度，但是限制与这些小表必须在同一台服务器上。
3．??HSCALE和Spock Proxy都是建立与MySql Proxy基础上的开源项目，MySql Proxy采用LUA脚本来进行数据分区。
4．??HiveDB是MySql分区框架的java实现。
5．??另外还有HyperTable,HBase,BigTable\oracle等等。
