專車架構進化往事：好的架構是進化來的，不是設計來的
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”。
一、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，盡早對外提供服務” 。
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。隨著專車訂單量的不斷增長，早晚高峰期，用戶需要打車的時候，點擊下單后經常無響應。
系統層面來看：
- 數據庫瓶頸顯現。頻繁的磁盤操作導致數據庫服務器 IO 消耗增加，同時多表關聯，排序，分組，非索引字段條件查詢也會讓 cpu 飆升，最終都會導致數據庫連接數激增；
- 網關大規模超時。在高并發場景下，大量請求直接操作數據庫，數據庫連接資源不夠用，大量請求處于阻塞狀態。
二、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 。通過性能監控平臺和 DBA 同學協作分析出業務慢 SQL ，整理出優化方案：
- 合理添加索引；
- 減少多表 JOIN 關聯，通過程序組裝，減少數據庫讀壓力；
- 減少大事務，盡快釋放數據庫連接。
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，于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：
- 讀寫分離可能面臨主從延遲的問題，訂單服務載客流程中對實時性要求較高，因為擔心延遲問題，大量操作依然使用主庫查詢；
- 讀寫分離可以緩解讀壓力，但是寫操作的壓力隨著業務爆發式的增長并沒有很有效的緩解。
三、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，但拆分后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：
- 原來需要 JOIN 關聯的查詢修改成 RPC 調用，程序中組裝數據 ；
- 業務表適當冗余字段，通過消息隊列或者異構工具同步。
四、緩存和MQ
專車服務中，訂單服務是并發量和請求量最高，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。
于是，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，首先保存到數據庫后，然后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，然后發送消息到 MetaQ ，訂單落盤服務消費消息，并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：
- 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；
- 在訂單的載客生命周期里，寫操作先修改緩存，通過消息隊列異步落盤，這樣消息隊列可以起到消峰的作用，同樣可以降低數據庫的壓力。
這次優化提升了訂單服務的整體性能，也為后來訂單服務庫分庫分表以及異構打下了堅實的基礎。
五、從 SQL Server 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于 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 ：
- SQLServer 和 MySQL 兩種數據庫語法有一些差異，訂單服務必須要適配 MySQL 語法。
- 訂單 order_id 是主鍵自增，但在分布式場景中并不合適，需要將訂單 id 調整為分布式模式。
當準備工作完成后，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 日志概念，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：
- 首先訂單服務（SQLServer版）發送訂單變更消息到 MetaQ ，此時并不開啟「舊庫消息消費」，讓消息先堆積在 MetaQ 里；
- 然后開始遷移歷史全量數據，當全量遷移完成后，再開啟「舊庫消息消費」，這樣新訂單庫就可以和舊訂單庫數據保持同步了；
- 開啟「新庫消息消費」，然后部署訂單服務（ MySQL 版），此時訂單服務有兩個版本同時運行，檢測數據無誤后，逐步增加新訂單服務流量，直到老訂單服務完全下線。
六、自研分庫分表組件
業界分庫分表一般有 proxy 和 client 兩種流派。
▍ proxy模式
代理層分片方案業界有 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。
▍ 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，多數只支持Java語言。
神州架構團隊選擇 自研 分庫分表組件，采用了 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。
七、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 做為 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]，然后對字符串（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。
Integer getWorkerId(Long orderId) {
Long workerId = (orderId >> 12) & 0x03ff;
return workerId.intValue();
}
專車 SDDL 分片算法和 cobar 差異點在于：
- cobar 支持最大分片數是1024，而 SDDL 最大支持分庫數1024*8=8192，同樣分四個訂單庫，每個分片的 slot 區間范圍是2048 ；
- 因為要支持8192個分片，雪花算法要做一點微調，雪花算法的10位工作機器修改成 13 位工作機器，時間戳也調整為： 38 位時間戳（由某個時間點開始的毫秒數）。
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并聚合返回，基于此，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。
這里大家可能有個疑問：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么高，異構復制延遲在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
專車管理后臺，運營人員經常需要查詢訂單信息，查詢條件會比較復雜，專車技術團隊采用的做法是：訂單數據落盤在乘客維度的訂單分庫之后，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后，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（即復制）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。
八、平滑遷移
分庫分表組件 SDDL 研發完成，并在生產環境得到一定程度的驗證后，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：
- DBA 同學準備乘客維度的四個分庫，司機維度的四個分庫 ，每個分庫都是最近某個時間點的全量數據；
- 八個分庫都是全量數據，需要按照分庫分表規則刪除八個分庫的冗余數據 ；
- 開啟正向同步，舊訂單數據按照分庫分表策略落盤到乘客維度的分庫，通過 canal 將乘客維度分庫訂單數據異構復制到司機維度的分庫中；
- 開啟反向同步，修改訂單應用的數據源配置，重啟訂單服務，訂單服務新創建的訂單會落盤到乘客維度的分庫，通過 canal 將乘客維度分庫訂單數據異構到 全量訂單庫 以及司機維度的數據庫；
- 驗證數據無誤后，逐步更新訂單服務的數據源配置，完成整體遷移。
九、數據交換平臺
專車訂單已完成分庫分表 , 很多細節都值得復盤：
- 全量歷史數據遷移需要 DBA 介入 ，技術團隊沒有成熟的工具或者產品輕松完成；
- 增量數據遷移通過 canal 來實現。隨著專車業務的爆發增長，數據庫鏡像，實時索引構建，分庫異構等需求越來越多，雖然canal 非常優秀，但它還是有瑕疵，比如缺失任務控制臺，數據源管理能力，任務級別的監控和報警，操作審計等功能。
面對這些問題，架構團隊的目標是打造一個平臺，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。
基于這個目標，架構團隊自研了 dataLink 用于增量數據同步，深度定制了阿里開源的 dataX 用于全量數據同步。
十、寫到最后
專車架構進化之路并非一帆風順，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。
