文章目录
一、简介
面对一些海量数据集或非常高的查询压力，复制技术还不够，还需要将数据拆分成为分区，也称为分片
分区，在不同系统有着不同的称呼。
MongoDB、Elasticsearch、SolrCloud的shard，
HBase的region，Bigtable的tablet，Cassandra和Riak的node
Couchbase的vBucket
分区通常是这样定义的，即每一条数据（或者每条记录，每行或每个文档）只属于某个特定分区。
每个分区可以视为一个完成的小型数据库。（即：每个分区基本保持独立运行）
采用数据分区的主要目的是：提高可扩展性
（1）问题
1）为什么要分区？
- 分区的主要目标是将数据和查询负载均匀分布在所有节点上
如果节点平均分担负载，那么理论上10个节点应该能够处理10倍的数据量和10倍于单个节点的读写吞吐量（忽略复制）
2）为什么要将分区数据库分布、扩展到多台机器上？
每个分区基本保持独立运行。
二、分区方法
如果分区不均匀，则会出现某些分区节点比其他分区承担更多的数据量或查询负载，称之为倾斜
如图：
避免热点，最简单的方法是将记录随机分配给所有节点上。
缺点：当试图读取特定的数据时，没有办法知道数据保存在哪个节点上，所有不得不并行查询所有节点。
（1）基于关键字区间的分区
按照一段连续的关键字或者关键字区间范围（以最小值和最大值）来分区。
分区边界可以由管理员手动确定，或者由数据库自动选择
1）缺点
缺点：某些访问模式会导致热点。
例如：分区对应一个时间范围，每天一个分区（即以时间戳为关键字）
这会导致该分区在写入时负载过高，而其他分区始终处于空闲状态
解决方案：
- 重选关键字
根据业务划分，需要使用时间戳以外的其他内容作为关键字的第一项。
- 换分区方法
（2）哈希分区
一个好的哈希函数可以处理数据倾斜并使其均匀分布。
例如，
Cassandra和MongoDB使用MD5，Voldemort使用Fowler-Noll-Vo函数
如图：
基于哈希的分区方法可以减轻热点，但无法做到完全避免。
一个极端情况是，所有的读/写操作都是针对同一个关键字，则最终所有请求都将被路由到同一个分区。
一些名人用户有数百万的粉丝，当其发布一些热点事件时，出现大量的对相同关键字的写操作（其中关键字可能是名人的用户ID，或者人们正在评论的事件ID）
如果某个关键字被确认为热点，一个简单的方案：在关键字的开头或结尾处添加一个随机数。
只需一个两位数的十进制随机数就可以将关键字的写操作分布到 100个 不同的关键字上，从而分配到不同的分区。
读复杂度：之后的任何读取都需要些额外的工作，必须从所有100个关键字中读取数据然后进行合并。
1）缺点
缺点：无法良好的区间查询
Tips：相关技术需要看下版本。
在
MongoDB中，如果开启了基于哈希的分片模式，则区间查询会发送到所有的分区上。
而Riak、Couchbase、Voldemort就不支持关键字上的区间查询。
（3）复合键
即：键的一部分来标识分区，而另一部分来记录排序后的顺序
Cassandra则在两种分区策略之间做了一个折中。
Cassandra中的表可以声明为由多个列组成的复合主键。
复合主键只有第一部分可用于哈希分区，而其他列则用作组合索引来对Cassandra SSTable中的数据进行排序。
因此，它不支持在第一列上进行分区查询，但如果为第一列指定好了固定值，可以对其他列执行高效的区间查询
组合索引为一对多的关系提供了一个优雅的数据模型。
三、分区与二级索引
键-值模型相对简单，即都是通过关键字来访问记录，自然可以根据关键字来确定分区，并将读写请求路由到负责该关键字的分区上。
- 什么是二级索引？
二级索引通常不能唯一标识一条记录，而是用来加速特定值的查找。
例如：查找所有颜色为红色的汽车。
- 二级索引是关系数据库的必备特性
可以理解为，二级索引相当于关系型数据非主键索引
参见 MySQL Innodb。
- 二级索引在文档数据库中应用也非常普遍
二级索引也是
Solr和Elasticsearch等全文索引服务器存在之根本
- 二级索引带来的主要挑战是它们不能规整的地映射到分区中
有两种主要的方法来支持对二级索引进行分区：基于文档的分区 和 基于词条的分区
（1）基于文档分区的二级索引
场景：
一个数据库用ID进行分区，例如： ID 0～499归分区0, 500～999划为分区1
键（ID，color，make）对应（主键，颜色，厂商）
现在分别针对 color 和 make 建立索引
如图：
在这种索引方法中，每个分区完全独立，各自维护自己的二级索引，且只负责自己分区内的文档而不关心其他分区中的数据。
因此文档分区索引也被称为 本地索引，而不是 全局索引
1）缺点
这种查询分区数据的方法有时也称为 分散/聚集，查询代价较高。
即使采用了并行查询，也容易导致读延迟显著放大
（2）基于词条的二级索引分区
对所有的数据构建 全局索引，而不是每个分区维护自己的本地索引。
为避免成为瓶颈，不能将全局索引存储在一个节点上，否则就破坏了设计分区均衡的目标。
全局索引也必须进行分区，且可以与数据关键字采用不同的分区策略
这种索引方案称为 词条分区，它以待查找的关键字本身作为索引。
即，索引的value 包含所有的关键字
如图：
同样，索引分区可以是 直接分区 和 哈希分区：
- 直接分区：可以支持高效的区间查询
- 哈希分区：可以更均匀的划分分区
1）缺点
写入速度较慢且非常负责。
主要因为单个文档的更新时，里面可能会涉及多个二级索引，而二级索引的分区又可能完全不同甚至在不同的节点上。
对于词条分区来讲，这需要一个跨多个相关分区的分布式事务支持，写入速度会受到极大的影响。
实践中，对全局二级索引的更新往往都是异步的。
同时，当底层设施出现故障时，也有可能需要等待很长的时间。
