本文将以“帖子中心”为例，介绍“1对多”类业务，随着数据量的逐步增大，数据库性能显著降低，数据库水平切分相关的架构实践：
如何来实施水平切分
水平切分后常见的问题
典型问题的优化思路及实践
一、什么是1对多关系
所谓的“1对1”，“1对多”，“多对多”，来自数据库设计中的“实体-关系”ER模型，用来描述实体之间的映射关系。
1对1
这是一个1对1的关系。
1对多
这是一个1对多的关系。
多对多
一个用户可以关注多个用户
一个用户也可以被多个粉丝关注
这是一个多对多的关系。
二、帖子中心业务分析
帖子中心是一个典型的1对多业务。
一个用户可以发布多个帖子，一个帖子只对应一个发布者。
任何脱离业务的架构设计都是耍流氓，先来看看帖子中心对应的业务需求。
帖子中心，是一个提供帖子发布/修改/删除/查看/搜索的服务。
写操作：
发布(insert)帖子
修改(update)帖子
删除(delete)帖子
读操作：
在数据量较大，并发量较大的时候，通常通过元数据与索引数据分离的架构来满足不同类型的需求：
架构中的几个关键点：
其中，tiezi-center和tiezi-search分别满足两类不同的读需求：
如上图所示：
对于写需求：
如上图所示：
tiezi-search，搜索架构不是本文的重点（外置索引架构设计，请参见《100亿数据1万属性数据架构设计》），后文将重点描述帖子中心元数据这一块的水平切分设计。
三、帖子中心元数据设计
通过帖子中心业务分析，很容易了解到，其核心元数据为：
Tiezi(tid, uid, time, title, content, …);
其中：
数据库设计上，在业务初期，单库就能满足元数据存储要求，其典型的架构设计为：
在相关字段上建立索引，就能满足相关业务需求：
select * from t_tiezi where tid=$tid
select * from t_tiezi where uid=$uid
四、帖子中心水平切分-tid切分法
当数据量越来越大时，需要对帖子数据的存储进行线性扩展。
既然是帖子中心，并且帖子记录查询量占了总请求的90%，很容易想到通过tid字段取模来进行水平切分：
这个方法简单直接，优点：
100%写请求可以直接定位到库
90%的读请求可以直接定位到库
缺点：
如上图，一个uid访问需要遍历所有库。
五、帖子中心水平切分-uid切分法
有没有一种切分方法，确保同一个用户发布的所有帖子都落在同一个库上，而在查询一个用户发布的所有帖子时，不需要去遍历所有的库呢？
答：使用uid来分库可以解决这个问题。
新出现的问题：如果使用uid来分库，确保了一个用户的帖子数据落在同一个库上，那通过tid来查询，就不知道这个帖子落在哪个库上了，岂不是还需要遍历全库，需要怎么优化呢？
答：tid的查询是单行记录查询，只要在数据库（或者缓存）记录tid到uid的映射关系，就能解决这个问题。
新增一个索引库：
t_mapping(tid, uid);
使用uid分库，并增加索引库记录tid到uid的映射关系之后，每当有uid上的查询：
可以通过uid直接定位到库。
每当有tid上的查询：
先查询索引表，通过tid查询到对应的uid
再通过uid定位到库
这个方法的优点：
缺点：
六、帖子中心水平切分-基因法
有没有一种方法，既能够通过uid定位到库，又不需要建立索引表来进行二次查询呢，这就是本文要叙述的“1对多”业务分库最佳实践，基因法。
什么是分库基因？
通过uid分库，假设分为16个库，采用uid%16的方式来进行数据库路由，这里的uid%16，其本质是uid的最后4个bit决定这行数据落在哪个库上，这4个bit，就是分库基因。
什么是基因法分库？
在“1对多”的业务场景，使用“1”分库，在“多”的数据id生成时，id末端加入分库基因，就能同时满足“1”和“多”的分库查询需求。
如上图所示，uid=666的用户发布了一条帖子（666的二进制表示为：1010011010）：
使用uid%16分库，决定这行数据要插入到哪个库中
分库基因是uid的最后4个bit，即1010
在生成tid时，先使用一种分布式ID生成算法生成前60bit（上图中绿色部分）
将分库基因加入到tid的最后4个bit（上图中粉色部分）
拼装成最终的64bit帖子tid（上图中蓝色部分）
（怎么生成60bit分布式唯一ID，请参见《分布式ID生成算法》）
这般，保证了同一个用户发布的所有帖子的tid，都落在同一个库上，tid的最后4个bit都相同，于是：
通过uid%16能够定位到库
通过tid%16也能定位到库
潜在问题一：同一个uid发布的tid落在同一个库上，会不会出现数据不均衡？
答：只要uid是均衡的，每个用户发布的平均帖子数是均衡的，每个库的数据就是均衡的。
潜在问题二：最开始分16库，分库基因是4bit，未来要扩充成32库，分库基因变成了5bit，那怎么办？
答：需要提前做好容量预估，例如事先规划好5年内数据增长256库足够，就提前预留8bit基因。
七、总结
将以“帖子中心”为典型的“1对多”类业务，在架构上，采用元数据与索引数据分离的架构设计方法：
帖子服务，元数据满足uid和tid的查询需求
搜索服务，索引数据满足复杂搜索寻求
对于元数据的存储，在数据量较大的情况下，有三种常见的切分方法：
tid切分法，按照tid分库，同一个用户发布的帖子落在不同的库上，通过uid来查询要遍历所有库
uid切分法，按照uid分库，同一个用户发布的帖子落在同一个库上，需要通过索引表或者缓存来记录tid与uid的映射关系，通过tid来查询时，先查到uid，再通过uid定位库
基因法，按照uid分库，在生成tid里加入uid上的分库基因，保证通过uid和tid都能直接定位到库
对于1对多的业务场景，分库架构不再是瓶颈。
相关推荐
关于“搜索架构”，请参考系列文章：
《如何迅猛的实现搜索需求》
《深入浅出搜索引擎架构、方案与细节》
《58同城如何检索到1秒前发布的帖子》
《100亿数据1万属性数据架构设计》
