阿里天猫面试现场：百亿级数据分表后，分页查询如何实现？

推荐阅读：

• 我总结了72份面试题，累计3170页，斩获了30+互联网公司offer（含BATJM）

• 2020首战告捷,这份Java面试神技Plus版，让我成功拿到了阿里、京东、字节跳动等大厂offer

• 膜拜！阿里内部都在强推的K8S(kubernetes)学习指南，不能再详细了

当业务规模达到肯定规模之后，像淘宝日订单量在5000万单以上，美团3000万单以上。数据库面对海量的数据压力，分库分表就是必需进行的操作了。而分库分表之后少量常规的查询可能都会产生问题，最常见的就是比方分页查询的问题。一般我们把分表的字段称作shardingkey，比方订单表按照客户ID作为shardingkey，那么假如查询条件中不带客户ID查询怎样做分页？又比方更多的多维度的查询都没有shardingkey又怎样查询？

唯一主键

一般我们数据库的主键都是自增的，那么分表之后主键冲突的问题就是一个无法避免的问题，最简单的办法就是以一个唯一的业务字段作为唯一的主键，比方订单表的订单号一定是全局唯一的。

常见的分布式生成唯一ID的方式很多，最常见的雪花算法Snowflake、滴滴Tinyid、美团Leaf。以雪花算法举例来说，一毫秒可以生成4194304多个ID。

第一位不使用，默认都是0，41位时间戳准确到毫秒，可以容纳69年的时间，10位工作机器ID高5位是数据中心ID，低5位是节点ID，12位序列号每个节点每毫秒累加，累计可以达到2^12 4096个ID。

分表

第一步，分表后要怎样保证订单号的唯一搞定了，现在考虑下分表的问题。首先根据自身的业务量和增量来考虑分表的大小。

举个例子，现在我们日单量是10万单，预估一年后可以达到日100万单，根据业务属性，一般我们就支持查询半年内的订单，超过半年的订单需要做归档解决。

那么以日订单100万半年的数量级来看，不分表的话我们订单量将达到100万X180=1.8亿，以这个数据量级部分表的话一定单表是扛不住的，就算你能扛RT的时间你也根本无法接受吧。根据经验单表几百万的数量对于数据库是没什么压力的，那么只需分256张表就足够了，1.8亿/256≈70万，假如为了保险起见，也可以分到512张表。那么考虑一下，假如业务量再增长10倍达到1000万单每天，分表1024就是比较合适的选择。

通过分表加上超过半年的数据归档之后，单表70万的数据就足以应对大部分场景了。接下来对订单号hash，而后对256取模的即可以落到具体的哪张表了。

那么，由于唯一主键都是以订单号作为依据，以前你写的那些根据主键ID做查询的就不能用了，这就涉及到了历史少量查询功能的修改。不过这都不是事儿对吧，都改成以订单号来查就行了。这都不是问题，问题在我们的标题说的点上。

C端查询

说了半天，总算到了正题了，那么分表之后查询和分页查询的问题怎样处理？

首先说带shardingkey的查询，比方就通过订单号查询，不论你分页还是怎样样都是能直接定位到具体的表来查询的，显然查询是不会有什么问题的。

假如不是shardingkey的话，上面举例说的以订单号作为shardingkey的话，像APP、小程序这种一般都是通过客户ID查询，那这时候我们通过订单号做的sharding怎样办？很多公司订单表直接用客户ID做shardingkey，那么很简单，直接查就完了。那么订单号怎样办，一个很简单的办法就是在订单号上带上客户ID的属性。举个很简单的例子，本来41位的时间戳你觉得用不完，客户ID是10位的，订单号的生成规则带上客户ID，落具体表的时候根据订单号中10位客户ID hash取模，这样无论根据订单号还是客户ID查询效果都是一样的。

当然，这种方式只是举例，具体的订单号生成的规则，多少位，包含哪些因素根据自己的业务和实现机制来决定。

好，那么无论你是订单号还是客户ID作为shardingkey，按照以上的两种方式都可以处理问题了。那么还有一个问题就是假如既不是订单号又不是客户ID查询怎样办？最直观的例子就是来自商户端或者者后端的查询，商户端都是以商户或者者说卖家的ID作为查询条件来查的，后端的查询条件可能就更复杂了，像我碰到的有些后端查询条件能有几十个，这怎样查？？？别急，接下来分开说B端和后端的复杂查询。

现实中真正的流量大头都是来自于客户端C端，所以本质上处理了客户端的问题，这个问题就解了大半，剩下来自商户卖家端B端、后端支持经营业务的查询流量并不会很大，这个问题就好解。

其余端查询

针对B端的非shardingkey的查询有两个办法处理。

双写，双写就是下单的数据落两份，C端和B端的各自保存一份，C端用你可以用单号、客户ID做shardingkey都行，B端就用商家卖家的ID作为shardingkey就好了。有些同学会说了，你双写不影响性能吗？由于对于B端来说轻微的推迟是可以接受的，所以可以采取异步的方式去落B端订单。你想想你去淘宝买个东西下单了，卖家略微推迟个一两秒收到这个订单的消息有什么关系吗？你点个外卖商户晚一两秒收到这个订单有什么太大影响吗？

这是一个处理方案，另外一个方案就是走离线数仓或者者ES查询，订单数据落库之后，不论你通过binlog还是MQ消息的都形式，把数据同步到数仓或者者ES，他们支持的数量级对于这种查询条件来说就很简单了。同样这种方式一定是略微有推迟的，但是这种可控范围的推迟是可以接受的。

而针对管理后端的查询，比方经营、业务、产品需要看数据，他们天然需要复杂的查询条件，同样走ES或者者数仓都可以做得到。假如不用这个方案，又要不带shardingkey的分页查询，兄弟，这就只能扫全表查询聚合数据，而后手动做分页了，但是这样查出来的结果是有限制的。

比方你256个片，查询的时候循环扫描所有的分片，每个片取20条数据，最后聚合数据手工分页，那必然是不可能查到全量的数据的。

总结

分库分表后的查讯问题，对于有经验的同学来说其实这个问题都知道，但是我相信其实大部分同学做的业务可能都没来到这个数量级，分库分表可能都停留在概念阶段，面试被问到后就手足无措了，由于没有经验不知道怎样办。

分库分表首先是基于现有的业务量和未来的增量做出判断，比方拼多多这种日单量5000万的，半年数据得有百亿级别了，那都得分到4096张表了对吧，但是实际的操作是一样的，对于你们的业务分4096那就没有必要了，根据业务做出正当的选择。

对于基于shardingkey的查询我们可以很简单的处理，对于非shardingkey的查询可以通过落双份数据和数仓、ES的方案来处理，当然，假如分表后数据量很小的话，建好索引，扫全表查询其实也不是什么问题。