很多年前，读了子柳老师的《淘宝技术这十年》。这本书成为了我的架构启蒙书，书中的一句话像种子一样深埋在我的脑海里：“好的架构是进化来的，不是设计来的”。
年，我加入神州专车订单研发团队，亲历了专车数据层「架构进化」的过程。这次工作经历对我而言非常有启发性，也让我经常感慨：“好的架构果然是一点点进化来的”。
1单数据库架构
产品初期，技术团队的核心目标是：“快速实现产品需求，尽早对外提供服务”。
彼时的专车服务都连同一个SQLServer数据库，服务层已经按照业务领域做了一定程度的拆分。
这种架构非常简单，团队可以分开协作，效率也极高。随着专车订单量的不断增长，早晚高峰期，用户需要打车的时候，点击下单后经常无响应。
系统层面来看：
数据库瓶颈显现。频繁的磁盘操作导致数据库服务器IO消耗增加，同时多表关联，排序，分组，非索引字段条件查询也会让cpu飙升，最终都会导致数据库连接数激增；
网关大规模超时。在高并发场景下，大量请求直接操作数据库，数据库连接资源不够用，大量请求处于阻塞状态。
2SQL优化和读写分离
为了缓解主数据库的压力，很容易就想到的策略：SQL优化。通过性能监控平台和DBA同学协作分析出业务慢SQL，整理出优化方案：
合理添加索引；
减少多表JOIN关联，通过程序组装，减少数据库读压力；
减少大事务，尽快释放数据库连接。
另外一个策略是：读写分离。
读写分离的基本原理是让主数据库处理事务性增、改、删操作（INSERT、UPDATE、DELETE），而从数据库处理SELECT查询操作。
专车架构团队提供的框架中，支持读写分离，于是数据层架构进化为如下图：
读写分离可以减少主库写压力，同时读从库可水平扩展。当然，读写分离依然有局限性：
读写分离可能面临主从延迟的问题，订单服务载客流程中对实时性要求较高，因为担心延迟问题，大量操作依然使用主库查询；
读写分离可以缓解读压力，但是写操作的压力随着业务爆发式的增长并没有很有效的缓解。
3业务领域分库
虽然应用层面做了优化，数据层也做了读写分离，但主库的压力依然很大。接下来，大家不约而同的想到了业务领域分库，也就是：将数据库按业务领域拆分成不同的业务数据库，每个系统仅访问对应业务的数据库。
业务领域分库可以缓解核心订单库的性能压力，同时也减少系统间的相互影响，提升了系统整体稳定性。
随之而来的问题是：原来单一数据库时，简单的使用JOIN就可以满足需求，但拆分后的业务数据库在不同的实例上，就不能跨库使用JOIN了，因此需要对系统边界重新梳理，业务系统也需要重构。
重构重点包含两个部分：
原来需要JOIN关联的查询修改成RPC调用，程序中组装数据；
业务表适当冗余字段，通过消息队列或者异构工具同步。
4缓存和MQ
专车服务中，订单服务是并发量和请求量最高，也是业务中最核心的服务。虽然通过业务领域分库，SQL优化提升了不少系统性能，但订单数据库的写压力依然很大，系统的瓶颈依然很明显。
于是，订单服务引入了缓存和MQ。
乘客在用户端点击立即叫车，订单服务创建订单，首先保存到数据库后，然后将订单信息同步保存到缓存中。
在订单的载客生命周期里，订单的修改操作先修改缓存，然后发送消息到MetaQ，订单落盘服务消费消息，并判断订单信息是否正常（比如有无乱序)，若订单数据无误，则存储到数据库中。
核心逻辑有两点：
缓存集群中存储最近七天订单详情信息，大量订单读请求直接从缓存获取；
在订单的载客生命周期里，写操作先修改缓存，通过消息队列异步落盘，这样消息队列可以起到消峰的作用，同样可以降低数据库的压力。
这次优化提升了订单服务的整体性能，也为后来订单服务库分库分表以及异构打下了坚实的基础。
5从SQLServer到MySQL
业务依然在爆炸增长，每天几十万订单，订单表数据量很快将过亿，数据库天花板迟早会触及。
订单分库分表已成为技术团队的共识。业界很多分库分表方案都是基于MySQL数据库，专车技术管理层决定先将订单库整体先从SQLServer迁移到MySQL。
迁移之前，准备工作很重要：
SQLServer和MySQL两种数据库语法有一些差异，订单服务必须要适配MySQL语法。
订单order_id是主键自增，但在分布式场景中并不合适，需要将订单id调整为分布式模式。
当准备工作完成后，才开始迁移。
迁移过程分两部分：历史全量数据迁移和增量数据迁移。
历史数据全量迁移主要是DBA同学通过工具将订单库同步到独立的MySQL数据库。
增量数据迁移：因为SQLServer无binlog日志概念，不能使用maxwell和canal等类似解决方案。订单团队重构了订单服务代码，每次订单写操作的时候，会发送一条MQ消息到MetaQ。为了确保迁移的可靠性，还需要将新库的数据同步到旧库，也就是需要做到双向同步。
迁移流程：
首先订单服务（SQLServer版）发送订单变更消息到MetaQ，此时并不开启「旧库消息消费」，让消息先堆积在MetaQ里；
然后开始迁移历史全量数据，当全量迁移完成后，再开启「旧库消息消费」，这样新订单库就可以和旧订单库数据保持同步了；
开启「新库消息消费」，然后部署订单服务（MySQL版），此时订单服务有两个版本同时运行，检测数据无误后，逐步增加新订单服务流量，直到老订单服务完全下线。
6自研分库分表组件
业界分库分表一般有proxy和client两种流派。
▍proxy模式
代理层分片方案业界有Mycat，cobar等。
它的优点：应用零改动，和语言无关，可以通过连接共享减少连接数消耗。缺点：因为是代理层，存在额外的时延。
▍client模式
应用层分片方案业界有sharding-jdbc，TDDL等。
它的优点：直连数据库，额外开销小，实现简单，轻量级中间件。缺点：无法减少连接数消耗，有一定的侵入性，多数只支持Java语言。
神州架构团队选择自研分库分表组件，采用了client模式，组件命名：SDDL。
订单服务需要引入是SDDL的jar包，在配置中心配置数据源信息，shardingkey，路由规则等，订单服务只需要配置一个datasourceId即可。
7分库分表策略
7.1乘客维度
专车订单数据库的查询主维度是：乘客，乘客端按乘客user_id和订单order_id查询频率最高，我们选择user_id做为shardingkey，相同用户的订单数据存储到同一个数据库中。
分库分表组件SDDL和阿里开源的数据库中间件cobar路由算法非常类似的。
为了便于思维扩展，先简单介绍下cobar的分片算法。
假设现在需要将订单表平均拆分到4个分库shard0，shard1，shard2，shard3。首先将[0-]平均分为4个区段：[0-]，[-]，[-]，[-]，然后对字符串（或子串，由用户自定义）做hash，hash结果对取模，最终得出的结果slot落入哪个区段，便路由到哪个分库。
cobar的默认路由算法，可以和雪花算法天然融合在一起，订单order_id使用雪花算法，我们可以将slot的值保存在10位工作机器ID里。
通过订单order_id可以反查出slot,就可以定位该用户的订单数据存储在哪个分区里。
1IntegergetWorkerId(LongorderId){2LongworkerId=(orderId12)0x03ff;3returnworkerId.intValue();4}
专车SDDL分片算法和cobar差异点在于：
cobar支持最大分片数是，而SDDL最大支持分库数*8=，同样分四个订单库，每个分片的slot区间范围是；
因为要支持个分片，雪花算法要做一点微调，雪花算法的10位工作机器修改成13位工作机器，时间戳也调整为：38位时间戳（由某个时间点开始的毫秒数）。
7.2司机维度
虽然解决了主维度乘客分库分表问题，但专车还有另外一个查询维度，在司机客户端，司机需要查询分配给他的订单信息。
我们已经按照乘客user_id作为shardingkey，若按照司机driver_id查询订单的话，需要广播到每一个分库并聚合返回，基于此，技术团队选择将乘客维度的订单数据异构到以司机维度的数据库里。
司机维度的分库分表策略和乘客维度逻辑是一样的，只不过shardingkey变成了司机driver_id。
异构神器canal解析乘客维度四个分库的binlog，通过SDDL写入到司机维度的四个分库里。
这里大家可能有个疑问：虽然可以异构将订单同步到司机维度的分库里，毕竟有些许延迟，如何保证司机在司机端查询到最新的订单数据呢？
在缓存和MQ这一小节里提到：缓存集群中存储最近七天订单详情信息，大量订单读请求直接从缓存获取。订单服务会缓存司机和当前订单的映射，这样司机端的大量请求就可以直接缓存中获取，而司机端查询订单列表的频率没有那么高，异构复制延迟在10毫秒到30毫秒之间，在业务上是完全可以接受的。
7.3运营维度
专车管理后台，运营人员经常需要查询订单信息，查询条件会比较复杂，专车技术团队采用的做法是：订单数据落盘在乘客维度的订单分库之后，通过canal把数据同步到ElasticSearch。
7.4小表广播
业务中有一些配置表，存储重要的配置，读多写少。在实际业务查询中，很多业务表会和配置表进行联合数据查询。但在数据库水平拆分后，配置表是无法拆分的。
小表广播的原理是：将小表的所有数据（包括增量更新）自动广播（即复制）到大表的机器上。这样，原来的分布式JOIN查询就变成单机本地查询，从而大大提高了效率。
专车场景下，小表广播是非常实用的需求。比如：城市表是非常重要的配置表，数据量非常小，但订单服务，派单服务，用户服务都依赖这张表。
通过canal将基础配置数据库城市表同步到订单数据库，派单数据库，用户数据库。
8平滑迁移
分库分表组件SDDL研发完成，并在生产环境得到一定程度的验证后，订单服务从单库MySQL模式迁移到分库分表模式条件已经成熟。
迁移思路其实和从SQLServer到MySQL非常类似。
整体迁移流程：
DBA同学准备乘客维度的四个分库，司机维度的四个分库，每个分库都是最近某个时间点的全量数据；
八个分库都是全量数据，需要按照分库分表规则删除八个分库的冗余数据；
开启正向同步，旧订单数据按照分库分表策略落盘到乘客维度的分库，通过canal将乘客维度分库订单数据异构复制到司机维度的分库中；
开启反向同步，修改订单应用的数据源配置，重启订单服务，订单服务新创建的订单会落盘到乘客维度的分库，通过canal将乘客维度分库订单数据异构到全量订单库以及司机维度的数据库；
验证数据无误后，逐步更新订单服务的数据源配置，完成整体迁移。
9数据交换平台
专车订单已完成分库分表,很多细节都值得复盘：
全量历史数据迁移需要DBA介入，技术团队没有成熟的工具或者产品轻松完成；
增量数据迁移通过canal来实现。随着专车业务的爆发增长，数据库镜像，实时索引构建，分库异构等需求越来越多，虽然canal非常优秀，但它还是有瑕疵，比如缺失任务控制台，数据源管理能力，任务级别的监控和报警，操作审计等功能。
面对这些问题，架构团队的目标是打造一个平台，满足各种异构数据源之间的实时增量同步和离线全量同步，支撑公司业务的快速发展。
基于这个目标，架构团队自研了dataLink用于增量数据同步，深度定制了阿里开源的dataX用于全量数据同步。
10写到最后
专车架构进化之路并非一帆风顺，也有波折和起伏，但一步一个脚印，专车的技术储备越来越深厚。
年，瑞幸咖啡在神州优车集团内部孵化，专车的这些技术储备大大提升了瑞幸咖啡技术团队的研发效率，并支撑业务的快速发展。比如瑞幸咖啡的订单数据库最开始规划的时候，就分别按照用户维度，门店维度各拆分了8个数据库实例，分库分表组件SDDL和数据交换平台都起到了关键的作用。
好了，这篇文字就写到这里了。我们下期见。