分布式服务与库表设计

   分布式系统架构的明显特点，就是按照业务系统的功能，拆分成各种服务，每个服务下面都有自己独立的数据库，以此降低业务间的耦合度，隔离不同的数据库保证系统最大的稳定性等。

    例如上图是电商系统中经典的业务场景，订单-仓储-物流的服务模式，不同服务提供不同的应用场景，服务间存在通信机制，以此实现服务的高可用。

分布式的架构体系中，涉及一个根本思想逻辑：隔离；
服务和数据库根据业务拆分，进而隔离开来，整个架构中某个服务挂掉，不会影响其他的服务继续执行。例如上述1中：如果物流服务挂掉，影响的是用户无法实时追踪物流状态，但是不会影响订单的持续产生。
隔离的策略也是各有不同，常见的电商系统是典型的按照业务特点进行拆分，这种就是不同的业务场景下，使用不同的服务和数据库；还有一种业务场景，多租户平台，针对大客户提供独立的服务和数据库，对小客户提供公服务和数据库，这种策略比较现实：大客户带来收益多，完全覆盖服务和数据库的成本，必须保证不能被一些非必要因素影响。
不管是基于什么策略拆分隔离，首先都必须面对数据库设计的问题。

数据库在业务体系不大的情况，一般都是单库出现，最多加一个备份库以备不时之需，当业务体量不断扩大，就会考虑拆分场景，例如常见的：水平拆分，垂直拆分策略。

首先把单表表分割N个结构相同的表，然后把数据按照策略分散到不同的表中，这是表层面；如果把表在分散在不同的数据库中，这就是数据库层面的水平拆分。

把单表中数据按照不同特点，拆分成两张不同的表，常见的策略是根据数据是修改多，还是读取多，把修改频繁的字段放一张表，读取频繁的放另一张表，这是表层面；如果根据业务特点，拆分不同库，这就是数据库层面。

读写分离是数据库拆分的最基本方式，实现起来难度也不大，只需要根据读写库的配置，把业务中数据写操作路由到写库，数据读操作路由到读库即可。

这种方式实现的数据库拆分虽然相对容易，如果出现主从复制挂掉的情况，就会导致数据读不到，或者数据读取延时，所以在强一致的要求的情况下，使用不多。

分库分表主要用来解决单表数据量过大的问题，根据特定字段的路由规则，把数据分散到不同的库，不同的表中。

通常是基于一些唯一值的哈希算法实现的分库分表策略。也有一些成熟的中间件可以集成到项目直接使用，这种模式更多适用于单点数据的查询的场景，可以基于路由快速定位数据所在的库表。

基于业务特点拆分数据库，是当前分布式架构下，或者微服务模式的基础用法，不同业务场景下数据放在一个库，因为数据关联性很强，在使用的时候方便，同时与其他业务数据隔离开来，避免单点故障导致数据库挂掉。

这种模式虽然看起来更合理，但是复杂度也是非常的陡，因为两种业务场景下的数据不可能绝对没有关联，比如订单库一定依赖用户库的信息，这就需要订单服务和用户服务之间需要通信，引发的问题就会很多。

在多租户场景下，会根据客户流水大小提供不相同的服务和数据库，这是一个十分现实的策略，毕竟可能一个大客户的月流水超过几个小客户的总和。

既然可以根据客户情况分库，也可以基于其他策略，比如地区，常见云服务的应用，选择华南，华北，华东区之类的。

这里所提到的涉及问题，是指基于业务分库模式下的出现的问题。

在分布式架构体系下，不同服务都有各自的数据库，但是数据之间一定是有关系的，服务A要用服务C的数据库，就必须通过服务C提供的接口来获取，这是基本机制，不然拆分服务和库就没意义了，这样就会导致服务间产生依赖关系。

如上图，如果订单服务和论坛服务同时依赖用户服务，那么就要考虑如果用户服务挂掉，会影响多大的范围，做好权衡，还有一个关键点，如果多个服务依赖一个服务，那么就要保证被依赖的服务有足够的能力应对，例如这里，如果订单服务有10W的流量，论坛服务有10W的流量，那么就要保证部署上用户服务起码要能承受20W的流量。

既然数据库在不同的服务下面，服务之间又存在依赖关系，那么保证数据的事务一致性就是非常大的难题。
这里基于支付业务的转账场景做一个简单的演示，从数据源1的账户表中，向数据源2的账户表中操作转账，尽管在代码层面看添加了事务最高级别的控制，但是却没有起到控制作用，导致出账成功，但是入账失败，这就是典型的分布式事务问题。