關註上方 浩道Linux ，回復 資料 ，即可獲取海量 L inux 、 Python 、 網路通訊、網路安全 等學習資料！
前言
大家好，這裏是 浩道Linux ，主要給大家分享 L inux 、 P ython 、 網路通訊、網路安全等 相關的IT知識平台。
今天浩道跟大家分享一道運維面試中常見的經典題目----為什麽MySQL單表不能超過2000萬行？一起看看究竟是怎麽回事。
文章來源：https://www.cnblogs.com/huaweiyun/p/17420032.html
最近看到一篇【我說MySQL每張表最好不要超過2000萬數據，面試官讓我回去等通知】的文章，非常有趣。
文中提到，他朋友在面試的過程中說，自己的工作就是把使用者操作資訊存到MySQL裏，因為數據量超大（5000萬條左右），需要每天定時生成3張表，然後將數據取模分別存到這三張表裏。
下面是兩人的對話：
面試後續暫且不論，不過，互聯網江湖上的確流傳著一個說法：單表數據量超過500萬行時就要進行分表分庫，已經超過2000萬行時MySQL的效能就會急劇下降。
那麽，MySQL一張表最多能存多少數據？
今天我們就從技術層面剖析一下，MySQL單表數據不能過大的根本原因是什麽？
猜想一：是索引深度嗎？
很多人認為：數據量超過500萬行或2000萬行時，引起B+tree的高度增加，延長了索引的搜尋路徑，進而導致了效能下降。事實果真如此嗎？
我們先理一下關系，MySQL采用了索引組織表的形式組織數據，葉子節點儲存數據，非葉子節點儲存主鍵與頁面號的對映關系。若使用者的主鍵長度是8字節時，MySQL中頁面偏移占4個字節，在非葉子節點的時候實際上是8+4=12個字節，12個字節表示一個頁面的對映關系。
MySQL預設是16K的頁面，拋開它的配置header，大概就是15K，因此，非葉子節點的索引頁面可放15*1024/12=1280條數據，按照每行1K計算，每個葉子節點可以存15條數據。同理，三層就是15*1280*1280=24576000條數據。只有數據量達到24576000條時，深度才會增加為4，所以，索引深度沒有那麽容易增加，詳細數據可參考下表：
搜尋路徑延長導致效能下降的說法，與當時的機械硬碟和記憶體條件不無關系。
之前機械硬碟的IOPS在100左右，而現在普遍使用的SSD的IOPS已經過萬，之前的記憶體最大幾十G，現在伺服器記憶體最大可達到TB級。
因此，即使深度增加，以目前的硬體資源，IO也不會成為限制MySQL單表數據量的根本性因素。
那麽，限制MySQL單表不能過大的根本性因素是什麽？
猜想二：是SMO無法並行嗎？
我們可以嘗試從MySQL所采用的儲存引擎InnoDB本身來探究一下。
大家知道InnoDB引擎使用的是索引組織表，它是透過索引來組織數據的，而它采用B+tree作為索引的數據結構。
B+Tree操作非原子，所以當一個執行緒做結構調整（SMO，Struction-Modification-Operation）時一般會涉及多個節點的改動。
SMO動作過程中，此時若有另一個執行緒進來可能會存取到錯誤的B+Tree結構，InnoDB為了解決這個問題采用了樂觀鎖和悲觀鎖的並行控制協定。
InnoDB對於葉子節點的修改操作如下：
方式一，先采用樂觀鎖的方式嘗試進行修改
對根節點加S鎖（shared lock，叫共享鎖，也稱讀鎖），依次對非葉子節點加S鎖。
如果葉子節點的修改不會引起B+Tree結構變動，如分裂、合並等操作，那麽只需要對葉子節點進行加X鎖（exclusive lock，叫排他鎖，也稱為寫鎖）即可完成修改。如下圖中所示 ：
方式二，采用悲觀鎖的方式
如果對葉子結點的修改會觸發SMO，那麽會采用悲觀鎖的方式。
采用悲觀鎖，需要重新遍歷B+Tree，對根節點加全域SX鎖（SX鎖是行鎖），然後從根節點到葉子節點可能修改的節點加X鎖。
在整個SMO過程中，根節點始終持有SX鎖（SX鎖表示有意向修改這個保護的範圍，SX鎖與SX鎖、X鎖沖突，與S鎖不沖突），此時其他的SMO則需要等待。
因此，InnoDB對於簡單的主鍵查詢比較快，因為數據都儲存在葉子節點中，但對於數據量大且改操作比較多的TP型業務，並行會有很嚴重的瓶頸問題。
在對葉子節點的修改操作中，InnoDB可以實作較好的1與1、1與2的並行，但是無法解決2的並行。因為在方式2中，根節點始終持有SX鎖，必須序列執行，等待上一個SMO操作完成。這樣在具有大量的SMO操作時，InnoDB的B+Tree實作就會出現很嚴重的效能瓶頸。
解決方案
目前業界有一個更好的方案B-Link Tree，與B+Tree相比，B-Link Tree最佳化了B+Tree結構調整時的鎖粒度，只需要逐層加鎖，無需對root節點加全域鎖。因此，可以做到在SMO過程中寫操作的並行執行，保持高並行下效能的穩定。
B-Link Tree主要改進點有2個：
1.中間節點增加link指標，指向右兄弟節點；
2.每個節點內增加欄位high key，儲存該節點中最大的key值。
新增的link指標是為了解決SMO過程中並行寫的問題，在SMO過程中，B-Link Tree對修改節點逐層加鎖，修改完一層即可放鎖，然後去加上一層節點的鎖繼續修改。這樣在InnoDB引擎中被SMO阻塞的寫操作可以有機會在SMO操作過程中並行進行。
如下圖所示，在節點2分裂為節點2和4的過程中，只需要在最後一步將父節點1指向新節點4時，對父節點1加鎖，其他操作均無需對父節點加鎖，更無需對root節點加鎖，因此，大大提升了SMO過程中寫操作的並行度。
由此可見，與B+Tree全域加鎖對比，B-Link Tree在高並行操作下的效能是顯著優於B+Tree的。GaussDB當前采用的就是B-Link Tree索引數據結構。
InnoDB的索引組織表更容易觸發SMO
索引組織表的葉子節點，儲存主鍵以及應對行的數據，InnoDB預設頁面為16K，若每行數據的大小為1000字節，每個葉子節點僅能儲存16行數據。
在索引組織表中，當葉子節點的扇出值過低時，SMO的觸發將更加頻繁，進而放大了SMO無法並行寫的缺陷。
目前業界有一個堆組織表的數據組織方案，也是華為雲資料庫GaussDB采用的方案。它的葉子節點儲存索引鍵以及對應的行指標（所在的頁面編號及頁內偏移），堆組織表葉子節點可以存更多的數據，分析可得在同樣的數據量與業務並行量下，堆組織表會比索引組織表發生SMO機率低許多。
效能對比
在8U32G的兩台伺服器分別搭建了MySQL（B+Tree和索引組織表）與GaussDB（B-Link Tree和堆組織表）的環境，進行了如下效能驗證：
實驗場景：在基礎表的場景上，測試增量隨機插入效能。
1.基礎表總大小10G，包含主鍵隨機分布的1000w行數據，每行數據1k；
2.插入主鍵隨機分布的1000w行數據，每行數據大小1k，測試並行插入效能。
結論： 隨著並行數的上升，GaussDB能穩步提升系統的TPS，而MySQL並行數的提高並不能帶來TPS的顯著提升。
綜上所述，MySQL無法支持大數據量下並行修改的根本原因，是由於其索引並行控制協定的缺陷造成的，而MySQL選擇索引組織表，又放大了這一缺陷。所以， 開源MySQL資料庫更適用於主鍵查詢為主的簡單業務場景，如互聯網類套用，對於復雜的商業場景限制比較明顯。
相比之下 ，采用B-Link Tree和堆組織表的GaussDB資料庫在效能和場景套用方面更勝一籌。
更多精彩
關註公眾號 「 浩道Linux 」
浩道Linux ，專註於 Linux系統 的相關知識、 網路通訊 、 網路安全 、 Python相關 知識以及涵蓋IT行業相關技能的學習， 理論與實戰結合，真正讓你在學習工作中真正去用到所學。同時也會分享一些面試經驗，助你找到高薪offer，讓我們一起去學習，一起去進步，一起去漲薪！期待您的加入~~~ 關註回復「資料」可 免費獲取學習資料 （含有電子書籍、視訊等）。
喜歡的話，記得 點「贊」 和 「在看」 哦
