上亿数据怎么玩深度分页？兼容MySQL + ES + MongoDB
上亿数据怎么玩深度分页？兼容MySQL + ES + MongoDB
面试题 & 真实经历
面试题：在数据量很大的情况下，怎么实现深度分页？
大家在面试时，或者准备面试中可能会遇到上述的问题，大多的回答基本上是分库分表建索引，这是一种很标准的正确回答，但现实总是很骨感，所以面试官一般会追问你一句，现在工期不足，人员不足，该怎么实现深度分页？
这个时候没有实际经验的同学基本麻爪，So，请听我娓娓道来。
惨痛的教训
首先必须明确一点：深度分页可以做，但是深度随机跳页绝对需要禁止。
上一张图：
你们猜，我点一下第142360页，服务会不会爆炸？
像MySQL，MongoDB数据库还好，本身就是专业的数据库，处理的不好，最多就是慢，但如果涉及到ES，性质就不一样了，我们不得不利用 SearchAfter Api，去循环获取数据，这就牵扯到内存占用的问题，如果当时代码写的不优雅，直接就可能导致内存溢出。
为什么不能允许随机深度跳页
从技术的角度浅显的聊一聊为什么不能允许随机深度跳页，或者说为什么不建议深度分页
MySQL
分页的基本原理：
SELECT * FROM test ORDER BY id DESC LIMIT 10000, 20;
LIMIT 10000 , 20的意思扫描满足条件的10020行，扔掉前面的10000行，返回最后的20行。如果是LIMIT 1000000 , 100，需要扫描1000100 行，在一个高并发的应用里，每次查询需要扫描超过100W行，不炸才怪。
MongoDB
分页的基本原理：
db.t_data.find().limit(5).skip(5);
同样的，随着页码的增大，skip 跳过的条目也会随之变大，而这个操作是通过 cursor 的迭代器来实现的，对于cpu的消耗会非常明显，当页码非常大时且频繁时，必然爆炸。
ElasticSearch
从业务的角度来说，ElasticSearch不是典型的数据库，它是一个搜索引擎，如果在筛选条件下没有搜索出想要的数据，继续深度分页也不会找到想要的数据，退一步讲，假如我们把ES作为数据库来使用进行查询，在进行分页的时候一定会遇到max_result_window的限制，看到没，官方都告诉你最大偏移量限制是一万。
查询流程：
- 如查询第501页，每页10条，客户端发送请求到某节点
- 此节点将数据广播到各个分片，各分片各自查询前 5010 条数据
- 查询结果返回至该节点，然后对数据进行整合，取出前 5010 条数据
- 返回给客户端
由此可以看出为什么要限制偏移量，另外，如果使用 Search After 这种滚动式API进行深度跳页查询，也是一样需要每次滚动几千条，可能一共需要滚动上百万，千万条数据，就为了最后的20条数据，效率可想而知。
再次和产品对线
俗话说的好，技术解决不了的问题，就由业务来解决！
在实习的时候信了产品的邪，必须实现深度分页 + 跳页，如今必须拨乱反正，业务上必须有如下更改：
- 尽可能的增加默认的筛选条件，如：时间周期，目的是为了减少数据量的展示
- 修改跳页的展现方式，改为滚动显示，或小范围跳页
滚动显示参考图：
小规模跳页参考图：
通用解决方案
短时间内快速解决的方案主要是以下几点：
- 必备：对排序字段，筛选条件务必设置好索引
- 核心：利用小范围页码的已知数据，或者滚动加载的已知数据，减少偏移量
- 额外：如果遇到不好处理的情况，也可以获取多余的数据，进行一定的截取，性能影响并不大
MySQL
原分页SQL：
# 第一页
SELECT * FROM `year_score` where `year` = 2017 ORDER BY id limit 0, 20;
# 第N页
SELECT * FROM `year_score` where `year` = 2017 ORDER BY id limit (N - 1) * 20, 20;
通过上下文关系，改写为：
# XXXX 代表已知的数据
SELECT * FROM `year_score` where `year` = 2017 and id > XXXX ORDER BY id limit 20;
在 没内鬼，来点干货！SQL优化和诊断 一文中提到过，LIMIT会在满足条件下停止查询，因此该方案的扫描总量会急剧减少，效率提升Max！
ES
方案和MySQL相同，此时我们就可以随用所欲的使用 FROM-TO Api，而且不用考虑最大限制的问题。
MongoDB
方案基本类似，基本代码如下：
相关性能测试：
如果非要深度随机跳页
如果你没有杠过产品经理，又该怎么办呢，没关系，还有一丝丝的机会。
在 SQL优化 一文中还提到过MySQL深度分页的处理技巧，代码如下：
# 反例（耗时129.570s）
select * from task_result LIMIT 20000000, 10;
# 正例（耗时5.114s）
SELECT a.* FROM task_result a, (select id from task_result LIMIT 20000000, 10) b where a.id = b.id;
# 说明
# task_result表为生产环境的一个表，总数据量为3400万，id为主键，偏移量达到2000万
该方案的核心逻辑即基于聚簇索引，在不通过回表的情况下，快速拿到指定偏移量数据的主键ID，然后利用聚簇索引进行回表查询，此时总量仅为10条，效率很高。
因此我们在处理MySQL，ES，MongoDB时，也可以采用一样的办法：
- 限制获取的字段，只通过筛选条件，深度分页获取主键ID
- 通过主键ID定向查询需要的数据
瑕疵：当偏移量非常大时，耗时较长，如文中的 5s
