MySQL 5.1 分区技术初探-转自百度运维
原文：http://hi.baidu.com/ops_bd/blog/item/84ab644ca0131be783025c63.html
MySQL分区技术是用来减轻海量数据带来的负担，解决数据库性能下降问题的一种方式，其他的方式还有建立索引，大表拆小表等等。
MySQL分区按照分区的参考方式来分有RANGE分区、LIST分区、HASH分区、KEY分区。本文对这几种分区方式进行了详细的介绍，并且给出了简单的示例，文章简洁明了，对于想要初步了解MySQL分区技术的同学来说是很不错的参考材料。
一、背景介绍
当 MySQL中一个表的总记录数超过了1000万，会出现性能的大幅度下降吗？答案是肯定的。但性能下降的比率由系统的架构、应用程序、数据库索引、服务器硬件等多种因素而定。数据库多达上亿的数据量，分表之后的单个表也已经突破千万，那么单个表的更新等均影响着系统的运行效率。甚至是一条简单的SQL都有可能压垮整个数据库，如整个表对某个字段的排序操作等。
目前，针对海量数据的优化主要有2种方法：大表拆小表的方式、SQL语句的优化。
SQL语句的优化：可以通过增加索引等来调整，但是数据量的增大将会导致索引的维护代价增大。在此不详述，建议大家参考相应的《High Performance MySQL》等书籍。
大表拆小表的方式主要有两种：
1，垂直分表：
图1，垂直分区示意图
对于垂直分表，它将一个N1+N2个字段的表Tab拆分成N1字段的子表Tab1和(N2+1)字段的子表Tab2；其中子表Tab2包含了关于子表Tab1的主键信息，否则两个表的关联关系就会丢失。当然垂直分表会带来程序端SQL的修改，若是应用程序已经应用很长的一段时间，然后程序的升级将是耗时而且易出错的，即升级的代价将会很大。
2，水平分表：
图2，水平分区示意图
水平分区技术将一个表拆成多个表，比较常用的方式是将表中的记录按照某种Hash算法进行拆分，简单的拆分方法如取模方式。同样，这种分区方法也必须对前端的应用程序中的SQL进行修改方可使用。而且对于一个SQL，它可能会修改两个表，那么你必须得写成2个SQL语句从而可以完成一个逻辑的事务，使得程序的判断逻辑越来越复杂，这样也会导致程序的维护代价高，也就失去了采用数据库的优势。因此，分区技术可以有力地避免如上的弊端，成为解决海量数据存储的有力方法。
二、MySQL分区介绍
MySQL的分区技术不同与之前的分表技术，它与水平分表有点类似，但是它是在逻辑层进行的水平分表，对与应用程序而言它还是一张表。MySQL5.1有5种分区类型：
RANGE分区：基于属于一个给定连续区间的列值，把多行分配给分区；
LIST分区：类似于按RANGE分区，区别在于LIST分区是基于列值匹配一个离散值集合中的某个值来进行选择；
HASH分区：基于用户定义的表达式的返回值来进行选择的分区，该表达式使用将要插入到表中的这些行的列值进行计算。这个函数可以包含MySQL中有效的、产生非负整数值的任何表达式；
KEY分区：类似于按HASH分区，区别在于KEY分区只支持计算一列或多列，且MySQL服务器提供其自身的哈希函数。
1，RANGE分区
对于RANGE分区，举个例子：
例1：假定你创建了一个如下的表，该表保存有20家音像店的职员记录，这20家音像店的编号从1到20。如果你想将其分成4个小分区，那么你可以采用RANGE分区，创建的数据库表如下：
图3，RANGE分区实例1
在这个例子，key是一个整型的数据，那是否对于其它类型的字段就无法作为key呢？答案是否定的，例子2说明这种情况。
例2：假定你创建了一个如下的表，该表保存有20家音像店的职员记录，这20家音像店的编号从1到20。你想把不同时期离职的员工进行分别存储，那么你可以将日期字段separated（即离职时间）作为一个key，创建的SQL语句如下：
图4，RANGE分区实例2
这样你就可以对一个日期类型的字段调用mysql的日期函数YEAR()转换为一种整数类型，从而可以作为RANGE分区的key。这个时候你可以看到，分区后的物理文件是相对独立的：
图5，RANGE分区后物理文件
可知，每个分区有自己独立的数据文件和索引文件，这是为什么你对某一个查询，它只会访问它需要访问的数据块，而不访问根本不是结果的物理块，从而可以大大提高系统的效率。
LIST分区与RANGE分区有类似的地方，举个与例1类似的例子如下：
例3：假定你创建了一个如下的一个表，该表保存有20家音像店的职员记录，这20家音像店的编号从1到20。而这20个音像店，分布在4个有经销权的地区，如下表所示：
图6，LIST分区实例3
那么你可以采用如下的LIST分区语句创建数据表：
图7，LIST分区实例SQL语句
同样，它在物理文件上也会标识不同的分区：
图8，LIST分区后物理文件
HASH分区主要用来确保数据在预先确定数目的分区中平均分布。它可以基于用户定义的表达式的返回值来进行选择的分区，该表达式使用将要插入到表中的这些行的列值进行计算。
例4：假定你创建了一个如下的一个表，该表保存有20家音像店的职员记录，这20家音像店的编号从1到20。你想把不同时期加入的员工进行分别存储，那么你可以将日期字段hired（即离职时间）作为一个key，创建的SQL语句如下：
图9，HASH分区实例4
那么要插入一个在2005-09-15日入职的员工E1，那么按照取模函数会将其放置到第2分区中：
MOD(YEAR(‘2005-09-01’), 4)= MOD(2005,4)= 1 //即第2分区
与HASH分区类似，但它的key可以不是整数类型，如字符串等类型的字段。MySQL 簇（Cluster）使用函数MD5()来实现KEY分区；对于使用其他存储引擎的表，服务器使用其自己内部的哈希函数，这些函数是基于与PASSWORD()一样的运算法则。
如上分别列出了不同的分区技术，接下来进行对比，如下表所示：
图10，不同分区技术对比
三、案例分析
这个案例是针对有个员工、部门、部门经理、头衔和销售记录的模拟数据，其ER图如下所示，数据量大概有4百万左右。数据下载URL：https://launchpad.net/test-db
图11，案例分析
通过如上可知，对于同样的数据按照分区和不分区的技术分别存储，从而便于如下的查询性能分析和对比。对于salaries表，它采用RANGE分区，定义如下：
图12，案例分析
1，单表查询
从销售记录中找到1999年整年的销售记录有多少条，这个很简单，查询语句如下：
select count(*) from salaries s where s.from_date between"1999-01-01" and "1999-12-31" ;
那么对于分区前后的查询性能却有很大的差别：
图13，分区前后查询性能对比
通过如上可知，利用分区之后它只需扫描p16分区，访问的记录明显减少，所以性能自然有较大的提升：
图14，无采用分区技术和采用分区技术性能对比
2，单表查询的badcase
若现在有如下查询：
select count(*) from salaries s where year(s.from_date)=1999;
那么它是否能够利用到分区技术呢，答案是否定的。为什么呢，因为分区中的key是s.from_date，而不是year(s.from_date)，mysql并不能很智能地判断year是1999的，那么它就是分为p16分区，这个可以通过如下的查询计划可以证实：
图15，未优化前的单表查询
也就是其实它访问了所有的分区，所以并没有很好地利用分区功能，将SQL改写如下：
select count(*) from salaries s where year between '1999-01-01' and'1999-12-31' ;
则查询计划如下：
图16，改进后的单表查询
可知，书写正确的SQL可以完全表现出两种相差特别大的性能。
3，连接查询
同样地，对于连接查询，在有没有分区的条件下，将有性能3倍左右的差距。对于更大的数据量，可能会有更大的性能差距。SQL如下：
select count(*) from salaries s left join employees e ons.emp_no=e.emp_no where s.from_date between '1999-01-01' and '1999-12-31' ;
图17，无采用分区和采用分区的性能对比
4，删除查询
为了删除1998年的销售数据，那么在有分区情况下可以不利用delete查询快速地完成垃圾数据的清理。
图18，删除查询性能对比
可知，对于有分区的情况下，只需要将某个分区删除掉即可，时间仅为0.05s，相对应原来的2.82s，这个提升是非常高的。当然，利用分区功能删除之后的数据文件信息如下：
图19，利用分区功能删除后的文件信息
那么接下来如果接着插入1998年的数据，数据是否丢失了呢？还是会写不进去？答案也都是否定，它会将数据写入p16分区中。有兴趣的读者可以自己收到试试。
四、总结和不足
分区的好处有很多：
1，与单个磁盘或文件系统分区相比，可以存储更多的数据；
2，对于那些已经失去保存意义的数据，通常可以通过删除与那些数据有关的分区，很容易地删除那些数据；
3，一些查询可以得到极大的优化，如where语句数据可以只保存在一个或多个分区内；
4，涉及到例如SUM()和COUNT()这样聚合函数的查询，可以很容易地进行并行处理；
5，通过跨多个磁盘来分散数据查询，来获得更大的查询吞吐量。
在设计分区过程中，需要考虑的因素有很多，如：
1，分区的列；
2，分区使用的函数，特别是非Integer类型的列；
3，服务器性能；
4，内存大小。
根据分区技术，有一些技巧：
1，若索引的大小> RAM，考虑选用分区，不采用索引；
2，尽量不采用Primary Key做分区的key；
3，当CPU性能高的时候，考虑使用Archive存储引擎；
4，对于大量的历史数据，考虑使用Archive+PARTITION。
总之，
1，MySQL分区技术是一种逻辑的水平分表技术；
2，它只访问需要访问的分区，从而提高性能；
3，支持range, hash, key, list和复合分区方法；
4，支持MySQL服务器所支持的任何存储引擎；
5，除了Key分区方法，Partition的key 必须是整数（或者能转化成整数）。
