詳解 mycat分片

1、 MYcat 分片規(guī)則. 枚舉法：    通過在配置文件中配置可能的枚舉id，自己配置分片，使用規(guī)則： <tableRule name="sharding-by-intfile"> <rule> <columns>user_id</columns> <algorithm>hash-int</algorithm> </rule> </tableRule><function name="hash-int" class="org.

2、opencloudb.route.function.PartitionByFileMap"> <property name="mapFile">partition-hash-int.txt</property> <property name="type">0</property> <property name="defaultNode">0</property> </function>partition-hash-int.txt 配置：

3、10000=010010=1DEFAULT_NODE=1上面columns 標(biāo)識(shí)將要分片的表字段，algorithm 分片函數(shù)， 其中分片函數(shù)配置中，mapFile標(biāo)識(shí)配置文件名稱，type默認(rèn)值為0，0表示Integer，非零表示String， 所有的節(jié)點(diǎn)配置都是從0開始，及0代表節(jié)點(diǎn)1 /*  defaultNode 默認(rèn)節(jié)點(diǎn):小于0表示不設(shè)置默認(rèn)節(jié)點(diǎn)，大于等于0表示設(shè)置默認(rèn)節(jié)點(diǎn)* 默認(rèn)節(jié)點(diǎn)的作用：枚舉分片時(shí)，如果碰到不識(shí)別的枚舉值，就讓它路由到默認(rèn)節(jié)點(diǎn)*                如果

4、不配置默認(rèn)節(jié)點(diǎn)（defaultNode值小于0表示不配置默認(rèn)節(jié)點(diǎn)），碰到*                不識(shí)別的枚舉值就會(huì)報(bào)錯(cuò)，*                like this：can't find datanode for sharding column:column_name val:ffffffff    */ 2.固定分片hash算法 <tableRule name="rule1

5、"> <rule> <columns>user_id</columns> <algorithm>func1</algorithm> </rule></tableRule> <function name="func1" class="org.opencloudb.route.function.PartitionByLong"> <property name="partitionCount">2,1</prop

6、erty> <property name="partitionLength">256,512</property> </function>配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，algorithm 分片函數(shù)， partitionCount 分片個(gè)數(shù)列表，partitionLength 分片范圍列表分區(qū)長(zhǎng)度:默認(rèn)為最大2n=1024 ,即最大支持1024分區(qū) 約束 : count,length兩個(gè)數(shù)組的長(zhǎng)度必須是一致的。1024 = sum(counti*lengthi). count和length兩個(gè)向量的點(diǎn)積恒等于1

7、024 用法例子：         本例的分區(qū)策略：希望將數(shù)據(jù)水平分成3份，前兩份各占25%，第三份占50%。（故本例非均勻分區(qū)）        / |<-1024->|        / |<-256->|<-256->|<-512->|        / | partition0 | partition1 | partition2 |       

8、; / | 共2份,故count0=2 | 共1份，故count1=1 |        int count = new int 2, 1 ;        int length = new int 256, 512 ;        PartitionUtil pu = new PartitionUtil(count, length);        / 下面代碼演示分別以offerId字段或memberId字段根據(jù)上述分區(qū)策略拆分的

9、分配結(jié)果        int DEFAULT_STR_HEAD_LEN = 8; / cobar默認(rèn)會(huì)配置為此值        long offerId = 12345;        String memberId = "qiushuo"        / 若根據(jù)offerId分配，partNo1將等于0，即按照上述分區(qū)策略，offerId為12345時(shí)將會(huì)被分配到partition0中   

10、     int partNo1 = pu.partition(offerId);        / 若根據(jù)memberId分配，partNo2將等于2，即按照上述分區(qū)策略，memberId為qiushuo時(shí)將會(huì)被分到partition2中        int partNo2 = pu.partition(memberId, 0, DEFAULT_STR_HEAD_LEN);         如果需要平均分配設(shè)置： <function name=&

11、quot;func1" class="org.opencloudb.route.function.PartitionByLong"> <property name="partitionCount">2,1</property> <property name="partitionLength">256,512</property> </function>3.范圍約定 <tableRule name="auto-sharding-long"

12、;> <rule> <columns>user_id</columns> <algorithm>rang-long</algorithm> </rule> </tableRule><function name="rang-long" class="org.opencloudb.route.function.AutoPartitionByLong"> <property name="mapFile">autopartitio

13、n-long.txt</property> </function># range start-end ,data node index# K=1000,M=10000.0-500M=0500M-1000M=11000M-1500M=2或0-10000000=010000001-20000000=1配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，algorithm 分片函數(shù)， rang-long 函數(shù)中mapFile代表配置文件路徑 所有的節(jié)點(diǎn)配置都是從0開始，及0代表節(jié)點(diǎn)1，此配置非常簡(jiǎn)單，即預(yù)先制定可能的id范圍到某個(gè)分片4.求模法 <tableRule

14、name="mod-long"> <rule> <columns>user_id</columns> <algorithm>mod-long</algorithm> </rule> </tableRule> <function name="mod-long" class="org.opencloudb.route.function.PartitionByMod"> <!- how many data nodes -> &l

15、t;property name="count">3</property> </function> 配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，algorithm 分片函數(shù)， 此種配置非常明確即根據(jù)id進(jìn)行十進(jìn)制求模預(yù)算，相比方式1，此種在批量插入時(shí)需要切換數(shù)據(jù)源，id不連續(xù) 5.日期列分區(qū)法 <tableRule name="sharding-by-date"> <rule> <columns>create_time</columns> <algorithm&g

16、t;sharding-by-date</algorithm> </rule> </tableRule> <function name="sharding-by-date" class="org.opencloudb.route.function.PartitionByDate"> <property name="dateFormat">yyyy-MM-dd</property> <property name="sBeginDate">

17、;2014-01-01</property> <property name="sPartionDay">10</property> </function>配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，algorithm 分片函數(shù)， 配置中配置了開始日期，分區(qū)天數(shù)，即默認(rèn)從開始日期算起，分隔10天一個(gè)分區(qū)Assert.assertEquals(true, 0 = partition.calculate("2014-01-01");Assert.assertEquals(true, 0 = partit

18、ion.calculate("2014-01-10");Assert.assertEquals(true, 1 = partition.calculate("2014-01-11");Assert.assertEquals(true, 12 = partition.calculate("2014-05-01");6.通配取模 <tableRule name="sharding-by-pattern"> <rule> <columns>user_id</columns>

19、 <algorithm>sharding-by-pattern</algorithm> </rule> </tableRule><function name="sharding-by-pattern" class="org.opencloudb.route.function.PartitionByPattern"> <property name="patternValue">256</property> <property name="

20、defaultNode">2</property> <property name="mapFile">partition-pattern.txt</property> </function>partition-pattern.txt # id partition range start-end ,data node index# first host configuration1-32=033-64=165-96=297-128=3# second host configuration129-160=4161-

21、192=5193-224=6225-256=70-0=7配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，algorithm 分片函數(shù)，patternValue 即求模基數(shù)，defaoultNode 默認(rèn)節(jié)點(diǎn)，如果配置了默認(rèn)，則不會(huì)按照求模運(yùn)算 mapFile 配置文件路徑 配置文件中，1-32 即代表id%256后分布的范圍，如果在1-32則在分區(qū)1，其他類推，如果id非數(shù)據(jù)，則會(huì)分配在defaoultNode 默認(rèn)節(jié)點(diǎn) String idVal = "0"Assert.assertEquals(true, 7 = autoPartition.calculate(id

22、Val);idVal = "45a"Assert.assertEquals(true, 2 = autoPartition.calculate(idVal);7. ASCII碼求模通配 <tableRule name="sharding-by-prefixpattern"> <rule> <columns>user_id</columns> <algorithm>sharding-by-prefixpattern</algorithm> </rule> <

23、/tableRule><function name="sharding-by-pattern" class="org.opencloudb.route.function.PartitionByPattern"> <property name="patternValue">256</property> <property name="prefixLength">5</property> <property name="mapFile&q

24、uot;>partition-pattern.txt</property> </function>partition-pattern.txt# range start-end ,data node index# ASCII# 48-57=0-9# 64銆5-90=銆丄-Z# 97-122=a-z# first host configuration1-4=05-8=19-12=213-16=3# second host configuration17-20=421-24=525-28=629-32=70-0=7配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，a

25、lgorithm 分片函數(shù)，patternValue 即求?；鶖?shù)，prefixLength ASCII 截取的位數(shù) mapFile 配置文件路徑 配置文件中，1-32 即代表id%256后分布的范圍，如果在1-32則在分區(qū)1，其他類推  此種方式類似方式6只不過采取的是將列種獲取前prefixLength位列所有ASCII碼的和進(jìn)行求模sum%patternValue ,獲取的值，在通配范圍內(nèi)的 即 分片數(shù)， /* ASCII編碼：* 48-57=0-9阿拉伯?dāng)?shù)字* 64、65-90=、A-Z* 97-122=a-z*/如  String idVal="gf89f

26、9a"Assert.assertEquals(true, 0=autoPartition.calculate(idVal);idVal="8df99a"Assert.assertEquals(true, 4=autoPartition.calculate(idVal);idVal="8dhdf99a"Assert.assertEquals(true, 3=autoPartition.calculate(idVal);8.編程指定 <tableRule name="sharding-by-substring"> &

27、lt;rule> <columns>user_id</columns> <algorithm>sharding-by-substring</algorithm> </rule> </tableRule><function name="sharding-by-substring" class="org.opencloudb.route.function.PartitionDirectBySubString"> <property name="start

28、Index">0</property> <!- zero-based -> <property name="size">2</property> <property name="partitionCount">8</property> <property name="defaultPartition">0</property> </function>配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，algor

29、ithm 分片函數(shù)  此方法為直接根據(jù)字符子串（必須是數(shù)字）計(jì)算分區(qū)號(hào)（由應(yīng)用傳遞參數(shù)，顯式指定分區(qū)號(hào)）。 例如id=05-100000002 在此配置中代表根據(jù)id中從startIndex=0，開始，截取siz=2位數(shù)字即05，05就是獲取的分區(qū)，如果沒傳默認(rèn)分配到defaultPartition9.字符串hash解析 <tableRule name="sharding-by-stringhash"> <rule> <columns>user_id</columns> <algorithm>shardi

30、ng-by-stringhash</algorithm> </rule> </tableRule><function name="sharding-by-substring" class="org.opencloudb.route.function.PartitionDirectBySubString"> <property name=length>512</property> <!- zero-based -> <property name="count

31、">2</property> <property name="hashSlice">0:2</property> </function>配置說明： 上面columns 標(biāo)識(shí)將要分片的表字段，algorithm 分片函數(shù)  函數(shù)中l(wèi)ength代表字符串hash求?；鶖?shù)，count分區(qū)數(shù)，hashSlice hash預(yù)算位即根據(jù)子字符串 hash運(yùn)算 hashSlice ： 0 means str.length(), -1 means str.length()-1/*     

32、;* "2" -&gt; (0,2)<br/>     * "1:2" -&gt; (1,2)<br/>     * "1:" -&gt; (1,0)<br/>     * "-1:" -&gt; (-1,0)<br/>     * ":-1" -&gt; (0,-1)<br/>

33、     * ":" -&gt; (0,0)<br/>     */例子： String idVal=null; rule.setPartitionLength("512"); rule.setPartitionCount("2"); rule.init(); rule.setHashSlice("0:2");/idVal = "0"/Assert.assertEquals(true, 0 = rule.calcul

34、ate(idVal);/idVal = "45a"/Assert.assertEquals(true, 1 = rule.calculate(idVal); /last 4 rule = new PartitionByString(); rule.setPartitionLength("512"); rule.setPartitionCount("2"); rule.init(); /last 4 characters rule.setHashSlice("-4:0"); idVal = "aaaabbb

35、0000" Assert.assertEquals(true, 0 = rule.calculate(idVal); idVal = "aaaabbb2359" Assert.assertEquals(true, 0 = rule.calculate(idVal);10,一致性hash <tableRule name="sharding-by-murmur"> <rule> <columns>user_id</columns> <algorithm>murmur</algorit

36、hm> </rule> </tableRule><function name="murmur" class="org.opencloudb.route.function.PartitionByMurmurHash"> <property name="seed">0</property><!- 默認(rèn)是0-> <property name="count">2</property><!- 要分片的數(shù)據(jù)庫(kù)節(jié)點(diǎn)數(shù)量，必

37、須指定，否則沒法分片-> <property name="virtualBucketTimes">160</property><!- 一個(gè)實(shí)際的數(shù)據(jù)庫(kù)節(jié)點(diǎn)被映射為這么多虛擬節(jié)點(diǎn)，默認(rèn)是160倍，也就是虛擬節(jié)點(diǎn)數(shù)是物理節(jié)點(diǎn)數(shù)的160倍-> <!- <property name="weightMapFile">weightMapFile</property> 節(jié)點(diǎn)的權(quán)重，沒有指定權(quán)重的節(jié)點(diǎn)默認(rèn)是1。以properties文件的格式填寫，以從0開始到count-1的整數(shù)值也就是節(jié)點(diǎn)索引為k

38、ey，以節(jié)點(diǎn)權(quán)重值為值。所有權(quán)重值必須是正整數(shù)，否則以1代替 -> <!- <property name="bucketMapPath">/etc/mycat/bucketMapPath</property> 用于測(cè)試時(shí)觀察各物理節(jié)點(diǎn)與虛擬節(jié)點(diǎn)的分布情況，如果指定了這個(gè)屬性，會(huì)把虛擬節(jié)點(diǎn)的murmur hash值與物理節(jié)點(diǎn)的映射按行輸出到這個(gè)文件，沒有默認(rèn)值，如果不指定，就不會(huì)輸出任何東西 -> </function>一致性hash預(yù)算有效解決了分布式數(shù)據(jù)的擴(kuò)容問題，前1-9中id規(guī)則都多少存在數(shù)據(jù)擴(kuò)容難題，而10規(guī)則解

39、決了數(shù)據(jù)擴(kuò)容難點(diǎn) 關(guān)于一致性hash詳細(xì)： 一致性哈希算法在1997年由麻省理工學(xué)院提出的一種分布式哈希（DHT）實(shí)現(xiàn)算法，設(shè)計(jì)目標(biāo)是為了解決因特網(wǎng)中的熱點(diǎn)(Hot spot)問題，初衷和CARP十分類似。一致性哈希修正了CARP使用的簡(jiǎn) 單哈希算法帶來的問題，使得分布式哈希（DHT）可以在P2P環(huán)境中真正得到應(yīng)用。      一致性hash算法提出了在動(dòng)態(tài)變化的Cache環(huán)境中，判定哈希算法好壞的四個(gè)定義： 1、平衡性(Balance)：平衡性是指哈希的結(jié)果能夠盡可能分布到所有的緩沖中去，這樣可以使得所有的緩沖空間都得到利用。很多哈希算法都能夠滿足這一條件。 2

40、、單調(diào)性(Monotonicity)：?jiǎn)握{(diào)性是指如果已經(jīng)有一些內(nèi)容通過哈希分派到了相應(yīng)的緩沖中，又有新的緩沖加入到系統(tǒng)中。哈希的結(jié)果應(yīng)能夠保證原有已分配的內(nèi)容可以被映射到原有的或者新的緩沖中去，而不會(huì)被映射到舊的緩沖集合中的其他緩沖區(qū)。  3、分散性(Spread)：在分布式環(huán)境中，終端有可能看不到所有的緩沖，而是只能看到其中的一部分。當(dāng)終端希望通過哈希過程將內(nèi)容映射到緩沖上時(shí)，由于不同終端所見的緩沖范圍有可能不同，從而導(dǎo)致哈希的結(jié)果不一致，最終的結(jié)果是相同的內(nèi)容被不同的終端映射到不同的緩沖區(qū)中。這種情況顯然是應(yīng)該避免的，因?yàn)樗鼘?dǎo)致相同內(nèi)容被存儲(chǔ)到不同緩沖中去，降低了系統(tǒng)存儲(chǔ)的效率。

41、分散性的定義就是上述情況發(fā)生的嚴(yán)重程度。好的哈希算法應(yīng)能夠盡量避免不一致的情況發(fā)生，也就是盡量降低分散性。  4、負(fù)載(Load)：負(fù)載問題實(shí)際上是從另一個(gè)角度看待分散性問題。既然不同的終端可能將相同的內(nèi)容映射到不同的緩沖區(qū)中，那么對(duì)于一個(gè)特定的緩沖區(qū)而言，也可能被不同的用戶映射為不同 的內(nèi)容。與分散性一樣，這種情況也是應(yīng)當(dāng)避免的，因此好的哈希算法應(yīng)能夠盡量降低緩沖的負(fù)荷。     在分布式集群中，對(duì)機(jī)器的添加刪除，或者機(jī)器故障后自動(dòng)脫離集群這些操作是分布式集群管理最基本的功能。如果采用常用的hash(object)%N算法，那么在有機(jī)器添加或者刪除后，很多原有的

42、數(shù)據(jù)就無(wú)法找到了，這樣嚴(yán)重的違反了單調(diào)性原則。接下來主要講解一下一致性哈希算法是如何設(shè)計(jì)的： 環(huán)形Hash空間 按照常用的hash算法來將對(duì)應(yīng)的key哈希到一個(gè)具有232次方個(gè)桶的空間中，即0(232)-1的數(shù)字空間中。現(xiàn)在我們可以將這些數(shù)字頭尾相連，想象成一個(gè)閉合的環(huán)形。如下圖                                              

43、;                             把數(shù)據(jù)通過一定的hash算法處理后映射到環(huán)上 現(xiàn)在我們將object1、object2、object3、object4四個(gè)對(duì)象通過特定的Hash函數(shù)計(jì)算出對(duì)應(yīng)的key值，然后散列到Hash環(huán)上。如下圖：     Hash(object1) = key1；     Hash(object2) = key2；     Hash(object3

44、) = key3；     Hash(object4) = key4；                                                            將機(jī)器通過hash算法映射到環(huán)上 在采用一致性哈希算法的分布式集群中將新的機(jī)器加入，其原理

45、是通過使用與對(duì)象存儲(chǔ)一樣的Hash算法將機(jī)器也映射到環(huán)中（一般情況下對(duì)機(jī)器的hash計(jì)算是采用機(jī)器的IP或者機(jī)器唯一的別名作為輸入值），然后以順時(shí)針的方向計(jì)算，將所有對(duì)象存儲(chǔ)到離自己最近的機(jī)器中。 假設(shè)現(xiàn)在有NODE1，NODE2，NODE3三臺(tái)機(jī)器，通過Hash算法得到對(duì)應(yīng)的KEY值，映射到環(huán)中，其示意圖如下： Hash(NODE1) = KEY1; Hash(NODE2) = KEY2; Hash(NODE3) = KEY3;                        

46、;                                      通過上圖可以看出對(duì)象與機(jī)器處于同一哈?？臻g中，這樣按順時(shí)針轉(zhuǎn)動(dòng)object1存儲(chǔ)到了NODE1中，object3存儲(chǔ)到了NODE2中，object2、object4存儲(chǔ)到了NODE3中。在這樣的部署環(huán)境中，hash環(huán)是不會(huì)變更的，因此，通過算出對(duì)象的hash值就能快速的定位到對(duì)應(yīng)的機(jī)器中，這樣就能找到對(duì)象真正的存儲(chǔ)位置了。 機(jī)器的

47、刪除與添加 普通hash求余算法最為不妥的地方就是在有機(jī)器的添加或者刪除之后會(huì)照成大量的對(duì)象存儲(chǔ)位置失效，這樣就大大的不滿足單調(diào)性了。下面來分析一下一致性哈希算法是如何處理的。 1. 節(jié)點(diǎn)（機(jī)器）的刪除     以上面的分布為例，如果NODE2出現(xiàn)故障被刪除了，那么按照順時(shí)針遷移的方法，object3將會(huì)被遷移到NODE3中，這樣僅僅是object3的映射位置發(fā)生了變化，其它的對(duì)象沒有任何的改動(dòng)。如下圖：                                                               2. 節(jié)點(diǎn)（機(jī)器）的添加      如果往集群中添加一個(gè)新的節(jié)點(diǎn)NODE4，通過對(duì)應(yīng)的哈希算法得到KEY4，并映射到環(huán)中，如下圖：           &#