架构师之路，从「存储选型」起步

经常有人问，架构师的学习路线是什么？

我一般推荐架构师的基本功，是从「存储选型」开始的。

本文整理了存储选型的思路和整体框架，主要包括几个部分内容：

• 了解目前的存储技术趋势，以及对开发人员新的要求
• 存储选型的原则，避免日常的经典误区
• 结合典型数据库特点，说明如何进行存储选型，提高业务开发效率
• 常见的场景和解决方案

1、存储技术发展看存储选型

1.1 存储类型多样化

DB-Engines数据库排名并不代表数据库的安装数量，或者使用量。但某数据库越来越受欢迎则代表在一定时间范围内更加广泛的使用。

https://db-engines.com/en/ranking

这里贴了一张2022年5月份的排行榜。

我们对于排名前10的数据库中，比较熟悉的应该是MySQL、Redis和ES，这三个数据库在我们日常开发中占据绝大多数的比例。

但是，这三个数据库只代表了一小部分的数据库类型，我们是不是可以把视野打开更多一些，看看没有更多的数据库类型，可以适合我们不同的业务，包括

Relational、Document、Key-value、Search engine、Wide column、Time Series、Graph等等不同数据库类型。

1.2 云原生存储

除去上面的传统数据库之外，云时代存储技术又有了更多的变化。

除了简单的把上面的数据库托管到云上之外，还多了许多充分利用云的基础设施产生的云原生数据库，比如aws的Amazon Aurora、阿里云的PolarDB、腾讯云的TDSQL等。

另外，云时代还产生了更多类型的数据库，比如阿里云的多模数据库Lindorm、Pingcap的HTAP数据库TiDb等。

多类型数据库是各个云厂商发展的趋势，他们为什么会支持越来越多用途的数据库呢？

供给侧的改变一定是来源于需求侧，因为随着互联网、物联网等场景发展，有很多业务需求不是任何单一的数据库能解决的了。

1.3 告诉我们什么？

「数据库类型多元化」 & 「云原生数据库类型多元化」 是一个必然的发展趋势。

我们要解决的场景会越来越多，我们需要掌握的数据库领域也越来越广，只有这样，我们才能面对在线事务、离线分析、海量存储、成本与效率等因素，真正做好存储选型。

2、存储选型原则：不要耍流氓

2.1 不讲场景的选型都是耍流氓

大家可能都知道，数据库的选型一定是基于实际的业务场景的。但是，可能也遇到过类似的对话：

上面的对话可能有些夸张，但是实际生产中，可能是对场景的理解有误，也可能是为了快速完成任务开发，结果是在「特定场景」选择了错误的数据库的情况时有发生。

常见的特定场景包括：

• 离线业务：日志、搜索、统计等。
• 事务需求：强事务型、分析型。
• 数据热度：全热数据、冷热明显等。
• 数据读写偏好：多读、多写。
• 数据增长方式：按日期、按用户、按位置类型等。

对于存储选型来说，一定需要识别特定场景的特点，是在线业务还是离线业务？数据冷热是否明显？数据访问方式特点？数据增长方式等等。

如果没有根据场景特点来做存储选型，可能会带来不良后果，包括无法满足业务需求、存储成本暴涨等，然后就需要花大代价做不停机数据迁移和代码重构。

因此，针对特定业务场景的存储选型一定要仔细、慎重，并在一开始就设计好。

2.2 不讲数据规模的选型都是耍流氓

除了特定场景外，「数据规模」是存储选型的另一个核心要素。

这样的对话非常常见。

虽然在一些新业务场景下，确实很难准确评估业务的数据规模，但是无法评估的数据规模，往往意味着无法做好正确的存储选型。

因此，如果有一定的先验知识，我们需要尽量做好数据规模的评估。比如，之前有没有类似的业务、其他组有没有类似的需求或功能，它们目前的数据规模大致如何，然后进行评估。

常见的数据规模指标有三个：

• 数据总量
• QPS
• rt

不同的数据规模指标，往往意味着不同的存储选型。

2.3 不讲掌控度的选型都是耍流氓

对于存储选型，「掌控度」是非常重要的选型原则。

这里其实包括了两个维度，开发同学对存储的掌控度 & DBA对存储的掌控度。

1）开发同学的掌控度

对开发同学来说，选择一个存储，一定是基于对该存储的基本认知&最佳实践的了解。

一定不是其他人也这么用所以我这么用。

如果盲目使用一个自己不了解的存储，很容易带来不良后果，轻则造成资源浪费，重则引起线上故障（比如Mysql的慢sql、HBase的热点访问等）。

2）DBA对存储的掌控度

对DBA来说，对一个存储的基本认知&最佳实践是基础要求了。在此之上，还有其他更多的要求。

一个是社区活跃度。社区活跃度决定着你获取信息的难易程度，也决定到出现了故障后的定位速度甚至是能不能定位出来，如果社区很活跃，自然就能得到更多的帮助。

第二个是有没有案例背书。最好是一些中厂、大厂最新的案例实践（千万不要被大厂多年前的案例迷惑，技术发展往往意味着更新更合适的解决方案）。如果案例与存储不匹配，或者没有什么案例来支持你的存储选型，那么这个选型可能就是不合适的。

第三个是存储组件的上手成本。团队具备了什么样的技术储备？选择的是自研还是云产品？云产品是全托管的还是半托管的？毕竟每一种数据库都不是这么简单，如果人力有限而上手难度又很大，那么这个存储组件目前可能不是一个好的选择。

3、选型路线图

结合上面的原则，我们来做一个存储选型路线图供大家参考。

进一步，针对各个类型数据库，我们都需要了解它们的优点、缺点、最佳实践等，来结合业务场景因地制宜。

3.1 Relational

以MySQL为代表的关系型数据库。

常用于在线业务（OLTP)场景，对于强事务有较好支持。

优点：

• 容易理解，大家基本上都用得比较熟
• 事务特性
• 配套成熟（备份恢复、数据订阅、数据同步等）
• 服务极度稳定

缺点：

• 不易水平扩展
• 大表表结构变更复杂
• 全文检索能力弱
• 复杂分析、统计能力弱

最佳实践：

• 索引设计
• 避免n+1轮训
• 避免深分页
• 单表千万考虑分库分表，或者使用云数据库（polarDB或者TDSQL)
• 冷热数据注意归档
• 不直接处理统计、分析型操作

3.2 Key-value

KV型NoSql顾名思义就是以键值对形式存储的非关系型数据库，是最简单、最容易理解也是大家最熟悉的一种 NoSql。

Redis是其中的代表，典型用于缓存场景。

优点：

• 数据基于内存，读写效率高
• KV型数据，时间复杂度为O(1)，查询速度快

缺点：

• 查询方式单一
• 内存有限，且非常昂贵
• 由于存储是基于内存的，会有丢失数据的风险（有持久化存储方案）

最佳实践：

• 合理控制kv大小，避免大key
• 避免热点key
• 设置合理的TTL
• 注意缓存雪崩、穿透、击穿、兼容问题
• 不要用于消息队列，异常情况无法堆积消息
• 不要将redis作为数据库使用，可能会丢数据

3.3 Search engine

搜索型NoSql顾名思义主要是用在搜索场景下的。

尽管MySQL可以通过索引来加速查询，但是对于全文搜索、模糊搜索等场景就比较无力，搜索型NoSql正是为了补足这个场景诞生的。

ElasticSearch是其中的代表产品。

优点：

• 支持分词场景、全文搜索，这是区别于关系型数据库最大特点
• 支持条件查询，支持聚合操作，适合数据分析
• 在集群环境下可以方便横向扩展，可承载PB级别的数据

缺点：

• 读写之间有延迟，写入的数据不一定能马上读到
• 硬件性能要求高

最佳实践：

• 核心在线应用强依赖ES需要考虑可行的降级方案
• 禁止使用单索引多type
• ES成本较高，因此建议仅数据库加速、全文检索情况下使用es
• ES中仅存储索引字段，通过id回查数据库，不要全量数据存储ES
• 根据节点数量设置合理的分片数量、分片大小

3.4 Document

文档型 NoSql 指的是将半结构化数据存储为文档的一种 NoSql，通常以 JSON 或者 XML 格式存储数据。

Mongo是其中的代表产品。

优点：

• 没有预定义的字段，扩展字段容易
• 相较于关系型数据库，读写性能优越
• 分片集群易水平扩展

缺点：

• 文档结构过于灵活，可能导致不易维护
• 客户端控制力强，对开发、优化上有一定要求

最佳实践：

• 选择合理的片键
• 建立合适的索引
• 正确使用写关注设置（Write Concern）
• 正确使用读选项设置（Read Preference）
• 正确使用更新语句（局部更新、防止大量更新集中在一条数据内）

3.5 Wide column

一般用于可靠性要求不高的海量存储场景。

HBase是代表产品（国外cassandra用得多，国内HBase用得多）。

优点：

• 动态列调整，不受表结构困扰
• 海量数据存储，PB 级别数据
• 横向扩展方便，且支持廉价存储扩展，成本低，适用于无法预估存储量的海量数据

缺点

• Hadoop生态产品，组件依赖多，没有云托管产品，运维能力要求比较高
• Rowkey设计需要一定经验，避免热点
• 单集群SLA一般3个9，如果用于在线核心业务，一定需要考虑降级和容灾
• 只支持行级事务

最佳实践

• 适用于行数多，但单个kv数据量小（1M以下）
• 特别注意Rowkey设计，避免热点
• 大value（10M以上)禁止存入HBase，考虑对象存储
• 表创建时必须预分区
• 表的列族数量不得超过 2 个
• HBase是CP型系统，SLA一般是3个9，一般建议离线业务使用。如果核心在线业务使用，必须做好降级、容灾

4、一些场景和方案参考

上文提出了 三条选型原则 和 常见数据库的选型一句，下面结合不同场景做一下常规选型方案参考。

4.1 主要场景和方案

毋庸置疑，互联网业务的主要场景，是采用mysql进行数据存储。正如MySQL的自己所说 —— most popular open source database。

当然，为了扛住高并发场景，缓存也不可缺失。因此，最主要的方案就是 MySQL + Redis。

适用于日常主要场景：

• MySQL满足事务性要求
• Redis抗热点

4.2 模糊搜索 or 全文检索

适用于搜索场景：

• 复杂查询
• 模糊搜索
• 全文搜索
• 统计分析

4.3 大量数据方案

数据规模：100TB以内的数据量。

1）MySQL分库分表 + es

传统MySQL横向扩展方案，利用分库分表中间件进行存储扩展，利用ES进行非分表键查询和复杂查询。

适用场景：

• 数据量较大
• 有中间件使用能力
• 已有MySQL横向扩展

2）云原生数据库（以polarDB为例）

云时代的新方案。

PolarDB是阿里巴巴自研的新一代云原生关系型数据库，在存储计算分离架构下，利用了软硬件结合的优势，为用户提供具备极致弹性、高性能、海量存储、安全可靠的数据库服务,100%兼容MySQL 5.6/5.7/8.0。

最高100 TB，不再需要因为单机容量的天花板而去购买多个实例做分片，由此简化应用开发，降低运维负担。

适用场景：

• 数据量较大
• 有公有云使用基础设施

3）mongo分片集群

适用场景：

• 数据量较大的NoSQL场景
• 表结构变更频繁场景，free-schema
• 对mongo使用有一定理解

4.4 海量数据方案

数据规模：100TB以上的数据量。

1）高可用数据库 + HBase

由于数据量非常大，需要考虑存储成本。因此一般会考虑冷热数据分离。

热数据在高可用数据库进行读写，可以选择MySQL、Mongo等。冷数据存入成本较低的HBase等组件。

适用场景：

• 海量数据
• 可靠性要求高

2）直接使用HBase

如果是非核心在线业务，或者离线业务，可以考虑直接使用HBase。

适用场景：

• 海量数据
• 低成本
• 可靠性要求不高

5、总结

在业务开发过程中，除了常用的MySQL，一定要多关注市面上更合适的存储方案，这是架构师的基本功。

通过了解更多存储组件的基本特性和使用场景，因地制宜选择合适存储，提高业务开发效率，降低使用成本。

希望本文能够抛砖引玉，提供一些启发和思考。