数据库分表算法

在大中型项目中，在数据库设计的时候，考虑到数据库最大承受数据量，通常会把数据库或者数据表水平切分，以降低单个库，单个表的压力。这里介绍两个项目中常用的数据表切分方法。当然这些方法都是在程序中?使用一定的技巧来路由到具体的表的。首先我们要确认根据什么来水平切分？在我们的系统（SNS）中，用户的UID贯穿系统，唯一自增长，根据这个字段分表，再好不过。

function getTable( $uid ){
  $ext =  substr ( md5($uid) ,0 ,2 );
  return "user_".$ext;
}

/*
 * 参    数：$project 字符串	项目
 *			 $group 数组	待进行分表的字段及值
 *			 &$tables	数组	目前已经分的表，以值址方式传参
 *			 $length 整型	截取字符串前几位，此项与分表的数据密切相关，默认为2
 * 功    能：分表引擎
 */
function engineSplitTable($project, $group, &$tables, $length = MD5_PREFIX_LENGTH) {
	$keys = array_keys($group);
	$values = array_values($group);
	$sequence = substr(md5(implode('', $values)), 0, $length);
	
	$table = $project.'_'.implode('_', $keys).'_'.$sequence;
	
	if(isset($tables[$table])) {
	} else {
		$tables[$table] = array('textFile' => '', 'fields' => '', 'counter' => 0);
	}
	return $table;
}

注意：md5出来的字串仅包含0~9a~f，你可以把每位看成一个16进制的数字。那么 substr ( md5($uid) ,0 ,2 ) 出来的范围就是16进制的 00~ff，转成10进制就是 0~16*16

md5后的各位实际上是： 10个数字 + 6个字符的组合 = 16

md5后的值要么全是小写字母，要么全是大写字母，不会出现混合的情况，所以字母就只有 a-f || A-F 这两种之一

通过这个技巧，我们可以将不同的UID分散到256中用户表中，分别是user_00,user_01 ...... user_ff。因为UID是数字且递增，根据md5的算法，可以将用户数据几乎很均匀的分别到不同的user表中。

但是这里有个问题是，如果我们的系统的用户越来越多，势必单张表的数据量越来越大，而且根据这种算法无法扩展表，这又会回到文章开头出现的问题了。

一般情况下：设计分表之初就应该考虑到该表能达到的最大数据量，选择分多少张表，如果真的超过了预估，可以考虑集群。

方法二：使用移位

public function getTable( $uid ) {
 return "user_" . sprintf( "d", ($uid >> 20) );
}

这里，我们将uid向右移动20位，这样我们就可以把大约前100万的用户数据放在第一个表user_0000,第二个100万的用户数据放在第二个表 user_0001中，这样一直下去，如果我们的用户越来越多，直接添加用户表就行了。由于我们保留的表后缀是四位，这里我们可以添加1万张用户表，即 user_0000,user_0001 ...... user_9999。一万张表，每张表100万数据，我们可以存100亿条用户记录。当然，如果你的用户数据比这还多，也不要紧，你只要改变保留表后缀来增加可以扩展的表就行了，如如果有1000亿条数据，每个表存100万，那么你需要10万张表，我们只要保留表后缀为6位即可。

/**
 * 根据UID分表算法
 * 
 * @param int $uid  //用户ID
 * @param int $bit    //表后缀保留几位
 * @param int $seed //向右移动位数
 */
function getTable( $uid , $bit , $seed ){
  return "user_" . sprintf( "%0{$bit}d" , ($uid >> $seed) );
}

总结

上面两种方法，都要对我们当前系统的用户数据量做出可能最大的预估，并且对数据库单个表的最大承受量做出预估。

比如第二种方案，如果我们预估我们系统的用户是100亿，单张表的最优数据量是100万，那么我们就需要将UID移动20来确保每个表是100万的数据，保留用户表（user_xxxx）四位来扩展1万张表。

又如第一种方案，每张表100万，md5后取前两位，就只能有256张表了，系统总数据库就是：256*100万；如果你系统的总数据量的比这还多，那你实现肯定要MD5取前三位或者四位甚至更多位了。

两种方法都是将数据水平切分到不同的表中，相对第一种方法，第二种方法更具扩展性。

参考：http://www.nowamagic.net/librarys/veda/detail/1528

http://lampblog.org/285.html

http://blog.csdn.net/hhq163/article/details/6219221