一 前言

技术同学都知道，当表数据超过一定量级，我们就需要通过分表来解决单表的性能瓶颈问题；当数据库负载超过一定水平线，我们就需要通过分库来解决单库的连接数、性能负载的瓶颈问题。 本文主要阐述在同时满足以下业务场景：

• 分表分库存储
• 需要对分表数量不同的表进行同事务操作
• 这些表的分库分表策略依赖的Sharding业务ID一致

等情况下，让这些不同数量级表，在同一个业务ID的事务操作路由到同一分库中的方案，省去解决垮库事务的烦恼。

二 案例

1 背景

假设有2个数据库实例，需要保存商家订单明细和汇总2张表的数据，这2张表的 分库分表策略都用shop_id取模策略，按单表数据500w的原则进行分表分库： （1）shop_order_detail 商家订单明细表，日均数据6000w

（2）shop_order_stat 商家订单统计表，日均数据2000w

配置完成后生成的库表：

然后我们要做这么一件事情：在同一个事务中，新增用户订单明细成功后，更新用户订单统计数据：

2 问题

此时，我要处理一笔 user_id = 3 的订单数据：

如图，执行新增shop_order_detail表操作的时候，操作被路由到了DB0中；执行更新shop_order_stat表操作的时候，操作被路由到了DB1。这时候 这两个操作跨库了，无法在同一个事务中执行， 流程异常中断。 如果用TDDL组件的话就会报这样的错：

### Cause: ERR-CODE: [TDDL-4603][ERR_ACCROSS_DB_TRANSACTION] Transaction accross db is not supported in current transaction policy

三 解决方案

解决多表跨库事务的方案有很多，本文阐述的是如下解决方案：

将shop_order_stat作为shop_order_detail的映射基础表，调整shop_order_detail的分表策略，让shop_order_detail和shop_order_stat的数据都路由到同一个库中。

但该方案的前提是目标表的表数量是映射基础表表数量的N倍数。比如shop_order_stat的总表数量是4，shop_order_detail的总表数量是12，故shop_order_detail的总表数是shop_order_stat总表数的3倍。

shop_order_detail新分表分库策略的推导思路如下：

1 调整分库策略

首先，我们看shop_id在0～11范围内，用shop_id % 4分库分表策略shop_order_stat的sharding分布图：

用shop_id % 12分库分表策略shop_order_detail的sharding分布图：

图中看出，两张表都是根据shop_id做sharding，但现有同一个shop_id有可能会被路由到不同的库中，导致跨库操作。

此时，我只需要把shop_order_detail的分库策略调整为跟shop_order_stat一致，保证同一个shop_id能路由到同一个DB分片中就能解决这个问题。调整后的sharding分布图：

但调整完分库策略后，原本的表映射策略就失效了：

原本的shop_id = 5数据可以通过shop % 12 = 5的取模策略映射到DB0的shop_order_detail_05表上。调整完分库策略后，shop_id = 9被路由到了DB0中，通过shop % 12 = 9的取模策略会映射到shop_order_detail_09这张表上，但shop_order_detail_09这张表不在DB0中，所以操作失败了。

这时候，我们需要调整分表策略，把shop_id = 9的数据既映射到DB0中的shop_order_detail_05表中。

2 分区取模策略

首先，以shop_order_stat的单库表数量2作为分块大小，总表数量4作为分区大小，对shop_id=[0~11]进行分区操作，并且将shop_id根据分块大小取模：

当前分库数量为2，shop_order_stat的单库表数量为6，计算出跨库步长=分库下标*单库表数量：

根据分区下标和分块大小，计算出分区步长=分区下标*分块大小，最后根据分块取模数+跨库步长+分区步长就能定位到最终的分表下标了：

这样就完成了把shop_id = 9的数据既映射到DB0中的shop_order_detail_05表中的工作。

四 计算公式

分表下标路由策略计算公式：

分表下标 = 业务ID取模 % 分块大小 + 业务ID取模 / 分块大小 * 单库表数量 + 业务ID取模 / 分区大小 * 分块大小

• 业务ID取模 = 业务ID % 总表数量
• 分区大小 = 目标映射表的总表数量
• 分块大小 = 目标映射表的单库表数量

以上面的案例为例，调整shop_order_detail的分库分表路由策略： （1）shop_order_stat 商家订单统计表

（2）shop_order_detail 商家订单明细表

TDDL sharding-rule配置代码示例：

<bean id="shop_order_stat" class="com.taobao.tddl.rule.TableRule">
    <property name="dbNamePattern" value="{0000}"/>
    <property name="dbRuleArray" value="(#shop_id,1,4#.longValue() % 4).intdiv(2)" />
    <property name="tbNamePattern" value="shop_order_stat_{0000}"/>
    <property name="tbRuleArray" value="#shop_id,1,4#.longValue() % 4" />
</bean>
<bean id="shop_order_detail" class="com.taobao.tddl.rule.TableRule">
    <property name="dbNamePattern" value="{0000}"/>
    <property name="dbRuleArray" value="(#shop_id,1,4#.longValue() % 4).intdiv(2)" />
    <property name="tbNamePattern" value="shop_order_detail_{0000}"/>
    <property name="tbRuleArray">
        <value>
            def index = #shop_id,1,12#.longValue() % 12;
            return index % 2 + (index % 4).intdiv(2) * 6 + index.intdiv(4) * 2
        </value>
    </property>
    <property name="allowFullTableScan" value="true"/>
</bean>

Java代码示例：

long shopId = 9;
int dbs = 2;
int tables = 12;
int oneDbTables = 6;
int partitionSize = 4;
int blockSize = 2;
int sharding = (int) (shopId % tables);
// 目标分库
int dbIndex = (int) (shopId % partitionSize / dbs);
// 目标分表
int tableIndex = sharding % blockSize + sharding % partitionSize / blockSize * oneDbTables + sharding / partitionSize * blockSize;

五 结尾 我是本地生活外卖商家运营研发团队中的一员，在实际业务场景的设计中遇到了多表事务分库内闭环的问题，没有找到适合的案例参考，才孵化出这个解决方案。

目前该方案已经在落地上线，有相同业务场景需求的同学可直接套用计算公式既可，欢迎大家交流沟通。

本文由哈喽比特于2年以前收录，如有侵权请联系我们。
文章来源：https://mp.weixin.qq.com/s/4S_BhPtIMikefPJLo5498Q