用 uid 分库，uname 上的查询怎么办？
【缘起】
用户中心 是几乎每一个公司必备的基础服务，用户注册、登录、信息查询与修改都离不开用户中心。
当数据量越来越大时，需要多用户中心进行水平切分。最常见的 水平切分方式 ， 按照 uid 取模分库 ：
通过 uid 取模 ，将数据分布到多个数据库实例上去， 提高服务实例个数，降低单库数据量 ，以达到扩容的目的。
水平切分之后：
uid 属性上的查询可以直接路由到库 ，如上图，假设访问 uid=124 的数据，取模后能够直接定位 db-user1 。
对于 uname 上的查询，就不能这么幸运了：
uname 上的查询，如上图，假设访问 uname=shenjian 的数据，由于不知道数据落在哪个库上，往往需要遍历所有库 【扫全库法】 ，当分库数量多起来，性能会显著降低。
用 uid 分库，如何高效实现上的查询，是本文将要讨论的问题。
【索引表法】
思路 ： uid 能直接定位到库， uname 不能直接定位到库，如果通过 uname 能查询到 uid ，问题解决
解决方案 ：
1 ） 建立一个索引表记录 uname->uid 的映射关系
2 ）用 uname 来访问时，先通过索引表查询到 uid ，再定位相应的库
3 ）索引表属性较少，可以容纳非常多数据，一般不需要分库
4 ）如果数据量过大，可以通过 uname 来分库
潜在不足 ：多一次数据库查询，性能下降一倍
【缓存映射法】
思路 ：访问索引表性能较低，把映射关系放在缓存里性能更佳
解决方案 ：
1 ） uname 查询先到 cache 中查询 uid ，再根据 uid 定位数据库
2 ）假设 cache miss ，采用扫全库法获取 uname 对应的 uid ，放入 cache
3 ） uname 到 uid 的映射关系不会变化，映射关系一旦放入缓存，不会更改，无需淘汰，缓存命中率超高
4 ）如果数据量过大，可以通过 name 进行 cache 水平切分
潜在不足 ：多一次 cache 查询
【 uname 生成 uid 】
思路 ：不进行远程查询，由 uname 直接得到 uid
解决方案 ：
1 ） 在用户注册时，设计函数 uname 生成 uid ， uid=f(uname) ，按 uid 分库插入数据
2 ）用 uname 来访问时，先通过函数计算出 uid ，即 uid=f(uname) 再来一遍，由 uid 路由到对应库
潜在不足 ：该函数设计需要非常讲究技巧，有 uid 生成冲突风险
【 uname 基因融入 uid 】
思路 ：不能用 uname 生成 uid ，可以从 uname 抽取“基因”，融入 uid 中
假设分 8 库，采用 uid%8 路由，潜台词是， uid 的最后 3 个 bit 决定这条数据落在哪个库上，这 3 个 bit 就是所谓的“基因”。
解决方案 ：
1 ） 在用户注册时，设计函数 uname 生成 3bit 基因 ， uname_gene=f(uname) ，如上图粉色部分
2 ）同时，生成 61bit 的全局唯一 id ，作为用户的标识，如上图绿色部分
3 ）接着把 3bit 的 uname_gene 也作为 uid 的一部分，如上图屎黄色部分
4 ）生成 64bit 的 uid ，由 id 和 uname_gene 拼装而成，并按照 uid 分库插入数据
5 ）用 uname 来访问时，先通过函数由 uname 再次复原 3bit 基因， uname_gene=f(uname) ，通过 uname_gene%8 直接定位到库
【总结】
业务场景 ：用户中心，数据量大，通过 uid 分库后，通过 uname 路由不到库
解决方案 ：
1 ） 扫全库法 ：遍历所有库
2 ） 索引表法 ：数据库中记录 uname->uid 的映射关系
3 ） 缓存映射法 ：缓存中记录 uname->uid 的映射关系
4 ） uname 生成 uid
5 ） uname 基因融入 uid
==【完】==
推荐阅读：
About The Author
