成都今日调控大招,一片哀嚎。
成都好不好,当然好,我还经常被说成“资深成吹”。
但不能忽视几个问题:
1.成都限购细则西部最严。
2.成都的同地段级别好房子,跟重庆拉开价格倍差,并不便宜。
3.成都一有风吹草动,马上政策加码。
总有朋友问我一个问题,说为什么成渝一体化,两地政策天差地别。
此话题敏感,本质上是ZZ话题,可以当面私聊。
另,树老师最近接待了大量成都的高净值朋友,来重庆整体看了之后,一致认为,重庆和成都的差距在缩小,就是近三年,特别明显,大量购买力因为严调控,在往重庆走。
树老师给在成渝两地之间纠结的朋友几个建议:
1.在成都工作的,至少要在成都有房,不要想着买重庆曲线救国,先取得成都购房资格为上,解决有无问题,越往后越难。
2.短期内成都市场会冰冻,这期间最好别乱买,非要买,只适合买稀缺限价房。
3.外地人,短期在成渝之间抉择,需要高成本去解决成都资格,严调控后不要马上入场,建议选重庆。
4.现金强大的成都朋友可以成渝都配置,分散风险,重庆抵押贷目前友好。
5.打新等限价盘属于概率事件,不建议孤注一掷。
成都好不好,当然好,我还经常被说成“资深成吹”。
但不能忽视几个问题:
1.成都限购细则西部最严。
2.成都的同地段级别好房子,跟重庆拉开价格倍差,并不便宜。
3.成都一有风吹草动,马上政策加码。
总有朋友问我一个问题,说为什么成渝一体化,两地政策天差地别。
此话题敏感,本质上是ZZ话题,可以当面私聊。
另,树老师最近接待了大量成都的高净值朋友,来重庆整体看了之后,一致认为,重庆和成都的差距在缩小,就是近三年,特别明显,大量购买力因为严调控,在往重庆走。
树老师给在成渝两地之间纠结的朋友几个建议:
1.在成都工作的,至少要在成都有房,不要想着买重庆曲线救国,先取得成都购房资格为上,解决有无问题,越往后越难。
2.短期内成都市场会冰冻,这期间最好别乱买,非要买,只适合买稀缺限价房。
3.外地人,短期在成渝之间抉择,需要高成本去解决成都资格,严调控后不要马上入场,建议选重庆。
4.现金强大的成都朋友可以成渝都配置,分散风险,重庆抵押贷目前友好。
5.打新等限价盘属于概率事件,不建议孤注一掷。
《你好李焕英》走红后,北电的一个宿舍也跟着火了,宿舍里的四个女孩是杨幂、张小斐、焦俊艳和袁姗姗,虽然一个宿舍,但命运不一样,以前特别讨厌听说某某没有火是有原因的,可了解袁姗姗之后你就会明白,有些事情就是有原因的,前段时间袁姗姗为自己在青春同学会上的表现上了一次热搜,真的不知道她是情商不高还是怎么了,趁张小斐不在的时候吐槽她,嫌弃她洗澡慢,当着这么多人还说人家打鼾。
一、袁姗姗
张小斐走红后事情又被曝了出来,虽然她道歉了,但这不是道歉声明,微博最后一句:我打呼噜最大声,世界第一,听起来有点阴阳怪气,事实上,这不是她第一次因为情商低而被黑。
不知道大家是否看过《巧手神探》,这个节目的重点是工匠和手工艺品,当艺术家们在节目组设定的案例中鉴定出真正的手工艺品时,本期节目中的飞行嘉宾是袁姗姗,修复专家带来了一件已经成功修复的汉代文物,其他嘉宾听说这是一件文物时,他们一个个宝贝的不得了,生怕损坏,造成了修复专家心血白费,袁姗姗没有按照专家提醒的方法拿文物,相反,袁姗姗看到后她掐了掐,还掐坏了,专家提醒她要小心,但她直截了当地说没事,可以拿着它去修,她的行为属于什么,就像有人在新扫过的路上扔软垃圾一样,旁边的人制止后,她指着环工人说:“没事,它又能扫了,这样的人怎么能受观众欢迎。
二、张小斐,杨幂一路走红
杨幂可谓是一路走红,就她而言,从来没有低谷一说,与杨幂不一样,张小斐的成名之路有点艰难,她35岁的时候才走红,她身上有许多标签,她跟杨幂和袁姗姗是同学,是贾玲的绿叶,她被孙茜和袁姗姗欺负,也被制片人的吐槽长得丑,从一个默默无闻的小演员到一个40亿的大女主,她已经走了15年,她的经历证明,15年来没有人问过她,一朝成名天下知。
三、焦俊艳
最后就是焦俊艳了,虽然焦俊艳没有其她三个那么有名,但不得不承认,她与观众和演员非常亲近,在银幕上他是一个坦率的女人,对别人足够真诚,和张小斐一样,她属于默默努力型,她们都配得上一个用好作品说话的低调演员,这四个女生也是娱乐圈最典型的四条路线,杨幂一路走红型,焦俊艳厚积薄发型,袁姗姗的先红后衰型,还有张小斐的曲线救国型,你认为四条路线中哪一条能走得更长,欢迎留言讨论。
一、袁姗姗
张小斐走红后事情又被曝了出来,虽然她道歉了,但这不是道歉声明,微博最后一句:我打呼噜最大声,世界第一,听起来有点阴阳怪气,事实上,这不是她第一次因为情商低而被黑。
不知道大家是否看过《巧手神探》,这个节目的重点是工匠和手工艺品,当艺术家们在节目组设定的案例中鉴定出真正的手工艺品时,本期节目中的飞行嘉宾是袁姗姗,修复专家带来了一件已经成功修复的汉代文物,其他嘉宾听说这是一件文物时,他们一个个宝贝的不得了,生怕损坏,造成了修复专家心血白费,袁姗姗没有按照专家提醒的方法拿文物,相反,袁姗姗看到后她掐了掐,还掐坏了,专家提醒她要小心,但她直截了当地说没事,可以拿着它去修,她的行为属于什么,就像有人在新扫过的路上扔软垃圾一样,旁边的人制止后,她指着环工人说:“没事,它又能扫了,这样的人怎么能受观众欢迎。
二、张小斐,杨幂一路走红
杨幂可谓是一路走红,就她而言,从来没有低谷一说,与杨幂不一样,张小斐的成名之路有点艰难,她35岁的时候才走红,她身上有许多标签,她跟杨幂和袁姗姗是同学,是贾玲的绿叶,她被孙茜和袁姗姗欺负,也被制片人的吐槽长得丑,从一个默默无闻的小演员到一个40亿的大女主,她已经走了15年,她的经历证明,15年来没有人问过她,一朝成名天下知。
三、焦俊艳
最后就是焦俊艳了,虽然焦俊艳没有其她三个那么有名,但不得不承认,她与观众和演员非常亲近,在银幕上他是一个坦率的女人,对别人足够真诚,和张小斐一样,她属于默默努力型,她们都配得上一个用好作品说话的低调演员,这四个女生也是娱乐圈最典型的四条路线,杨幂一路走红型,焦俊艳厚积薄发型,袁姗姗的先红后衰型,还有张小斐的曲线救国型,你认为四条路线中哪一条能走得更长,欢迎留言讨论。
#为什么MySQL数据量大了要分库分表#
是这样的。随着用户量的激增和时间的堆砌,存在数据库里面的数据越来越多,此时的数据库就会产生瓶颈,出现资源报警、查询慢等场景。
首先单机数据库所能承载的连接数、I/O及网络的吞吐等都是有限的,所以当并发量上来了之后,数据库就渐渐顶不住了。再则,如果单表的数据量过大,查询的性能也会下降。因为数据越多 B+ 树就越高,树越高则查询 I/O 的次数就越多,那么性能也就越差。因为上述的原因,不得已就得上分库分表了。把以前存在一个数据库实例里的数据拆分成多个数据库实例,部署在不同的服务器中,这是分库。把以前存在一张表里面的数据拆分成多张表,这是分表。一般而言:分表:是为了解决由于单张表数据量多大,而导致查询慢的问题。大致三、四千万行数据就得拆分,不过具体还是得看每一行的数据量大小,有些字段都很小的可能支持更多行数,有些字段大的可能一千万就顶不住了。
分库:是为了解决服务器资源受单机限制,顶不住高并发访问的问题,把请求分配到多台服务器上,降低服务器压力。顺着这个思路,再接着追问几个常见面试题。你们一般怎么分库的?一般分库都是按照业务划分的,比如订单库、用户库等等。有时候会针对一些特殊的库再作切分,比如一些活动相关的库都做了拆分。因为做活动的时候并发可能会比较高,怕影响现有的核心业务,所以即使有关联,也会单独做拆分。
那你觉得分库会带来什么问题呢? 首先是事务的问题。我们使用关系型数据库,有很大一点在于它保证事务完整性。而分库之后单机事务就用不上了,必须使用分布式事务来解决,而分布式事务基本的都是残缺的(我之前文章把分布式事务汇总了一波,后台搜索分布式事务就有了)。这是很重要的一点需要考虑。 连表 JOIN 问题在一个库中的时候我们还可以利用 JOIN 来连表查询,而跨库了之后就无法使用 JOIN 了。此时的解决方案就是在业务代码中进行关联,也就是先把一个表的数据查出来,然后通过得到的结果再去查另一张表,然后利用代码来关联得到最终的结果。这种方式实现起来稍微比较复杂,不过也是可以接受的。还有可以适当的冗余一些字段。比如以前的表就存储一个关联 ID,但是业务时常要求返回对应的 Name 或者其他字段。这时候就可以把这些字段冗余到当前表中,来去除需要关联的操作。那你们怎么分表的?分表其实有两种:垂直分表水平分表垂直分表,来看个图,很直观:
垂直分表就是把一些不常用的大字段剥离出去。像上面的例子:用户名是很常见的搜索结果,性别和年龄占用的空间又不大,而地址和个人简介占用的空间相对而言就较大,我们都知道一个数据页的空间是有限的,把一些无用的数据拆分出去,一页就能存放更多行的数据。内存存放更多有用的数据,就减少了磁盘的访问次数,性能就得到提升。水平分表,则是因为一张表内的数据太多了,上文也提到了数据越多 B+ 树就越高,访问的性能就差,所以进行水平拆分。
其实不管这些,浅显的理解下,在一百个数据里面找一个数据快,还是在一万个数据里面找一个数据快?即使有索引,那厚的书目录多,翻目录也慢~那分表会有什么问题?垂直分表还好,就是需要关联一下,而水平分表就有点麻烦了。 排序、count、分页问题如果一个用户的数据被拆分到多个表中,那查询结果分页就不像以前单张表那样直接就能查出来了,像 count 操作也是一样的。只能由业务代码来实现或者用中间件将各表中的数据汇总、排序、分页然后返回。像 count 操作的结果其实可以缓存下来,然后每次数据增删都更新计数。
路由问题分表的路由可以分:Hash 路由范围路由路由表Hash 路由,其实就是选择表中的某一列,然后进行 Hash 运算,将 Hash 运算得到的结果再对子表数进行取模,这样就能均匀的将数据分到不同的子表上。这跟 HashMap 选哪个桶是一样的原理。优点就是数据分布均匀。缺点就是增加子表的时候麻烦,想想 HashMap的扩容,是不是得搬迁数据?这个分表也是一样的,我们可都知道,数据迁移一件麻烦事!范围路由,其实很简单,可以是时间,也可以是地址,表示一定的范围的即可。比如本来一张 User 表,我可以分 User_HZ、User_BJ、User_SH,按照地名来划分 User。再比如 log 表,我可以将表分为 log_202103、 log_202104,把日志按照年月来划分。优点就是相对而言比较容易扩展,比如现在来个 GZ,那就加个 User_GZ。如果到了 5 月,那就建个 log_202105。缺点就是数据可能分布不均匀,例如 BJ 的用户特别多或者某个月搞了促销,日志量特别大,等等。路由表,就是专门搞个表来记录路由信息,来看个图就很清楚了。
从图中我们就能得知,UserID 为 2 的用户数据在要去 User_3 这个用户表查询。优点就是灵活咯,如果要迁移数据,直接迁移然后路由表一改就完事儿了~缺点就是得多查一次,每次查询都需要访问路由表,不过这个一般会做缓存的。 全局主键问题以前单表的时候很简单,就是主键自增,现在分表了之后就有点尴尬了。所以需要一些手段来保证全局主键唯一。还是自增,只不过自增步长设置一下。比如现在有三张表,步长设置为3,三张表 ID 初始值分别是1、2、3。 这样第一张表的 ID 增长是 1、4、7。第二张表是2、5、8。第三张表是3、6、9,这样就不会重复了。UUID,这种最简单,但是不连续的主键插入会导致严重的页分裂,性能比较差。分布式 ID,比较出名的就是 Twitter 开源的 sonwflake 雪花算法,具体就不展开了,不然就又是一篇文章了,简单点利用 redis 来递增也行。
那上面说的路由问题的 Sharding-Key 如何设计呢?我们分表是按照某个列来拆分的,那个列就是 Sharding-Key,查询的时候必须带上这个列才行。例如上面提到的 log_202103,那表明查询条件一定得带上日期,这样才能找到正确的表。所以设计上得考虑查询的条件来作为 Sharding-Key。举个常常会被问的订单表 Sharding-Key 例子。你想着查找订单的时候会通过订单号去找,所以应该利用订单 ID 来作为 Sharding-Key。但是你想想,你打开外卖软件想查找你的历史订单的时候,你是没有订单 ID 的,你只有你的 UserID,那此时只能把所有子表都通过 UserID 遍历一遍,这样效率就很低了!所以你想着那用 UserID 来作为 Sharding-Key 吧!
但是,商家呢?商家肯定关心自己今天卖了多少单,所以他也要查找订单,但他只有自己的商家 ID,所以如果要查询订单,只能把所有子表都通过商家 ID 遍历一遍,这样效率就很低了!所以 Sharding-Key 是满足不了所有查询需求的,只能曲线救国。一般做法就是冗余数据。将订单同步到另一张表中给商家使用,这个表按商家 ID 来作为 Sharding-Key,也可以将数据同步到 ES 中。一般而言这里的数据同步都是异步处理,不会影响正常流程。
是这样的。随着用户量的激增和时间的堆砌,存在数据库里面的数据越来越多,此时的数据库就会产生瓶颈,出现资源报警、查询慢等场景。
首先单机数据库所能承载的连接数、I/O及网络的吞吐等都是有限的,所以当并发量上来了之后,数据库就渐渐顶不住了。再则,如果单表的数据量过大,查询的性能也会下降。因为数据越多 B+ 树就越高,树越高则查询 I/O 的次数就越多,那么性能也就越差。因为上述的原因,不得已就得上分库分表了。把以前存在一个数据库实例里的数据拆分成多个数据库实例,部署在不同的服务器中,这是分库。把以前存在一张表里面的数据拆分成多张表,这是分表。一般而言:分表:是为了解决由于单张表数据量多大,而导致查询慢的问题。大致三、四千万行数据就得拆分,不过具体还是得看每一行的数据量大小,有些字段都很小的可能支持更多行数,有些字段大的可能一千万就顶不住了。
分库:是为了解决服务器资源受单机限制,顶不住高并发访问的问题,把请求分配到多台服务器上,降低服务器压力。顺着这个思路,再接着追问几个常见面试题。你们一般怎么分库的?一般分库都是按照业务划分的,比如订单库、用户库等等。有时候会针对一些特殊的库再作切分,比如一些活动相关的库都做了拆分。因为做活动的时候并发可能会比较高,怕影响现有的核心业务,所以即使有关联,也会单独做拆分。
那你觉得分库会带来什么问题呢? 首先是事务的问题。我们使用关系型数据库,有很大一点在于它保证事务完整性。而分库之后单机事务就用不上了,必须使用分布式事务来解决,而分布式事务基本的都是残缺的(我之前文章把分布式事务汇总了一波,后台搜索分布式事务就有了)。这是很重要的一点需要考虑。 连表 JOIN 问题在一个库中的时候我们还可以利用 JOIN 来连表查询,而跨库了之后就无法使用 JOIN 了。此时的解决方案就是在业务代码中进行关联,也就是先把一个表的数据查出来,然后通过得到的结果再去查另一张表,然后利用代码来关联得到最终的结果。这种方式实现起来稍微比较复杂,不过也是可以接受的。还有可以适当的冗余一些字段。比如以前的表就存储一个关联 ID,但是业务时常要求返回对应的 Name 或者其他字段。这时候就可以把这些字段冗余到当前表中,来去除需要关联的操作。那你们怎么分表的?分表其实有两种:垂直分表水平分表垂直分表,来看个图,很直观:
垂直分表就是把一些不常用的大字段剥离出去。像上面的例子:用户名是很常见的搜索结果,性别和年龄占用的空间又不大,而地址和个人简介占用的空间相对而言就较大,我们都知道一个数据页的空间是有限的,把一些无用的数据拆分出去,一页就能存放更多行的数据。内存存放更多有用的数据,就减少了磁盘的访问次数,性能就得到提升。水平分表,则是因为一张表内的数据太多了,上文也提到了数据越多 B+ 树就越高,访问的性能就差,所以进行水平拆分。
其实不管这些,浅显的理解下,在一百个数据里面找一个数据快,还是在一万个数据里面找一个数据快?即使有索引,那厚的书目录多,翻目录也慢~那分表会有什么问题?垂直分表还好,就是需要关联一下,而水平分表就有点麻烦了。 排序、count、分页问题如果一个用户的数据被拆分到多个表中,那查询结果分页就不像以前单张表那样直接就能查出来了,像 count 操作也是一样的。只能由业务代码来实现或者用中间件将各表中的数据汇总、排序、分页然后返回。像 count 操作的结果其实可以缓存下来,然后每次数据增删都更新计数。
路由问题分表的路由可以分:Hash 路由范围路由路由表Hash 路由,其实就是选择表中的某一列,然后进行 Hash 运算,将 Hash 运算得到的结果再对子表数进行取模,这样就能均匀的将数据分到不同的子表上。这跟 HashMap 选哪个桶是一样的原理。优点就是数据分布均匀。缺点就是增加子表的时候麻烦,想想 HashMap的扩容,是不是得搬迁数据?这个分表也是一样的,我们可都知道,数据迁移一件麻烦事!范围路由,其实很简单,可以是时间,也可以是地址,表示一定的范围的即可。比如本来一张 User 表,我可以分 User_HZ、User_BJ、User_SH,按照地名来划分 User。再比如 log 表,我可以将表分为 log_202103、 log_202104,把日志按照年月来划分。优点就是相对而言比较容易扩展,比如现在来个 GZ,那就加个 User_GZ。如果到了 5 月,那就建个 log_202105。缺点就是数据可能分布不均匀,例如 BJ 的用户特别多或者某个月搞了促销,日志量特别大,等等。路由表,就是专门搞个表来记录路由信息,来看个图就很清楚了。
从图中我们就能得知,UserID 为 2 的用户数据在要去 User_3 这个用户表查询。优点就是灵活咯,如果要迁移数据,直接迁移然后路由表一改就完事儿了~缺点就是得多查一次,每次查询都需要访问路由表,不过这个一般会做缓存的。 全局主键问题以前单表的时候很简单,就是主键自增,现在分表了之后就有点尴尬了。所以需要一些手段来保证全局主键唯一。还是自增,只不过自增步长设置一下。比如现在有三张表,步长设置为3,三张表 ID 初始值分别是1、2、3。 这样第一张表的 ID 增长是 1、4、7。第二张表是2、5、8。第三张表是3、6、9,这样就不会重复了。UUID,这种最简单,但是不连续的主键插入会导致严重的页分裂,性能比较差。分布式 ID,比较出名的就是 Twitter 开源的 sonwflake 雪花算法,具体就不展开了,不然就又是一篇文章了,简单点利用 redis 来递增也行。
那上面说的路由问题的 Sharding-Key 如何设计呢?我们分表是按照某个列来拆分的,那个列就是 Sharding-Key,查询的时候必须带上这个列才行。例如上面提到的 log_202103,那表明查询条件一定得带上日期,这样才能找到正确的表。所以设计上得考虑查询的条件来作为 Sharding-Key。举个常常会被问的订单表 Sharding-Key 例子。你想着查找订单的时候会通过订单号去找,所以应该利用订单 ID 来作为 Sharding-Key。但是你想想,你打开外卖软件想查找你的历史订单的时候,你是没有订单 ID 的,你只有你的 UserID,那此时只能把所有子表都通过 UserID 遍历一遍,这样效率就很低了!所以你想着那用 UserID 来作为 Sharding-Key 吧!
但是,商家呢?商家肯定关心自己今天卖了多少单,所以他也要查找订单,但他只有自己的商家 ID,所以如果要查询订单,只能把所有子表都通过商家 ID 遍历一遍,这样效率就很低了!所以 Sharding-Key 是满足不了所有查询需求的,只能曲线救国。一般做法就是冗余数据。将订单同步到另一张表中给商家使用,这个表按商家 ID 来作为 Sharding-Key,也可以将数据同步到 ES 中。一般而言这里的数据同步都是异步处理,不会影响正常流程。
✋热门推荐