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