前两篇文章介绍了分布式存储的机制，为保证数据的高性能以及可拓展，采用分片/分区机制。为保证数据的高可用性，采用复制/镜像机制存储数据。一份数据存储多份。而这两种方式在数据中，就是分片/分区机制。分库分表/读写分离。
读写分离 CQRS
读写分离是最简单数据库拓展的方式，主要应对的场景是读多写少，可以有效的把业务做相应的隔离。
读写分离的形势可能不同，一主多从(一主一从，一主两从/多从）以及可能数据备份的方式，主备等方式。图中就是一个写库，两个从库，写的时候都写主库，读的时候都写从库。
好处
1.实现起来比较容易，数据库的master-slave 配置和服务框架里的读写分离比较成熟，应用比较快
2.可以很好的把业务隔离开来，经历的公司都是所有数据表在同一个库中，当这个数据库出现问题 负载比较高时，可能会拖垮所有业务，所以需要进行数据的拆分。将一些大表，配置表进行隔离开来。
3.可以有效分担数据的读操作，大多数的业务都是读耗费性能。
坏处
1.写库存在单点故障，如果写库不可用，那么对于一些高可用的业务，比如订单 支付系统，影响比较大。
2.数据库主从同步存在一定的延时，不实时，需要强一致性的读写操作需要写到从库上。
以下是主从复制的流程图
读写分离的目的主要是提高数据库的读操作的能力
以上的方式是比较简陋的，
读写分离CQRS
CQRS(Command and Query Responsibility Segregation) 命令和查询职责分离
用户对于一个系统的动作一个是 增删改，另一个是查询，主要数据回显，或者数据分析。
命令 不会返回数据项，但是会影响数据结果，返回执行命令
- 查询 不应影响数据，但是会返回数据
- 指责明确，可以跟好的追逐系统中哪些行为或者操作修改了系统的状态变化。
分库分表 Sharding
影响数据库性能来说是两点，一个是对数据库的操作，另一个是数据库本身的容量。
前者我们可以通过减少多表join，或者合理建立索引，如果大量查询可以用es查询，比如日志，如果要做数据报表要使用hoddop处理。
但是对于数据库本身的容量是有一定的限制，比如单表5KW的级别的时候，数据查询是非常慢的。本身服务可以进行拆分成分布式的，那么数据库页可以拆分成分布式的，具体形态就是分库分表。
说到分库分表，其实比较就离不开两个事情，一个是分库分表的策略，另一个是数据中间层。
分库分表的策略，一般老说会按照时间维度，每月 每天创建一张表，或则地理位置，或者用户%操作散列哈希。库的力度其实比较大，我们可以按照业务域进行划分，比如订单域，支付域，库存域等拆分，都需要结合具体的业务进行拆分。
数据库中间层，其实这个数据中看层的目的就是为了屏蔽底层的分库分表后，一个SQL是不需要关注分库分表后的操作的。具体功能就是需要解析SQL的能力，以及多表联查 事务操作上也是有一定的难度，XA的两阶段事务提交，这个东西复杂度比较高，一般都是基础架构组进行开发的。
设计重点
一般来说，如果只是数据库层面的分库分表，其实并没有做到彻底，要做的事情是服务和数据一起拆分，一个服务一个数据库，对外只提供接口层面的访问。先做服务化的拆分在进行分片操作，分片分为垂直分片和水平分片。
比如订单系统有专门的订单数据库，支付有专门的支付库，而不是一个数据库，所有的表都存储在一个数据库中，这样非常不利于管理，而且别的系统读取你系统的数据，出现问题，你可可能要背锅。服务和数据库要一起拆分
分库分表后，如何保证全局的唯一id，一般使用雪花算法。
比如在真实开发中，如果上下业务系统需要相关数据，最好是通过通信的API的方式将数据返回，而不应该直接读取数据库。比如订单直接读取支付数据库。另一个读写分离虽然可以提高读的性能，但是当出现大量数据更新导致主从延迟，就会出现从库获取不到最新的数据，影响上下游业务系统。所以平时在高峰期不要频繁更新大量数据，刷数据。
