大家好，我是华仔~
欢迎加入华仔的星球，你将获得: 专属的中间件专栏 / 1v1 提问 / 简历修改指导/ 学习打卡 / 每月赠书 / 社群讨论
《从四大维度开始带你精通 RocketMQ》 已爆肝完毕，基于 RocketMQ 5.1.2 版本进行源码讲解。 《从四大维度开始带你精通 Kafka》 已爆肝完毕，基于 Kafka 2.8 以及 3.x 版本进行源码讲解。 截止目前，累计输出 500w+ 字，讲解图 2000+ 张，还在持续爆肝中.. 后续还会上新更多项目和专栏，目标是打造地表最强中间件星球，戳我加入学习，已有440+小伙伴加入，电商实战项目火热更新中，结束时会有简历指导包装，需要的抓紧来。
这里说几点，解答一些疑惑，可以认真看下：
1、星球内容只会越来越完善，价格越来越贵，一年时间从69元开始发售到现在已经涨到了199元，现特惠期间只需 169元(文末有最新优惠券)，还会继续涨价，所以需要抓紧来，越早越受益，别错过。
2、只筛选认可且支持我的老铁，我不喜欢白嫖怪，尊重别人就是尊重自己。
3、对于星球年费说下，只是到期后新内容看不到，已经更完的内容相当于一次付费永久看，所以认可我内容的可以放心来，有疑问文末加我好友进行答疑。
4、除专栏外，我会提供专属的一对一答疑服务，包括不限于工作中、专栏中遇到的问题，简历修改指导、职业规划服务等。这也是星球的特色服务。
冷热分离固然是一个性价比高的解决方案，但也并不是银弹，仍然有诸多限制，比如：
查询冷数据慢 业务无法修改冷数据 冷数据多到一定程度系统依旧扛不住
此时如果需要解决以上问题，可以采用另外一种方案：使用 查询分离 优化业务主表数据大查询缓慢的问题
什么是查询分离？
查询分离从字面上来说非常容易理解，其实就是在写数据时保存一个备份数据到另外的存储系统，在查询时直接从另外的存储系统中获取数据，如下图：
以上只是简单的架构图，其中有些细节还是需要深究，如下：
什么时候触发查询分离？ 如何实现查询分离？ 查询数据的存储系统选型？ 查询数据如何使用？
查询分离的适用场景？
当你在实际业务中遇到以下情形，则可以考虑使用查询分离解决方案。
数据量大；
所有写数据的请求效率尚可；
查询数据的请求效率很低；
所有的数据任何时候都可能被修改；
业务希望我们优化查询数据的功能。
曾做过 SaaS 客服系统的架构优化，系统里有一个工单查询功能，工单表中存放了几千万条数据，且查询工单表数据时需要关联十几个子表，每个子表的数据也是超亿条。
面对如此庞大的数据量，跟前面的冷热分离一样，每次客户查询数据时几十秒才能返回结果，即便我们使用了索引、SQL 等数据库优化技巧，效果依然不明显。
工单表中有些数据是几年前的，客户说这些数据涉及诉讼问题，需要继续保持更新，因此我们无法将这些旧数据封存到别的地方，也就没法通过前面的冷热分离方案来解决。
最终我们采用了查询分离的解决方案，才得以将这个问题顺利解决：将更新的数据放在一个数据库里，而查询的数据放在另外一个系统里。因为数据的更新都是单表更新，不需要关联也没有外键，所以更新速度立马得到提升，每次客户查询数据时，500ms 内就可得到返回结果。
什么时候触发查询分离？
简单的来说就是什么时候应该保存一份数据到查询数据库中，其实也就是数据异构的过程，详细文章可以看我前面一篇文章：数据异构就该这样做，yyds~
这里介绍三种方式，如下：
同步建立 异步建立 binlog方式
1、 同步建立
修改业务代码：在写入常规数据后，同步建立查询数据。
该种方案优缺点也非常明显：
优点：查询数据的一致性和实时性得到了保证
缺点：业务代码侵入比较强；减缓写操作的效率
2、 异步建立
修改业务代码：写入数据后，异步建立查询数据
该种方案的优缺点如下：
优点：不影响主流程
缺点：数据一致性存在问题
3、 binlog的方式
该种方案也是业界常用的一种方案，对于代码是无侵入的，通过监听数据库日志的方式建立查询数据，如下：
该种方案的优缺点如下：
优点：不影响主流程；代码侵入为0
缺点：数据一致性存在问题；架构相对复杂
如何实现查询分离？
对于上述三种方案都算是比较常见的方案，对于第一种同步的方式比较简单，这里不再介绍；对于第三种binlog的方式在数据异构的文章中介绍过，详情见：数据异构就该这样做，yyds~
这篇文章来介绍一下异步的方式，异步的方式有很多，可以放在内存中进行操作，但是这有些弊端：
数据过多，内存有限 服务重启，内存数据将会丢失
因此最终我们可以选择MQ的方式，那么此时就涉及到了MQ的技术选型，这里给两个建议：
如果你的公司已经用了MQ，那么直接接着用即可 如果公司目前未引入MQ，则需要架构组考量选型了，对于MQ的选型可以看我之前文章：聊聊 MQ 技术选型
当然一旦引入了MQ还需要考虑的问题很多，如下：
1、 MQ突然宕机了怎么办？
MQ宕机意味着查询数据不能继续建立了，我们可以在写入数据的同时给该条数据加一个标志字段（已搬运、未搬运），当MQ启动后，查询所有未搬运的数据，继续建立查询数据
“这里的方案很多，按照业务实际情况考量
”
2、消息的幂等消费
消息的幂等消费一定要保证，避免数据重复建立，比如：主数据的订单 A 更新后，我们在查询数据中插入了 A，可是此时系统出问题了，系统误以为查询数据没更新，又把订单 A 插入更新了一次。
3、消息的时序性问题
比如某个订单 A 更新了 1 次数据变成 A1，线程甲将 A1 的数据搬到查询数据中。不一会儿，后台订单 A 又更新了 1 次数据变成 A2，线程乙也启动工作，将 A2 的数据搬到查询数据中。
所谓的时序性就是如果线程甲启动比乙早，但搬运数据动作比线程乙还晚完成，就有可能出现查询数据最终变成过期的 A1
查询数据的存储系统选型？
既然为了解决表数据量大查询缓慢的问题，肯定是不能选用关系型数据库了，那么还有其他选择吗？
内存数据库虽然性能非常高，比如Redis，但是不适合海量数据，太费钱了
那么这里比较适用的有如下三种：
MongoDB HBase Elasticsearch
这里选型还是要根据自己公司业务选择，如果已经有在用的，则直接用即可；另外就是选择自己熟悉的，比如当初我们设计架构方案时，为什么选择用 Elasticsearch，除 ES 对查询的扩展性支持外，最关键的一点是我们团队对 Elasticsearch 很熟悉。
查询数据如何使用？
查询数据很简单，每个数据库都有对应的API，直接调用查询
但是，这里有一个问题：数据查询更新完前，查询数据不一致怎么办？，给出两种方案：
在查询数据更新到最新前，不允许用户查询。（我们没用过这种设计，但我确实见过市面上有这样的设计。）
给用户提示：您目前查询到的数据可能是 1 秒前的数据，如果发现数据不准确，可以尝试刷新一下，这种提示用户一般比较容易接受。
总结
本篇文章介绍了表数据量大查询缓慢的一种解决方案：查询分离，但这也不是银弹，仍然是存在一些不足，比如表数据量大，写入缓慢怎么办？这个后面文章再介绍吧
当然查询分离还有一个重要的问题：历史数据如何迁移？这个处理也是非常简单，但是也有许多需要考虑的点，后文介绍
推荐（求关注，别白嫖！）
最后推荐下两个不错的产品，感兴趣的可以 上车了，这里只吸引同频的人，如果加入几分钟 就直接退出的就不要来了，浪费我的名额。 第一个来自码哥的小报童，仅需 19 元，火热更新中 ，需要的可以扫码加入。 本专栏内容涵盖 Java 基础、Java 高级进阶、Redis、MySQL、消息中间件、微服务
架构设计等面试必考点、面试高频点。本专栏不只是单纯教大家学会背八股文知识，
更多是结合实际大厂高并发项目的场景，去学习面试技术要点。从面试官的角度去出
发，介绍互联网 Java 流行技术体系各个面试要点。
本专栏适合于准备进阶 Java 后端技术、有面试或提升技术需求，希望学习互联网大
厂 Java 流行技术体系的程序员和面试官，助你拿到名企高薪 Offer。
第二个是我的知识星球，特惠期间只需 169 元，需要的可以扫码加入， 加入后送上面技术小册，即 150 元。 关于星球介绍点击： 超 500 万字详解，从零到一带你彻底吃透 Kafka + RocketMQ 小红书实战
需要续费的扫这个，优惠15元
另外必须要注意的是上车的老铁一定要加我微信 好友，拉你们加入星球专属交流群。
