千里之堤，溃于蚁穴。一个在完美的架构，因为一个慢Sql，会导致系统直接崩溃。总结了一些解决慢sql的方法，供参考。

一、慢sql优化

订阅每日慢日志，优先解决调用次数多的慢sql，因慢sql优化的知识点非常多，只列举几个容易忽视的地方。

注意：

1、数据量不同，查询条件不同，sql使用的索引可能是不一样的，要构造多种查询条件去测试。

2、避免所有字段都返回，尽量使用覆盖索引，解决慢sql问题，终归是与库的磁盘IO、CPU做抗争。

3、避免隐式转换造成的索引无法使用问题。

4、控制好事务粒度，大事务不仅会严重影响数据库的吞吐量，CPU（死锁检测），也会造成主从的延迟，危害极大。

5、合理的设置数据库连接池的参数，设置sql语句的timeout，查询量大的地方，需要有降级开关。

6、新增功能，每一条sql语句，都要进行explain

7、所谓的慢sql，有些sql并不慢，而是坏sql，调用量低，数据量少的情况，并不慢，慢日志无法捕获。这个时候，需要对功能进行压测，压测需要注意两个问题：

二、读写分离

使用读写分离的方式，降低数据库的压力，读写分离能有效降低库的压力，但是其并不是银弹，使用时需注意以下问题。

注意：

1、主从延迟问题。读写分离后，无可避免的会有延迟问题，所以需要甄别好，哪些业务是对延迟敏感的，这类业务，需要继续查询主库。为尽量避免延迟问题，需注意以下几点：

2、业务隔离，不同业务使用不同从库。识别出业务的黄金流程。重点业务与其他非重点业务使用不同的从库进行隔离。

对库的操作，统一收口到应用的服务层，收口之后，sql语句集中，优化效果会事半功倍。

注意：

1、脱库改造，增加缓存。

a) 对于数据要求实时性不高的场景，并且为了快速的减少系统问题，可采取缓存read-through的方式，该方式系统改造量低，简单。但是要注意，避免不存在的key缓存穿透（不存在key设置特殊值、bloomfilter）。缓存雪崩问题。
b) 数据异构，将依赖的底层数据通过binlake或双写等等方式，异构到jimdb
c) 数据异构，将列表类或多条件复杂查询数据，异构到ES。查询需注意深分页及一次查询的数据量过多问题。

2、复杂的统计类功能，使用离线计算的方式，避免实时通过库函数进行计算统计

3、浏览记录、日志类或其他不重要功能，可通过mq，同步写转异步写

底层资源进行拆分，按业务维度，不同业务拆分为不同应用，使用不同的资源。

注意：

1、库水平拆分会出现很多问题，无法join，无法聚合查询，可采用异构数据到ES等方式解决。

2、将无用的历史数据进行归档。

Mysql数据库不适用的场景：

1、复杂、多字段、模糊查询

2、超大文本的存储（text类型）。大文本查询，会耗费mysql大量的内存空间，造成热数据被置换出去，查询效率降低

3、日志类大数量的存储

4、超高并发的查询

针对问题1，对于复杂、模糊查询等，更适合使用ES搜索引擎去处理。

a) 如果对数据的实时性要求不高，建议通过binlake或mq的方式，异步构建ES索引。
b) 如果对数据实时性要求很高，可通过双写的方式处理，失败可以采用异步补偿的方式。另外ES本身段刷新有1秒的延迟，1s后数据才可搜索。如果不可接受并且数据修改频率低，可通过setRefresh方法强制刷新，立刻即可搜索到。写入量大的时候慎用。

针对问题2、3，建议使用nosql库，hbase、es等存储

针对问题4，简单查询，jimdb是非常好选择。如果有业务需要复杂查询，更建议使用ES多集群方式处理。