并没有因为⾃⼰拥有天然的速度优势就放弃了⾃⼰在效率⽅⾯的追求。 与此相反， Redis 的开发者在实现各项数据结构和特性的时候都经过了⼤量考量， 在底层选⽤了很多⾮常 ⾼效的数据结构和算法， 以此来确保每个操作都可以在尽可能短的时间内完成， 并且尽可能地节省内存。 对⽤户友好的API、⽂档以及社区 “虽然 Redis 提供了很多很棒的数据结构和特性， 但如果它们使⽤起来⾮常困难的话， 那么这⼀切就没有意 义。” ——如果你对此有所担⼼的话， 对键的值进⾏更新 在第⼆条 SET 命令执⾏之后， mysql-homepage 键的值将从原来的 "mysql.org" 更新为 "mysql.com" 。 2.1.2 其他信息 属性 值 复杂度 O(1) 版本要求 不带任何可选项的 SET 命令从 Redis 1.0.0 版本开始可⽤； 带有 NX 、 XX 等可选项的 SET 命 令从 Redis 2.6.12 版本开始可⽤。 2.2 那么我们就说这个键不存在于数据库。 ⽐如对于上⾯展示的⼏个键来说， date 键就不存在于数据库， ⽽ message 键、 number 键和 homepage 键则存在于数据库。 2.2.1 其他信息 属性 值 复杂度 O(1) 版本要求 GET 命令从 Redis 1.0.0 开始可⽤。 2.3 GETSET：获取旧值并设置新值 GETSET 命令就像 GET 命令和 SET 命令的组合版本， 它⾸先获取字符串键⽬前已有的值，

作为开源云原生方案, Zabbix 一直使用 MySQL 作为 后端存储, 在面对更大规模监控需求的时候, 单机 MySQL 数据库面临性能和容量瓶颈, 无法支持几T量级 的数据, 使得监控对象的数量和数据存储时间不能莱得。 TiDB 是兼容 MySQL 协议的分布式数据库, 在易用性与平滑升级方面比其他监控后台数据库方案更有优 势,中国银行决定采用 TiDB 痊换 Zabbix 后端的 MySQL,构建新一代运维监控平台。 o 。 第五章 - 场入案例 ET 一， 33 实际迁移中, PayPay 使用增量的方法逐步增加流量, 实际迁移耗时小于 2 小时, 未出现任何问题,将服务停 机时间降至最低。迁移后经过 3 个多月实际业务的运行考验, TiDB 各项指标均达到预期的目标。 PayPay 新的交易数据库由 TiDB 集群组成, 每个集群包括 PDTiDB 和TiKV 组件, 每个组件都有多个实 栈，大幅降低了电力企业数据中台的建设与维护成本。TiDB 实现了处理与存储能力的弹性扩容，整体 性能表现很好地满足了业务要求，2019 年 10 月至今系统运行平稳，数据量为9 TB，月增长 15TB左 右，时间索引查询 50 毫秒内返回，主键点查小于 ] 毫秒返回。 PingCAP.COM 一 第五章 - 场景案例

Greenplum（当时还是一个 Startup 公司，创始人家门口有 一棵青梅 ——greenplum，因此而得名）召集了十几位业界大咖（据 说来自 google、yahoo、ibm 和 TD），说干就干，花了一年多的时间 完成最初的版本设计和开发，用软件实现了在开放 X86 平台上的分布 式并行计算，不依赖于任何专有硬件，达到的性能却远远超过传统高 昂的专有系统。 Big Date2.indd 2 16-11-22 ，而不是mysql等等）， 但是 Postgresql 是单实例数据库，怎么能在多个 X86 服务器上运行多 个实例且实现并行计算呢？为了这，Interconnnect 大神器出现了。在 那一年多的时间里，大咖们很大一部分精力都在不断的设计、优化、 开发 Interconnect 这个核心软件组件。最终实现了对同一个集群中多 个 Postgresql 实例的高效协同和并行计算，Interconnect 台基础上 提供强大的并行数据计算性能和海量数据管理能力。这个能力主要指 的是并行计算能力，是对大任务、复杂任务的快速高效计算，但如果 你指望 MPP 并行数据库能够像 OLTP 数据库一样，在极短的时间处 理大量的并发小任务，这个并非 MPP 数据库所长。请牢记，并行和 并发是两个完全不同的概念，MPP 数据库是为了解决大问题而设计的 并行计算技术，而不是大量的小问题的高并发请求。 再通俗点说，Greenplum

服务器为单位，通过如下图所示的组群方式来扩展存储和计算。假设一个宽表有3亿条记录 MPP 数据库会尝试在每台 PC 服务器的硬盘上分布1 录。数据计算时，所有机器同时并行计算，理论上最 把计算时间降低到单机部署的 1/n (n为机器数量) ，节省了海量数据的处理时间。 传统数据仓库架构 然而，随着数据量的不断尝升，企业对数据仓库的要求也越来越高，在使用过程中，传统 MPP 数据库解决方案迎来 了一系列的瓶颈: 传统数据仓库的计算和存情是| 数据库的扩 容和升级时，由于传统数据仓库架构存储和计算的紧密耦合，往往需要企业花费巨大的运维和时间成本，且操作繁 琐。 木桶效应 传统 MPP 数据仓库架构存在“木桶效应”，集群整体执行速度取决于最“短板的”节点的性能。因此，一个节点的 表现往往会 “拖幸”整个集群的性能，导致查询速度变慢。 随卷时间的推移，业务的增长，企业往往需要在1-2年后 对集群增加计算节点，此时，无论新的计算节点性能如 数仓，企业往往会需要配备运维人力，且对运维、开发人员要求高，需要相关人员掌握复杂的技术 栈，技术的更新迁代迅速，相关人员需保持积极的知识更新意识。根关人才市场较小，人才芽乏。高昂的学习成本造 成用户使用过程中性能差、故障率高、故障修复时间长等问题。 云时代的数据处理要求 随着数据量和计算能力的爆发式增长，云计算技术的迅猛发展，云原生架构愈受欢迎，云原生时代应运而生。云原生 时代，越来越多的企业将应用向云上迁移，而越来越多的数据也流向云上。公有云带来了众多优势:

存储和计算。假设一个宽表有3亿条记录， MPP 数据库会尝试在每台 PC 服务器的硬盘上分布1亿条记录。数据计算时，所有机器同时并行计算，理论上最高可以 把计算时间降低到单机部署的 1/n（n为机器数量），节省了海量数据的处理时间。 传统数据仓库的计算和存储是紧密耦合的，计算资源和存储资源按某一比例强绑定，因此用户在扩容时，必须同时扩 容计算资源和存储资源，在扩缩容、运维、迁移上都存在一 容和升级时，由于传统数据仓库架构存储和计算的紧密耦合，往往需要企业花费巨大的运维和时间成本，且操作繁 琐。 木 桶 效 应 传统 MPP 数据仓库架构存在“木桶效应”，集群整体执行速度取决于最“短板的”节点的性能。因此，一个节点的 表现往往会 “拖垮”整个集群的性能，导致查询速度变慢。 随着时间的推移，业务的增长，企业往往需要在1-2年后 对集群增加计算节点，此时，无论新的计算节 维、开发人员要求高，需要相关人员掌握复杂的技术 栈，技术的更新迭代迅速，相关人员需保持积极的知识更新意识。相关人才市场较小，人才匮乏。高昂的学习成本造 成用户使用过程中性能差、故障率高、故障修复时间长等问题。 5 云时代的数据处理要求 随着数据量和计算能力的爆发式增长，云计算技术的迅猛发展，云原生架构愈受欢迎，云原生时代应运而生。云原生 时代，越来越多的企业将应用向云上迁移，而越来越多

. 291 7.24 ANTLR 插件在 src 同级目录下生成代码，容易误提交，如何避免？ . . . . . . . . . . . . 292 viii 1 概览 星评增长时间线 贡献者增长时间线 Apache ShardingSphere 是一套开源的分布式数据库解决方案组成的生态圈，它由 JDBC、Proxy 和 Sidecar （规划中）这 3 款既能够独立部署，又支持 document, v5.0.0-beta 1.2.3 数据库治理 • 分布式治理 • 弹性伸缩 • 可视化链路追踪 • 数据加密 1.2. 功能列表 4 2 快速入门 本章节以尽量短的时间，为使用者提供最简单的 Apache ShardingSphere 的快速入门。 2.1 ShardingSphere-JDBC 2.1.1 1. 引入 maven 依赖 都落在数据库之上。而单一的数据节点，或者简单的主从架构，已经越来越难以承担。数据库的可用性， 已成为整个系统的关键。 从运维成本方面考虑，当一个数据库实例中的数据达到阈值以上，对于 DBA 的运维压力就会增大。数据 备份和恢复的时间成本都将随着数据量的大小而愈发不可控。一般来讲，单一数据库实例的数据的阈值 在 1TB 之内，是比较合理的范围。 在传统的关系型数据库无法满足互联网场景需要的情况下，将数据存储至原生支持分布式的

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 3520 21 16.2 TiDB 版本发布时间线 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 可以将系统变量tidb_enable_metadata_lock 设置为 OFF。 更多信息，请参考用户文档。 • 支持通过 FLASHBACK CLUSTER TO TIMESTAMP 命令将集群快速回退到特定的时间点 (GA) #37197 #13303 @Defined2014 @bb7133 @JmPotato @Connor1996 @HuSharp @CalvinNeo 32 TiDB v6.4 Garbage Collection (GC) life time 内快速回退整个集群到指定的时间点。该功能在 v6.5.0 新增对 TiCDC 和 PITR 的兼容性支持并正式 GA， 适用于快速撤消 DML 误操作、支持集群分钟级别的快速回退、支持在时间线上多次回退以确定特定数 据更改发生的时间。 更多信息，请参考用户文档。 • 完整支持包含 INSERT、REPLACE、UPDATE 和

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 396 xi 1 概览 星评增长时间线 贡献者增长时间线 Apache ShardingSphere 产品定位为 Database Plus，旨在构建异构数据库上层的标准和生态。它关 注如何充分合理地利用数据库的计算和存储能力，而并非实现 高可用 1.2. 解决方案 5 Apache ShardingSphere document, v5.1.1 1.3 线路规划 1.3. 线路规划 6 2 快速入门 本章节以尽量短的时间，为使用者提供最简单的 Apache ShardingSphere 的快速入门。 2.1 ShardingSphere-JDBC 2.1.1 引入 maven 依赖 都落在数据库之上。而单一的数据节点，或者简单的主从架构，已经越来越难以承担。数据库的可用性， 已成为整个系统的关键。 从运维成本方面考虑，当一个数据库实例中的数据达到阈值以上，对于 DBA 的运维压力就会增大。数据 备份和恢复的时间成本都将随着数据量的大小而愈发不可控。一般来讲，单一数据库实例的数据的阈值 在 1TB 之内，是比较合理的范围。 在传统的关系型数据库无法满足互联网场景需要的情况下，将数据存储至原生支持分布式的

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 3721 16.2 TiDB 版本发布时间线 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 间数据操作的物理隔离，并支持平稳管理更多的数据。与原 TiKV 存储引擎相比，使用 Partitioned Raft KV 引擎在相同硬件条件和读写混合场景下，可以实现大约两倍 的写入吞吐并缩短大约 4/5 的弹性扩展时间。 在 TiDB v7.1.0 中，Partitioned Raft KV 引擎支持 TiDB Lightning、BR 和 TiCDC 等工具。 该功能目前是实验特性，不推荐在生产环境中使用。 读取副本，而无需在热点 TiKV 节点排队等待。你可以通过tidb_load_based_replica_read_threshold 系 统变量控制读请求的排队长度。当 leader 节点的预估排队时间超过该阈值时，TiDB 会优先从 follower 节 点读取数据。在读热点的情况下，与不打散读热点相比，该功能可提高读取吞吐量 70% ～ 200%。 更多信息，请参考用户文档。 • 增强缓存非

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433 xi 1 概览 星评增长时间线 贡献者增长时间线 Apache ShardingSphere 产品定位为 Database Plus，旨在构建异构数据库上层的标准和生态。它关 注如何充分合理地利用数据库的计算和存储能力，而并非实现 高可用 1.2. 解决方案 5 Apache ShardingSphere document, v5.1.2 1.3 线路规划 1.3. 线路规划 6 2 快速入门 本章节以尽量短的时间，为使用者提供最简单的 Apache ShardingSphere 的快速入门。 示例代码：https://github.com/apache/shardingsphere/tree/master/examples 都落在数据库之上。而单一的数据节点，或者简单的主从架构，已经越来越难以承担。数据库的可用性， 已成为整个系统的关键。 从运维成本方面考虑，当一个数据库实例中的数据达到阈值以上，对于 DBA 的运维压力就会增大。数据 备份和恢复的时间成本都将随着数据量的大小而愈发不可控。一般来讲，单一数据库实例的数据的阈值 在 1TB 之内，是比较合理的范围。 在传统的关系型数据库无法满足互联网场景需要的情况下，将数据存储至原生支持分布式的