为什么 MySQL 单表不能超过 2000 万行？

最近看到一篇《我说 MySQL 每张表最好不要超过 2000 万数据，面试官让我回去等通知》的文章，非常有趣。

文中提到，他朋友在面试的过程中说，自己的工作就是把用户操作信息存到 MySQL 里，因为数据量超大（5000 万条左右），需要每天定时生成 3 张表，然后将数据取模分别存到这三张表里。

接下来是两人的对话：

面试后续暂且不论，不过，互联网江湖上的确流传着一个说法：单表数据量超过 500 万行时就要进行分表分库，已经超过 2000 万行时 MySQL 的性能就会急剧下降。

那么，MySQL 一张表最多能存多少数据？

今天我们就从技术层面剖析一下，MySQL 单表数据不能过大的根本原因是什么？

猜想 1，是索引深度吗？

很多人认为：数据量超过 500 万行或 2000 万行时，引起 B+tree 的高度增加，延长了索引的搜索路径，进而导致了性能下降。事实果真如此吗？

我们先理一下关系，MySQL 采用了索引组织表的形式组织数据，叶子节点存储数据，非叶子节点存储主键与页面号的映射关系。若用户的主键长度是 8 字节时，MySQL 中页面偏移占 4 个字节，在非叶子节点的时候实际上是 8+4=12 个字节，12 个字节表示一个页面的映射关系。

MySQL 默认是 16K 的页面，抛开它的配置 header，大概就是 15K，因此，非叶子节点的索引页面可放 15*1024/12=1280 条数据，按照每行 1K 计算，每个叶子节点可以存 15 条数据。同理，三层就是 15*1280*1280=24576000 条数据。只有数据量达到 24576000 条时，深度才会增加为 4，所以，索引深度没有那么容易增加，详细数据可参考下表：

搜索路径延长导致性能下降的说法，与当时的机械硬盘和内存条件不无关系。

之前机械硬盘的 IOPS 在 100 左右，而现在普遍使用的 SSD 的 IOPS 已经过万，之前的内存最大几十 G，现在服务器内存最大可达到 TB 级。

因此，即使深度增加，以目前的硬件资源，IO 也不会成为限制 MySQL 单表数据量的根本性因素。

那么，限制 MySQL 单表不能过大的根本性因素是什么？

猜想 2，是 SMO 无法并发吗？

我们可以尝试从 MySQL 所采用的存储引擎 InnoDB 本身来探究一下。

大家知道 InnoDB 引擎使用的是索引组织表，它是通过索引来组织数据的，而它采用 B+tree 作为索引的数据结构。B+Tree 操作非原子，所以当一个线程做结构调整（SMO，Struction-Modification-Operation）时一般会涉及多个节点的改动。

SMO 动作过程中，此时若有另一个线程进来可能会访问到错误的 B+Tree 结构，InnoDB 为了解决这个问题采用了乐观锁和悲观锁的并发控制协议。

InnoDB 对于叶子节点的修改操作如下：

方法一，先采用乐观锁的方式尝试进行修改。

对根节点加 S 锁（sharedlock，叫共享锁，也称读锁），依次对非叶子节点加 S 锁。

如果叶子节点的修改不会引起 B+Tree 结构变动，如分裂、合并等操作，那么只需要对叶子节点进行加 X 锁（exclusivelock，叫排他锁，也称为写锁）即可完成修改。如下图中所示：

方式二，采用悲观锁的方式

如果对叶子结点的修改会触发 SMO，那么会采用悲观锁的方式。

采用悲观锁，需要重新遍历 B+Tree，对根节点加全局 SX 锁（SX 锁是行锁），然后从根节点到叶子节点可能修改的节点加 X 锁）。在整个 SMO 过程中，根节点始终持有 SX 锁（SX 锁表示有意向修改这个保护的范围，SX 锁与 SX 锁、X 锁冲突，与 S 锁不冲突），此时其他的 SMO，则需要等待。

因此，InnoDB 对于简单的主键查询比较快，因为数据都存储在叶子节点中，但对于数据量大且改操作比较多的 TP 型业务，并发会有很严重的瓶颈问题。

在对叶子节点的修改操作中，InnoDB 可以实现较好的 1 与 1、1 与 2 的并发，但是无法解决 2 的并发。因为在方式 2 中，根节点始终持有 SX 锁，必须串行执行，等待上一个 SMO 操作完成。这样在具有大量的 SMO 操作时，InnoDB 的 B+Tree 实现就会出现很严重的性能瓶颈。

解决方案

目前业界有一个更好的方案 B-LinkTree，与 B+Tree 相比，B-LinkTree 优化了 B+Tree 结构调整时的锁粒度，只需要逐层加锁，无需对 root 节点加全局锁，因此，可以做到在 SMO 过程中写操作的并发执行，保持高并发下性能的稳定。

主要改进点有 2 个：

1.中间节点增加 link 指针，指向右兄弟节点；

2.每个节点内增加字段 highkey，存储该节点中最大的 key 值。

新增的 link 指针便是为了解决 SMO 过程中并发写的问题，在 SMO 过程中，B-LinkTree 对修改节点逐层加锁，修改完一层即可放锁，然后去加上一层节点的锁继续修改。这样在 InnoDB 引擎中被 SMO 阻塞的写操作可以有机会再 SMO 操作过程中并发进行。

如下图所示，在节点 2 分裂为节点 2 和 4 的过程中，只需要在最后一步将父节点 1 指向新节点 4 时，对父节点 1 加锁，其他操作均无需对父节点加锁，更无需对 root 节点加锁，因此，大大提升了 SMO 过程中写操作的并发度。

由此可见，和 B+Tree 全局加锁对比起来，B-LinkTree 在高并发操作下的性能是显著优于 B+Tree 的。华为云 GaussDB 当前采用的就是 B-LinkTree 索引数据结构。

InnoDB 的索引组织表更容易触发 SMO

索引组织表的叶子节点，存储主键以及应对行的数据，InnoDB 默认页面为 16K，若每行数据的大小为 1000 字节，每个叶子节点仅能存储 16 行数据。

在索引组织表中，当叶子节点的扇出值过低时，SMO 的触发将更加频繁，进而放大了 SMO 无法并发写的缺陷。

目前业界有一个堆组织表的数据组织方案，也是华为云数据库 GaussDB 采用的方案。它的叶子节点存储索引键以及对应的行指针（所在的页面编号及页内偏移），堆组织表叶子节点可以存更多的数据，分析可得在同样的数据量与业务并发量下，堆组织表会比索引组织表发生 SMO 概率低许多。

性能对比

在 8U32G 的两台服务器分别搭建了 MySQL（B+Tree 和索引组织表）与 GaussDB（B-LinkTree 和堆组织表）的环境，进行了如下性能验证：

实验场景：在基础表的场景上，测试增量随机插入性能。

1.基础表总大小 10G，包含主键随机分布的 1000w 行数据，每行数据 1k；

2.插入主键随机分布的 1000w 行数据，每行数据大小 1k，测试并发插入性能。

结论：随着并发数的上升，GaussDB 能稳步提升系统的 TPS，而 MySQL 并发数的提高并不能带来 TPS 的显著提升。

总结

MySQL 无法支持大数据量下并发修改的根本原因，是因为其索引并发控制协议的缺陷造成的，而 MySQL 选择索引组织表，又放大了这一缺陷。所以，开源 MySQL 数据库更适用于主键查询为主的简单业务场景，如互联网类应用，对于复杂的商业场景限制比较明显。

相比之下，采用 B-LinkTree 和堆组织表的 GaussDB 数据库在性能和场景应用方面更胜一筹。

审核编辑黄宇