读写分离

简介: 【8月更文挑战第9天】

如果你在小公司工作的话,这部分内容会比较适合你,因为正常中大型公司基本上都已经完成了读写分离。你可以这样介绍你的读写分离方案。

最开始我进公司的时候,就发现他们居然连读写分离都还没做,包括我们的核心数据库都没有,而且当我去看观测数据的时候就感觉核心数据库已经快要触及性能瓶颈了。于是我就在公司里面引入了从库。虽然只是准备了一个从库,但是大部分读请求落到从库上,主库的压力就小多了。引入读写分离机制,一方面可以提高了数据库的可用性,另一方面也提高了查询的性能。

有些时候面试官可能会追问你具体是怎么做的,这里我给出简要步骤。

  1. 准备一个从库。
  2. 改造业务,允许业务动态切换读主库还是读从库。
  3. 切换到读从库,看看是否有问题,如果有问题就立刻回滚。

回答的时候你就可以介绍这个简单方案,同时提出一个主从延迟问题。

单库引入读写分离,并不是特别复杂。不过这个过程中要小心主从延迟问题。比如说原本有一个业务是在更新之后立刻读数据,那么就会读到更新后的值。但是如果修改成读从库,就可能还是会读到更新前的值,导致业务出错。在改造业务的过程中要小心这种场景。

你可以利用主从自动切换进一步刷亮点。主从自动切换是指当主库出现问题的时候,能够自动把某个从库提升成主库。

当然如果你们公司本身已经有了读写分离,那么你也可以直接使用这个亮点。

目录
相关文章
|
存储 开发工具
Emacs+SBCL+Slime+CHLS(QuickLisp)
Emacs+Slime+CHLS(QuickLisp)
877 7
|
芯片 异构计算
【FPGA】高云FPGA之数字钟实验->HC595驱动数码管(三)
【FPGA】高云FPGA之数字钟实验->HC595驱动数码管
532 4
|
12月前
|
人工智能 运维 监控
MCP 打通AI大模型与 Zabbix,运维新时代来了!
管志勇,高级软件开发工程师、OceanBase认证专家,深耕软件开发多年,专注Zabbix运维开发与数据可视化。本文介绍其如何通过MCP协议实现大模型与Zabbix的智能联动,打造高效运维新范式。
1506 14
人工智能 安全 IDE
1115 30
|
分布式计算 运维 监控
Dataphin离线数仓搭建深度测评:数据工程师的实战视角
作为一名金融行业数据工程师,我参与了阿里云Dataphin智能研发版的评测。通过《离线数仓搭建》实践,体验了其在数据治理中的核心能力。Dataphin在环境搭建、管道开发和任务管理上显著提效,如测试环境搭建从3天缩短至2小时,复杂表映射效率提升50%。产品支持全链路治理、智能提效和架构兼容,帮助企业降低40%建设成本,缩短60%需求响应周期。建议加强行业模板库和移动适配功能,进一步提升使用体验。
|
人工智能 算法 搜索推荐
智能体领航员:2026 硅基生命如何温柔重塑我们的日常
2026年,AI智能体跃升为“生活领航员”:懂情绪、知健康、伴成长。它重构智慧居家、守护实时健康、定制化学习辅导,更坚守隐私主权、算法克制与真实回归——让科技有温度、有边界、有烟火气。(239字)
500 0
|
10月前
|
机器学习/深度学习
YOLOv11 改进 - 注意力机制 | DCAFE双坐标注意力:并行坐标注意力 + 双池化融合
本文提出DCAFE模块,结合并行坐标注意力与双池化融合机制,增强YOLOv11对药用花卉的特征提取能力。通过平均与最大池化并行捕获全局与局部特征,提升分类精度,在两个数据集上准确率分别提高6.50%和5.59%。
YOLOv11 改进 - 注意力机制 | DCAFE双坐标注意力:并行坐标注意力 + 双池化融合
|
9月前
|
人工智能 弹性计算 图形学
阿里云无影 GPU 云电脑多少钱?2026年阿里云无影 GPU 云电脑(NVIDIA RTX 5880)收费标准与选型指南
阿里云无影 GPU 云电脑搭载 NVIDIA RTX 5880 专业显卡,凭借强劲算力成为 3D 建模、工业设计、AI 推理等高性能场景的优选。其核心优势在于无需本地部署硬件,通过云端即可获取专业级计算能力,同时费用灵活可控。以下从配置与计费逻辑、各规格收费标准、性价比分析及注意事项四方面,用通俗语言详细解析,帮助用户根据需求选择合适方案。
|
开发框架 缓存 前端开发
electron-builder 解析:你了解其背后的构建原理吗?
本文首发于微信公众号“前端徐徐”,详细解析了 electron-builder 的工作原理。electron-builder 是一个专为整合前端项目与 Electron 应用的打包工具,负责管理依赖、生成配置文件及多平台构建。文章介绍了前端项目的构建流程、配置信息收集、依赖处理、asar 打包、附加资源准备、Electron 打包、代码签名、资源压缩、卸载程序生成、安装程序生成及最终安装包输出等环节。通过剖析 electron-builder 的原理,帮助开发者更好地理解和掌握跨端桌面应用的构建流程。
1838 2
|
并行计算 PyTorch 算法框架/工具
融合AMD与NVIDIA GPU集群的MLOps:异构计算环境中的分布式训练架构实践
本文探讨了如何通过技术手段混合使用AMD与NVIDIA GPU集群以支持PyTorch分布式训练。面对CUDA与ROCm框架互操作性不足的问题,文章提出利用UCC和UCX等统一通信框架实现高效数据传输,并在异构Kubernetes集群中部署任务。通过解决轻度与强度异构环境下的挑战,如计算能力不平衡、内存容量差异及通信性能优化,文章展示了如何无需重构代码即可充分利用异构硬件资源。尽管存在RDMA验证不足、通信性能次优等局限性,但该方案为最大化GPU资源利用率、降低供应商锁定提供了可行路径。源代码已公开,供读者参考实践。
1657 3
融合AMD与NVIDIA GPU集群的MLOps:异构计算环境中的分布式训练架构实践

热门文章

最新文章