前言
某次金融系统迁移项目中，原计划8小时完成的用户数据同步迟迟未能完成。
24小时后监控警报显示：由于全表扫描SELECT * FROM users导致源库CPU几乎熔毁，业务系统被迫停机8小时。
这让我深刻领悟到——10亿条数据不能用蛮力搬运，得用巧劲儿递接！
今天这篇文章，跟大家一起聊聊10亿条数据，如何做迁移，希望对你会有所帮助。
一、分而治之
若把数据迁移比作吃蛋糕，没人能一口吞下整个十层蛋糕；
必须切成小块细嚼慢咽。
避坑案例：线程池滥用引发的血案
某团队用100个线程并发插入新库，结果目标库死锁频发。
最后发现是主键冲突导致——批处理必须兼顾顺序和扰动。
分页迁移模板代码：
long maxId = 0;
int batchSize = 1000;
while (true) {
List<User> users = jdbcTemplate.query(
"SELECT * FROM users WHERE id > ? ORDER BY id LIMIT ?",
new BeanPropertyRowMapper<>(User.class),
maxId, batchSize
);
if (users.isEmpty()) {
break;
}
// 批量插入新库（注意关闭自动提交）
jdbcTemplate.batchUpdate(
"INSERT INTO new_users VALUES (?,?,?)",
users.stream().map(u -> new Object[]{u.id, u.name, u.email}).collect(Collectors.toList())
);
maxId = users.get(users.size()-1).getId();
}避坑指南：
- 每批取递增ID而不是OFFSET，避免越往后扫描越慢
- 批处理大小根据目标库写入能力动态调整（500-5000条/批）
二、双写
经典方案是停机迁移，但对10亿数据来说停机成本难以承受，双写方案才是王道。
双写的三种段位：
- 青铜级：先停写旧库→导数据→开新库 →风险：停机时间不可控
- 黄金级：同步双写+全量迁移→差异对比→切流 →优点：数据零丢失
- 王者级：逆向同步兜底（新库→旧库回写），应对切流后异常场景
当然双写分为：
- 同步双写
- 异步双写
同步双写实时性更好，但性能较差。
异步双写实时性差，但性能更好。
我们这里考虑使用异步双写。
异步双写架构如图所示：
图片
代码实现核心逻辑：
- 开启双写开关
@Transactional
public void createUser(User user) {
// 旧库主写
oldUserRepo.save(user);
// 异步写新库（允许延迟）
executor.submit(() -> {
try {
newUserRepo.save(user);
} catch (Exception e) {
log.error("新库写入失败：{}", user.getId());
retryQueue.add(user);
}
});
}- 差异定时校验
// 每天凌晨校验差异数据
@Scheduled(cron = "0 0 3 * * ?")
public void checkDiff() {
long maxOldId = oldUserRepo.findMaxId();
long maxNewId = newUserRepo.findMaxId();
if (maxOldId != maxNewId) {
log.warn("数据主键最大不一致,旧库{} vs 新库{}", maxOldId, maxNewId);
repairService.fixData();
}
}三、用好工具
不同场景需匹配不同的工具链，好比搬家时家具用货车，细软用包裹。
工具选型对照表
工具名称 | 适用场景 | 10亿数据速度参考 |
mysqldump | 小型表全量导出 | 不建议（可能天级） |
MySQL Shell | InnoDB并行导出 | 约2-4小时 |
DataX | 多源异构迁移 | 依赖资源配置 |
Spark | 跨集群大数据量ETL | 30分钟-2小时 |
Spark迁移核心代码片段：
val jdbcDF = spark.read
.format("jdbc")
.option("url", "jdbc:mysql://source:3306/db")
.option("dbtable", "users")
.option("partitionColumn", "id")
.option("numPartitions", 100) // 按主键切分100个区
.load()
jdbcDF.write
.format("jdbc")
.option("url", "jdbc:mysql://target:3306/db")
.option("dbtable", "new_users")
.mode(SaveMode.Append)
.save()避坑经验：
- 分区数量应接近Spark执行器核数，太多反而降低效率
- 分区字段必须是索引列，防止全表扫
四、影子测试
迁移后的数据一致性验证，好比宇航员出舱前的模拟训练。
影子库验证流程：
- 生产流量同时写入新&旧双库（影子库）
- 对比新旧库数据一致性（抽样与全量结合）
- 验证新库查询性能指标（TP99/TP95延迟）
自动化对比脚本示例：
def check_row_count(old_conn, new_conn):
old_cnt = old_conn.execute("SELECT COUNT(*) FROM users").scalar()
new_cnt = new_conn.execute("SELECT COUNT(*) FROM new_users").scalar()
assert old_cnt == new_cnt, f"行数不一致: old={old_cnt}, new={new_cnt}"
def check_data_sample(old_conn, new_conn):
sample_ids = old_conn.execute("SELECT id FROM users TABLESAMPLE BERNOULLI(0.1)").fetchall()
for id in sample_ids:
old_row = old_conn.execute(f"SELECT * FROM users WHERE id = {id}").fetchone()
new_row = new_conn.execute(f"SELECT * FROM new_users WHERE id = {id}").fetchone()
assert old_row == new_row, f"数据不一致, id={id}"五、回滚
即便做好万全准备，也要设想失败场景的回滚方案——迁移如跳伞，备份伞必须备好。
回滚预案关键点：
- 备份快照：迁移前全量快照（物理备份+ Binlog点位）
- 流量回切：准备路由配置秒级切换旧库
- 数据标记：新库数据打标，便于清理脏数据
快速回滚脚本：
# 恢复旧库数据
mysql -h旧库 < backup.sql
# 应用Binlog增量
mysqlbinlog --start-positinotallow=154 ./binlog.000001 | mysql -h旧库
# 切换DNS解析
aws route53 change-resource-record-sets --cli-input-json file://switch_to_old.json总结
处理10亿数据的核心心法：
- 分而治之：拆解问题比解决问题更重要。
- 逐步递进：通过灰度验证逐步放大流量。
- 守牢底线：回滚方案必须真实演练过。
记住——没有百分百成功的迁移，只有百分百准备的Plan B！
搬运数据如同高空走钢丝，你的安全保障（备份、监控、熔断）就是那根救命绳。
