分布式数据 怎么工作

一台不够用了

到上一课为止，我们看了怎样存数据、找数据、安全地改数据，以及怎样处理得又快又小。可数据不会停下来，一直在增加：用户多了，记录多了，还有照片和视频。
一台计算机能装的量是有限的。磁盘有多大是定的，一台机器一次能处理多少请求也是定的。下面往一台机器里不停地加数据看看。

一直点添加数据。超过一台的容量，就再也装不下了。

一台装满了，想再放也没地方。可以换一台更大的计算机，这叫垂直扩展。可是越大的计算机价格涨得越陡，而且不管多大，最后还是会装满。
所以换一条路：不把一台变大，而是把台数加多。这叫水平扩展。那么，数据该怎样分到好几台上存呢？

分到好几台上存

把数据切成块，分散存到好几台机器上。不再让一台扛下全部，而是每台只管一部分。像这样分开存放叫分布式存储，其中把数据本身切成块来分，叫分片。
分法有好几种。可以按范围分，比如名字拼音首字母从 A 到 M 的数据放在 1 号机，N 到 Z 的放在 2 号机；也可以像前面讲的那样，用哈希把键变成数字，按这个值把数据均匀地撒开。按范围分，数据可能挤在某个区间，所以想分得均匀时，常用哈希。

一块一块地点，把数据分到好几台上。每台最后只拿着整体的一部分。

数据块分散到了三台上。原来压在一台身上的担子轻了；数据再多，就再接一台计算机，把新块交给它。能这样一直加下去，所以再大的数据也装得下。
要找某条数据，先得知道它在哪一台上。分法的规则是知道的，所以看一看键，就知道该去哪一台。可又冒出一个担心：管着某一块的那台机器要是突然坏了，会怎样？

同样的数据在好几台上各留一份

分开存就有了弱点。管着某一块的计算机一坏，那一块就整个没了。计算机越多，其中某一台出故障的事也越常见。
所以把同样的数据复制到好几台上。一台停了，有副本的另一台接着干，数据就不会丢。像这样把同样的数据放在好几台上，叫复制。有了副本，读取请求也可以由好几台分着接。

先复制好，再关掉一台。关掉一台，有副本的另一台还在运行，数据就还在。

关掉一台，数据照样完好，这多亏了副本。这里一定要把两件事分清：分布是把数据切开，分到不同的机器上；复制是把同样的数据原样放在好几台上。实际的系统通常两样一起用，每一块都留副本。
复制也有代价。每次改数据，都得让所有副本保持一致，可机器之间通信要花时间，所以有一小段时间，各个副本的值可能不一样。网络断了的时候，还会遇到要选择的时刻：是哪怕用旧值也马上回答，还是等副本对齐了再说。

松散的容器，NoSQL

数据多得惊人、又得飞快地进进出出的时候，严格的表格有时反倒成了负担。每一行都得有同样的列，而且要在好几台机器之间维持表与表的连接和事务，代价很高。
所以就用放宽了规则的存储。不用表格，而是在一个键上挂一个值，马上存、马上取。它就像把前面讲的哈希表扩展到了好几台机器上，只要有键，在哪一台也马上就定了。这类存储统称 NoSQL。

点一个尺度，比较严格的表格和松散的键-值容器。形状自由、适合又大又快的处理的，是松散的容器。

松散的容器规则少，所以自由又快。每一行的列可以不一样，只要有键，值马上就能存进取出。作为交换，表与表的连接、严格的事务这类便利，就要放弃一部分。
所以，得到什么、放弃什么，要按用途来选。像有钱进出的账本那样准确第一的地方，用严格的表格；要飞快地堆积海量记录的地方，用松散的容器。同一个服务里两样一起用，也很常见。

给数据这一部分做个总结

一路走到这里，路不短。我们从装值的数据结构出发，看了把表聚在一起的数据库，学会了用哈希、树和索引在大表里快速查找。用 SQL 发问，用连接把表连起来，用规范化减少重复，用事务安全地修改。
还看了怎样用缓存和压缩把数据处理得更快、更小。今天又走到了一台不够时，怎样分开存、留副本。

依次点数据这一部分的大脉络，把它收尾。（装数据的数据结构 → 把表聚起来的数据库 → 快速查找 → 发问与连接 → 整理与安全修改 → 又快又小 → 分开存与复制）

把这一课归纳一下：数据多到一台应付不了，就切成块分到好几台上存（分布），再把同样的数据在好几台上留副本以防故障（复制）。分开和复制是两回事，实际中两样一起用。
为了又大又快的处理，有时也用放宽了表格规则、叫 NoSQL 的存储。关键在于挑着用：得到什么，放弃什么。

现在，处理数据的大图景一眼就能看全了。从一个小容器出发，一直走到在好几台机器上分开存、留副本的庞大系统。安全地存信息、快速地找、大规模地扩展，这些本事会成为下一部分的基础。
下一部分是人工智能。在大量数据汇聚的地方，机器自己找出规律。第一课先从机器“学习”到底是什么意思讲起。