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）
最近准备面试的小伙伴，可以看一下这个宝藏网站：www.susan.net.cn，里面：面试八股文、面试真题、工作内推什么都有。
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：
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-position=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。🪂
最后说一句(求关注，别白嫖我)
如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，您的支持是我坚持写作最大的动力。
求一键三连：点赞、转发、在看。
关注公众号：【苏三说技术】，在公众号中回复：进大厂，可以免费获取我最近整理的10万字的面试宝典，好多小伙伴靠这个宝典拿到了多家大厂的offer。
