为什么大家说mysql数据库单表最大两千万？依据是啥？

　　故事从好多年前说起。
　　想必大家也听说过数据库单表 建议最大2kw 条数据这个说法。如果超过了，性能就会下降得比较厉害。
　　巧了。
　　我也听说过。
　　但我不接受它的建议，硬是单表装了1亿条数据。
　　这时候，我们组里新来的实习生看到了之后，天真无邪地问我：＂单表不是建议最大两千万吗？为什么这个表都 放了1个亿还不分库分表 ＂？
　　我能说我是 因为懒 吗？我当初设计时哪里想到这表竟然能涨这么快…
　　我不能。
　　说了等于承认自己是 开发组里的毒瘤 ，虽然我确实是，但我不能承认 。
　　我如坐针毡，如芒刺背，如鲠在喉。
　　开始了一波骚操作。
　　＂我这么做是有道理的＂
　　＂虽然这个表很大，但你有没有发现它查询其实还是很快＂
　　＂这个2kw是个建议值，我们要来看下这个2kw是怎么来的＂
　　数据库单表行数最大多大？
　　我们先看下单表行数理论最大值是多少。
　　建表的SQL是这么写的，  CREATE TABLE `user` (   `id` int(10) unsigned NOT NULL AUTO_INCREMENT COMMENT ＂主键＂,   `name` varchar(100) NOT NULL DEFAULT ＂＂ COMMENT ＂名字＂,   `age` int(11) NOT NULL DEFAULT ＂0＂ COMMENT ＂年龄＂,   PRIMARY KEY (`id`),   KEY `idx_age` (`age`) ) ENGINE=InnoDB AUTO_INCREMENT=100037 DEFAULT CHARSET=utf8;
　　其中id就是主键。主键本身唯一，也就是说主键的大小可以限制表的上限。
　　如果主键声明为 int  大小，也就是32位，那么能支持2^32-1，也就是21个亿 左右。
　　如果是 bigint  ，那就是2^64-1，但这个数字太大 ，一般还没到这个限制之前，磁盘先受不了 。
　　搞离谱点。
　　如果我把主键声明为  tinyint  ，一个字节，8位，最大2^8-1，也就是255  。 CREATE TABLE `user` (   `id` tinyint(2) unsigned NOT NULL AUTO_INCREMENT COMMENT ＂主键＂,   `name` varchar(100) NOT NULL DEFAULT ＂＂ COMMENT ＂名字＂,   `age` int(11) NOT NULL DEFAULT ＂0＂ COMMENT ＂年龄＂,   PRIMARY KEY (`id`),   KEY `idx_age` (`age`) ) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8;
　　如果我想插入一个id=256的数据，那 就会报错 。 mysql> INSERT INTO `tmp` (`id`, `name`, `age`) VALUES (256, ＂＂, 60); ERROR 1264 (22003): Out of range value for column ＂id＂ at row 1
　　也就是说， tinyint  主键限制表内最多255条数据。
　　那除了主键，还有哪些因素会影响行数？
　　索引的结构
　　索引内部是用的B+树，这个也是八股文老股了，大家估计也背得很熟了。
　　为了不让大家有过于强烈的审丑疲劳，今天我尝试从另外一个角度给大家讲讲这玩意。
　　页的结构
　　假设我们有这么一张user数据表。
　　user表
　　其中id是 唯一主键 。
　　这看起来的一行行数据，为了方便，我们后面就叫它们 record 吧。
　　这张表看起来就跟个excel表格一样。excel的数据在硬盘上是一个xx.excel的文件。
　　而上面user表数据，在硬盘上其实也是类似，放在了user. ibd 文件下。含义是user表的innodb data文件，专业点，又叫表空间 。
　　虽然在数据表里，它们看起来是挨在一起的。但实际上在user.ibd里他们被分成很多小份的 数据页 ，每份大小16k。
　　类似于下面这样。
　　ibd文件内部有大量的页
　　我们把视角聚焦一下，放到页上面。
　　整个页 16k  ，不大，但record这么多，一页肯定放不下，所以会分开放到很多页里。并且这16k，也不可能全用来放record对吧。
　　因为record们被分成好多份，放到好多页里了，为了唯一标识具体是哪一页，那就需要引入 页号 （其实是一个表空间的地址偏移量）。同时为了把这些数据页给关联起来，于是引入了前后指针 ，用于指向前后的页。这些都被加到了页头 里。
　　页是需要读写的，16k说小也不小，写一半电源线被拔了也是有可能发生的，所以为了保证数据页的正确性，还引入了校验码。这个被加到了 页尾 。
　　那剩下的空间，才是用来放我们的record的。而record如果行数特别多的话，进入到页内时挨个遍历，效率也不太行，所以为这些数据生成了一个 页目录 ，具体实现细节不重要。只需要知道，它可以通过二分查找 的方式将查找效率从O(n) 变成O(lgn) 。
　　页结构
　　从页到索引
　　如果想查一条record，我们可以把表空间里每一页都捞出来，再把里面的record捞出来挨个判断是不是我们要找的。
　　行数量小的时候，这么操作也没啥问题。
　　行数量大了，性能就慢了 ，于是为了加速搜索，我们可以在每个数据页里选出主键id最小 的record，而且只需要它们的主键id和所在页的页号 。组成新的record ，放入到一个新生成的一个数据页中，这个新数据页跟之前的页结构没啥区别，而且大小还是16k。
　　但为了跟之前的数据页进行区分。数据页里加入了 页层级（page level） 的信息，从0开始往上算。于是页与页之间就有了上下层级 的概念，就像下面这样。
　　两层B+树结构
　　突然页跟页之间看起来就像是一棵倒过来的树了。也就是我们常说的 B+树 索引。
　　最下面那一层， page level 为0 ，也就是所谓的叶子结点 ，其余都叫非叶子结点 。
　　上面展示的是 两层 的树，如果数据变多了，我们还可以再通过类似的方法，再往上构建一层。就成了三层 的树。
　　三层B+树结构
　　那现在我们就可以通过这样一棵B+树加速查询。举个例子。
　　比方说我们想要查找行数据5。会先从顶层页的record们入手。 record里包含了主键id和页号（页地址） 。看下图黄色的箭头，向左最小id是1，向右最小id是7。那id=5的数据如果存在，那必定在左边箭头。于是顺着的record的页地址就到了6号  数据页里，再判断id=5>4，所以肯定在右边的数据页里，于是加载105号  数据页。在数据页里找到id=5的数据行，完成查询。
　　B+树查询过程
　　另外需要注意的是，上面的页的页号并不是连续的，它们在磁盘里也不一定是挨在一起的。
　　这个过程中查询了三个页，如果这三个页都在磁盘中（没有被提前加载到内存中），那么 最多 需要经历三次磁盘IO查询 ，它们才能被加载到内存中。
　　B+树承载的记录数量
　　从上面的结构里可以看出B+树的 最末级叶子结点 里放了record数据。而非叶子结点 里则放了用来加速查询的索引数据。
　　也就是说
　　同样一个16k的页，非叶子节点里每一条数据都指向一个新的页，而新的页有两种可能。  如果是末级叶子节点的话，那么里面放的就是一行行record数据。  如果是非叶子节点，那么就会循环继续指向新的数据页。
　　假设  非叶子结点内指向其他内存页的指针数量为 x   叶子节点内能容纳的record数量为 y   B+树的层数为 z
　　总行数的计算方法
　　那这棵B+树放的 行数据总量 等于 (x ^ (z-1)) * y  。
　　x怎么算
　　我们回去看数据页的结构。
　　页结构
　　非叶子节点里主要放索引查询相关的数据，放的是主键和指向页号。
　　主键假设是 bigint（8Byte）  ，而页号在源码里叫FIL_PAGE_OFFSET（4Byte）  ，那么非叶子节点里的一条数据是12Byte  左右。
　　整个数据页 16k  ， 页头页尾那部分数据全加起来大概128Byte  ，加上页目录毛估占1k  吧。那剩下的15k 除以12Byte  ，等于1280  ，也就是可以指向x=1280页 。
　　我们常说的二叉树指的是一个结点可以发散出两个新的结点。m叉树一个节点能指向m个新的结点。这个指向新节点的操作就叫 扇出（fanout） 。
　　而上面的B+树，它能指向1280个新的节点，恐怖如斯，可以说 扇出非常高 了。
　　y的计算
　　叶子节点和非叶子节点的数据结构是一样的，所以也假设剩下 15kb  可以发挥。
　　叶子节点里放的是真正的行数据。假设一条行数据 1kb  ，所以一页里能放y=15行 。
　　行总数计算
　　回到  (x ^ (z-1)) * y   这个公式。
　　已知 x=1280  ，y=15  。
　　假设B+树是 两层 ，那z=2  。则是(1280 ^ (2-1)) * 15   2w
　　假设B+树是 三层 ，那z=3  。则是(1280 ^ (3-1)) * 15   2.5kw
　　这个2.5kw，就是我们常说的单表建议最大行数2kw的由来。 毕竟再加一层，数据就大得有点离谱了。三层数据页对应最多三次磁盘IO，也比较合理。
　　行数超一亿就慢了吗？
　　上面假设单行数据用了1kb，所以一个数据页能放个15行数据。
　　如果我单行数据用不了这么多，比如只用了 250byte  。那么单个数据页能放60行数据。
　　那同样是三层B+树，单表支持的行数就是  (1280 ^ (3-1)) * 60   1个亿  。
　　你看我一个亿的数据，其实也就三层B+树，在这个B+树里要查到某行数据，最多也是三次磁盘IO。所以并不慢。
　　这就很好的解释了文章开头，为什么我单表1个亿，但查询性能没啥大毛病。
　　B树承载的记录数量
　　既然都聊到这里了，我们就顺着这个话题多聊一些吧。
　　我们都知道，现在mysql的索引都是B+树，而有一种树，跟B+树很像，叫 B树，也叫B-树 。
　　它跟B+树最大的区别在于， B+树只在末级叶子结点处放数据表行数据，而B树则会在叶子和非叶子结点上都放。
　　于是，B树的结构就类似这样
　　B树结构
　　B树将行数据都存在非叶子节点上，假设每个数据页还是16kb，掐头去尾每页剩15kb，并且一条数据表行数据还是占1kb，就算不考虑各种页指针的情况下，也只能放个15条数据。 数据页扇出明显变少了。
　　计算可承载的总行数的公式也变成了一个 等比数列 。 15 + 15^2 +15^3 + ... + 15^z
　　其中 z还是层数 的意思。
　　为了能放 2kw  左右的数据，需要z>=6  。也就是树需要有6层，查一次要访问6个页。假设这6个页并不连续，为了查询其中一条数据，最坏情况需要进行6次磁盘IO 。
　　而B+树同样情况下放2kw数据左右，查一次最多是 3次磁盘IO。
　　磁盘IO越多则越慢，这两者在性能上差距略大。
　　为此， B+树比B树更适合成为mysql的索引。
　　总结B+树叶子和非叶子结点的数据页都是16k，且数据结构一致，区别在于叶子节点放的是真实的行数据，而非叶子结点放的是主键和下一个页的地址。  B+树一般有两到三层，由于其高扇出，三层就能支持2kw以上的数据，且一次查询最多1~3次磁盘IO，性能也还行。  存储同样量级的数据，B树比B+树层级更高，因此磁盘IO也更多，所以B+树更适合成为mysql索引。  索引结构不会影响单表最大行数，2kw也只是推荐值，超过了这个值可能会导致B+树层级更高，影响查询性能。  单表最大值还受主键大小和磁盘大小限制。
　　参考资料
　　《MYSQL内核：INNODB存储引擎 卷1》
　　最后
　　虽然我在单表里塞了1亿条数据，但这个操作的前提是，我很清楚这不会太影响性能。
　　这波解释，毫无破绽，无懈可击。
　　到这里，连我自己都被自己说服了。想必实习生也是。
　　可恶，这该死的毒瘤竟然有些＂知识渊博＂。
　　最近原创更文的阅读量稳步下跌，思前想后，夜里辗转反侧。
　　我有个不成熟的请求。
　　离开广东好长时间了，好久没人叫我靓仔了。
　　大家可以在 评论区 里，叫我一靓仔吗？
　　我这么善良质朴的愿望，能被满足吗？
　　如果实在叫不出口的话，能帮我点下右下角的 点赞和在看 吗？
　　别说了，一起在知识的海洋里呛水吧