第二十九章：数据库的设计规范

第二十九章：数据库的设计规范

29.1：为什么需要数据库设计

​ 当数据库运行一段时间之后，我们才发现数据表设计的有问题。重新调整数据表的结构，就需要做数据迁移，还有可能影响程序的业务逻辑，以及网站正常的访问。

如果是糟糕的数据库设计可能会造成一下问题：

• 数据冗余、信息重复、存储空间浪费。
• 数据更新、插入、删除的异常。
• 无法正确表示信息。
• 丢失有效信息。
• 程序性能差。

良好的数据设计原则有以下优点：

• 节省数据的存储空间。
• 能够保证数据的完整性。
• 方便进行数据库应用系统的开发。

​ 总之，开始设置数据库的时候，我们就需要重视数据表的设计。为了建立冗余较小、结果合理的数据库，设计数据库时必须遵循一定的规则。

29.2：范式

1. 范式简介

   ​ 在关系型数据库中，关于数据表的设计的基本原则、规则就称为范式。可以理解为，一张数据表的设计结构需要满足的某种设计标准的级别。要想设计一个结构合理的关系型数据库，必须满足一定的范式。

   ​ 范式的英文名称是Normal Form，简称NF。它是英国人E.F.Codd在上个世纪70年代提出的关系型数据库模型后总结出来的。范式是关系数据库理论的基础，也是我们在设计数据库结构过程中所要遵循的规则和指导方法。

2. 范式都包括哪些

   ​ 目前关系型数据库有六种常见范式，按照范式级别，从低到高分别是：第一范式(1NF)、第二范式(2NF)、第三范式(3NF)、巴斯-科德范式(BCNF)、第四范式(4NF)和第五范式(5NF，又称完美范式)。

   ​ 数据库的范式设计越高阶，冗余度就越低，同时高阶的范式一定符合低阶范式的要求，满足最低要求的范式是第一范式(1NF)。在第一范式的基础上进一步满足更多规范要求的称为第二范式(2NF)。其余范式以此类推。

   ​ 一般来说，在关系型数据库设计中，最高也就遵循到BCNF、普遍还是3NF。但也不绝对，有时候为了提高某些查询性能，我们还需要破坏范式规则，也就是反规范化。

3. 键和相关属性的概念

   范式的定义会使用到主键和候选键，数据库中的键(Key)由一个或者多个属性组成。数据表中常用的几种键和属性的定义：

   • 超建：能唯一标识元组的属性集叫做超建。
   • 候选键：如果超建不包括多余的属性，那么这个超建就是候选键。
   • 主键：用于可以从候选键中选择一个作为主键。
   • 外键：如果数据表R1中的某属性不是R1的主键，而是另一个数据表R2的主键，那么这个属性集就是数据表R1的外键。
   • 主属性：包含在任一候选键中的属性称为主属性。
   • 非主属性：与主属性相对，指的是不包含在任何一个候选键中的属性。

   通常：我们也将候选键称之为码，把主键也称为主码。因为键可能是由多个属性组成的，针对单个属性，我们还可以用主属性和非主属性来进行区分。

4. 第一范式(1 st NF)

   ​ 第一范式主要是确保数据表中每个字段的值必须具有原子性，也就是说数据表中每个字段的值为不可再次拆分的最小数据单元。

   • 举例：

     user表的设计不符合第一范式：

     字段名称	字段类型	是否是主键	说明
     id	INT	是	主键Id
     username	VARCHAR(30)	否	用户名
     password	VARCHAR(50)	否	密码
     user_info	VARCHAR(255)	否	用户信息(包含真实姓名、电话、住址)

     ​ 其中：user_info字段为用户信息，可以进一步拆分成更小粒度的字段，不符合数据库对第一范式的要求。将user_info拆分后如下：

     字段名称	字段类型	是否是主键	说明
     id	INT	是	主键id
     username	VARCHAR(30)	否	用户名
     password	VARCHAR(50)	否	密码
     real_name	VARCHAR(30)	否	真实姓名
     phone	VARCHAR(12)	否	联系电话
     address	VARCHAR(100)	否	家庭住址

5. 第二范式(2 st NF)

   ​ 第二范式要求，在满足第一范式的基础上，还要满足数据表里有的每一条数据记录，都是可唯一标识的。而且所有非主键字段，都必须完全依赖主键，不能只依赖主键的一部分。如果知道主键的所有属性的值，就可以检索到任何元组(行)的任何属性的任何值。(要求中的主键，其实可以拓展替换为候选键。)

   • 举例：

     ​ 比赛表player_game，里面包含球员编号、姓名、年龄、比赛编号、比赛时间和比赛场地等属性，这里候选键和主键都为(球员编号，比赛编号)，我们可以通过候选键(或主键)来决定如下的关系：

     (球员编号, 比赛编号) ——> (姓名, 年龄, 比赛时间, 比赛场地, 得分)
     

     但是这个数据表不满足第二范式，因为数据表中的字段之间还存在着如下的对应关系：

     (球员编号) ——> (姓名, 年龄)
     (比赛编号) ——> (比赛时间, 比赛场地)
     

     对于非主属性来说，并非完全依赖候选键。这样会产生怎样的问题呢？

     1. 数据冗余：如果一个球员可以参加m场比赛，那么球员的姓名和年龄就重复了m - 1次。一个比赛也可能会有n个球员参加，比赛的时间和地点就重复了n - 1次。
     2. 插入异常：如果我们想要添加新的比赛，但是这时还没有确定参加的球员都有谁，那么就没发插入。
     3. 删除异常：如果我要删除某个球员编号，如果没有单独保存比赛表的的话，就会同时把比赛信息删除掉。
     4. 更新异常：如果我们调整了某个比赛的时间，那么数据表中所有这个比赛的时间都需要进行调整，否则就会出现一场比赛时间不同的情况。

     为了避免出现上述的情况，我们可以把球员比赛表设计为下面的三张表：

     表名	属性(字段)
     球员player表	球员编号、姓名和年龄等属性
     比赛game表	比赛编号、比赛时间和比赛场地等属性
     球员比赛关系player_game表	球员编号、比赛编号和得分等属性

6. 第三范式(3 st NF)

   ​ 第三范式是在第二范式的基础上，确保数据表中的每一个非主键字段都和主键字段直接相关，也就是说，要求数据表中的所有主键字段不能依赖于其他非主键字段。通俗的讲，该规则的意思是所有非主键属性之间不能有依赖关系，必须相互独立。

   • 举例

     字段名称	字段类型	是否是主键	说明
     id	INT	是	商品主键id(主键)
     category_id	INT	否	商品类别id
     category_name	VARCHAR(30)	否	商品类型名称
     goods_name	VARCHAR(30)	否	商品名称
     price	DECIMAL(10, 2)	否	商品价格

     商品类别名称依赖于商品类别编号，不符合第三范式。修改

     1. 表一：符合第三范式的商品类别表的设计

        字段名称	字段类型	是否是主键	说明
        id	INT	是	商品类别主键id
        category_name	VARCHAR(30)	否	商品类别名称

     2. 表二：符合第三范式的商品表的设计

        字段名称	字段类型	是否是主键	说明
        id	INT	是	商品主键id
        category_id	VARCHAR(30)	否	商品类型id
        goods_name	VARCHAR(30)	否	商品名称
        price	DECIMAL(10, 2)	否	商品价格

        商品表goods通过商品类别id字段(category_id)与商品类别表goods_category进行关联。

7. 范式的优缺点

   • 优点

     数据的标准化有助于消除数据库中的数据冗余，第三范式(3NF)通常被认为在性能、扩展性和数据完整性方面达到了最好的平衡

   • 缺点

     ​ 范式的使用，可能降低查询的效率。因为范式等级越高，设计出来的数据表就越多、越精细，数据的冗余度就越低，进行数据查询的时候就可以需要关联多张表，但不代价昂贵，也可能使一些索引策略无效。

   ​ 范式只是提出了设计的标准，实际上设计数据表时，未必一定要符合这些标准。开发中，我们会出现为了性能和读取效率违反范式化的原则，通过增加少量的冗余或重复的数据来提高数据库的读性能，减少关联查询，join表的次数，实现空间换取时间的目的。因此在实际的设计过程中要理论结合实际，灵活运用。

29.3：反范式话

1. 概述

   ​ 有时候不能简单按照规范要求设计数据表，因为有的数据看似冗余，其实对业务来说十分重要。这个时候，我们就要遵循业务优先的原则，首先满足业务需求，在尽量减少冗余。

   ​ 如果数据库中的数据量比较大，系统的UV和PV访问频次比较高，则完全按照MySQL的三大范式设计数据表，读数据时会产生大量的关联查询，在一定程度上会影响数据库的读性能。如果我们想对查询效率进行优化，反范式化也是一种优化思路。此时，可以通过在数据表中增加冗余字段来提高数据库的读性能。

   • 规范化VS性能
     1. 为满足某种商业目标，数据库性能比规范化数据库更重要。
     2. 在数据规范化的同时，要综合考虑数据库的性能。
     3. 通过在给定的表中添加额外的字段，以大量减少需要从中搜索信息所需的时间。
     4. 通过在给定的表中插入计算列，以方便查询。

2. 应用举例

   ​ 我们有2个表，分别是商品流水表(trans)和商品信息表(goodsinfo)。商品流水表里有400万条流水记录，商品信息表里有2000条商品记录。
   

   ​ 两个表是符合第三范式要求的。但是，在我们项目的实施过程中，对流水的查询频率很高，而且为了获取商品名称，基本都会用到与商品信息表的连接查询。

   ​ 为了减少连接，我们可以直接把商品名称字段加到流水表里面。这样一来，我们就可以直接从流水表中获取商品名称字段了。虽然增加了冗余字段，但是避免了关联查询，提升了查询的效率。
   

3. 反范式的新问题

   ​ 反范式话可以通过空间换时间，提升查询的效率，但是反范式也会带来一些新问题。

   • 存储空间变大了。
   • 一个表中字段做了修改，另一个表中冗余的字段也需要做同步修改，否则数据不一致。
   • 若采用存储过程来支持数据的更新、删除等额外操作，如果更新频繁，会非常消耗系统资源。
   • 在数据量小的情况下，反范式不能体现性能的优势，可能还会让数据库的设计更加复杂。

4. 反范式的适用场景

   当冗余信息有价值或者能大幅度提高查询效率的时候，我们才会采取反范式的优化。

   • 增加冗余字段的建议

     增加冗余一定要符合如下两个条件。只有满足这两个条件，才可以考虑增加冗余字段。

     1. 这个冗余字段不需要经常进行修改。
     2. 这个冗余字段查询的时候不可或缺。

   • 历史快照、历史数据的需要

     ​ 在现实生活中，我们经常需要一些冗余信息，每次发生的订单收货信息都属于历史快照，需要进行保存，但用户可以随时修改自己的信息，这时保存这些冗余信息是非常有必要的。

     ​ 反范式优化也常用在数据仓库的设计中，因为数据仓库通常存储历史数据，对增删改的实时性要求不强，对历史数据的分析需求强。这时适当允许数据的冗余度，更方便进行数据分析。

     ​ 简单总结下数据仓库和数据库在使用上的区别：

     1. 数据库设计的目的在于捕获数据，而数据仓库设计的目的在于分析数据。
     2. 数据库对数据的增删改实时性要求强，需要存储在线的用户数据，而数据仓库存储的一般是历史数据。
     3. 数据库设计需要尽量避免冗余，但为了提高查询效率也允许一定的冗余度，而数据仓库在设计上更偏向采用反范式设计。

29.4：BCNF(巴斯范式)

1. 概述

   ​ 人们在3NF的基础上进行了改进，提出了巴斯范式(BCNF)，也叫作巴斯-科德范式(Boyce-Codd Normal Form)。BCNF被认为没有新的的设计规范加入，只是对第三范式中设计规范要求更强，使得数据冗余度更小。所以，称为是修正的第三范式，或扩充的第三范式，BCNF不被称为第四范式。

   ​ 若一个关系达到了第三范式，并且它只有一个候选键，或者它的每个候选键都是单属性，则该关系自然达到BC范式。

2. 应用举例

   有一个学生导师表，其中包含字段：学生ID、专业、导师，专业GPA,这其中学生ID和专业是联合主键。

   StudentID	Major	Advisor	MajGPA
   1	人工智能	Edward	4.0
   2	大数据	William	3.8
   1	大数据	William	3.7
   3	大数据	Joseph	4.0

   ​ 这个表的设计满足三范式，但是这里存在另一个依赖关系，专业依赖于导师，也就是说每个导师只做一个专业方面的导师，只要知道了是哪个导师，我们自然就知道是哪个专业的了。

   ​ 所以这个表的部分主键Major依赖于非主键属性的Advisor，那么我们可以进行调整，拆分成2个表：学生导师表、导师表

   StudentID	Advisor	MajGPA
   1	Edward	4.0
   2	William	3.8
   1	William	3.7
   3	Joseph	4.0

   Advisor	Major
   Edward	人工智能
   William	大数据
   William	大数据
   Joseph	大数据

29.5：第四范式

1. 多值依赖的概念

   • 多值依赖即属性之间的一对多关系，记为K ————> A。
   • 函数依赖事实上是单值依赖，所以不能表达属性值之间的一对多关系。
   • 平凡的多值依赖：全集U = K + A，一个K可以对应于多个A，即K ————> A。此时整个表就是一组一对多关系。
   • 非平凡的多值依赖：全集U = K + A + B，一个K可以对应于多个A，也可以对应于多个B，A与B互相独立，即K ————> A，K ———— B。整个表由多组一对多关系，且有：-部分是相同的属性集合，多部分是互相独立的属性集合。

2. 第四范式

   第四范式即在满足巴斯-科德范式BCNF的基础上，消除非平凡且非函数的多值依赖(即把同一表内的多对多关系删除)。

3. 应用举例

   职工表：职工编号、职工孩子姓名，职工选修课程。

   ​ 在这个表中，同一个职工可能会有多个孩子姓名。同样，同一个职工也可能会有多个职工选修课，即这里存在着多值事实，不符合第四范式。

   ​ 如果要符合第四范式，只需要将上表分为两个表，使他们只有一个多值事实，例如：职工表一(职工编号、职工孩子姓名)。职工表二(职工编号、职工选修课程)。两个表都只有一个多值事实，所以符合第四范式。

29.6：第五范式、域键范式

​ 除了第四范式外，我们还有更高级的第五范式(又称完美范式)和域键范式(DKNF)。

​ 在满足第四范式(4NF)的基础上，消除不是由候选键所蕴含的连接依赖。如果关系模式R中的每一个连接依赖均由R的候选键所隐含，则称此关系模式复合第五范式。

​ 函数依赖是多值依赖的一种特殊的情况，而多值依赖实际上是连接依赖的一种特殊情况。但连接依赖不像函数依赖和多值依赖可以由语义直接导出，而是在关系连接运算时才反映出来。存在连接依赖的关系模式仍可能遇到数据冗余及插入、修改、删除异常等问题。

​ 第五范式处理的是无损连接问题，这个范式基本没有实际意义，因为无损连接很少出现，而且难以察觉。而域键范式视图定义一个终极范式，该范式考虑所有的依赖和约束类型，但是实用价值也是最小的，只存在理论研究中。

29.7：数据表的设计原则

数据表设计的一般原则：三少一多。

1. 数据表的个数越少越好

   ​ RDBMS的核心在于对实体和联系的定义，也就是E-R图(Entity Relationship Diagram)，数据表越少，证明实体和联系设计得越简洁，既方便理解有方便操作。

2. 数据表中的字段个数越少越好

   ​ 字段个数越多，数据冗余的可能性越大。设置字段个数少的前提是各个字段相互独立，而不是某个字段的取值可以由其他字段计算出来。当然字段个数少是相对的，我们通常会在数据冗余和检索效率中进行平衡。

3. 数据表中联合主键的字段个数越少越好

   ​ 设置主键是为了确定唯一性，当一个字段无法确定唯一性的时候，就需要采用联合主键的方式(也就是用多个字段来定义一个主键)。联合主键中的字段越多，占用的索引空间越大，不仅会加大理解难度，还会增加运行时间和索引空间，因此联合主键的字段个数越少越好。

4. 使用主键和外键越多越好

   ​ 数据的设计设计上就是定义各种表，以及各种字段之间的关系。这些关系越多，证明这些实体之间的冗余度越低，利用度越高。这样做的好处在于不仅保证了数据表之间的独立性，还能提升相互之间的关联使用率。

​ 三少一多原则的核心就是简单可复用。简单指的是用更少的表、更少的字段、更少的联合主键字段来完成数据表的设计。可复用则是通过主键、外键的使用来增强数据表之间的复用率。

29.8：数据库对象编写建议

1. 关于库
   • 【强制】库的名称必须控制在32个字符以内，只能使用英文字母、数字和下划线，建议以英文字母开头。
   • 【强制】库名中英文一律小写 ，不同单词采用下划线分割。须见名知意。
   • 【强制】库的名称格式：业务系统名称_子系统名。
   • 【强制】库名禁止使用关键字（如type，order等）。
   • 【强制】创建数据库时必须显式指定字符集 ，并且字符集只能是utf8或者utf8mb4。
   • 【建议】对于程序连接数据库账号，遵循权限最小原则。
   • 【建议】临时库以tmp_为前缀，并以日期为后缀；备份库以 bak_为前缀，并以日期为后缀。
2. 关于表、列
   • 【强制】表和列的名称必须控制在32个字符以内，表名只能使用英文字母、数字和下划线，建议以英文字母开头 。
   • 【强制】 表名、列名一律小写 ，不同单词采用下划线分割。须见名知意。
   • 【强制】表名要求有模块名强相关，同一模块的表名尽量使用统一前缀 。比如：crm_fund_item。
   • 【强制】创建表时必须显式指定字符集为utf8或utf8mb4。
   • 【强制】表名、列名禁止使用关键字（如type，order等）。
   • 【强制】创建表时必须显式指定表存储引擎类型。如无特殊需求，一律为InnoDB。
   • 【强制】建表必须有comment。
   • 【强制】字段命名应尽可能使用表达实际含义的英文单词或缩写。如：公司ID，不要使用corporation_id, 而用corp_id即可。
   • 【强制】布尔值类型的字段命名为is_描述。如member表上表示是否为enabled的会员的字段命名为is_enabled。
   • 【强制】禁止在数据库中存储图片、文件等大的二进制数据通常文件很大，短时间内造成数据量快速增长，数据库进行数据库读取时，通常会进行大量的随机IO操作，文件很大时，IO操作很耗时。通常存储于文件服务器，数据库只存储文件地址信息。
   • 【建议】建表时关于主键： 表必须有主键
     1. 强制要求主键为id，类型为int或bigint，且为auto_increment建议使用unsigned无符号型。
     2. 标识表里每一行主体的字段不要设为主键，建议设为其他字段如user_id，order_id等，并建立unique key索引。
   • 【建议】核心表(如用户表)必须有行数据的创建时间字段(create_time)和 最后更新时间字段(update_time)，便于查问题。
   • 【建议】表中所有字段尽量都是NOT NULL属性，业务可以根据需要定义DEFAULT值 。
   • 【建议】所有存储相同数据的列名和列类型必须一致。
   • 【建议】中间表(或临时表)用于保留中间结果集，名称以tmp_开头。备份表用于备份或抓取源表快照，名称以bak_开头。中间表和备份表定期清理。
   • 【建议】创建表时，可以使用可视化工具。这样可以确保表、字段相关的约定都能设置上。可视化工具除了方便，还能直接帮我们将数据库的结构定义转化成SQL语言，方便数据库和数据表结构的导出和导入。
3. 关于索引
   • 【强制】InnoDB表必须主键为id int/bigint auto_increment，且主键值禁止被更新。
   • 【强制】InnoDB和MyISAM存储引擎表，索引类型必须为BTREE 。
   • 【建议】主键的名称以 pk_ 开头，唯一键以uni_ 或uk_ 开头，普通索引以idx_开头，一律使用小写格式，以字段的名称或缩写作为后缀。
   • 【建议】多单词组成的columnname，取前几个单词首字母，加末单词组成column_name。
   • 【建议】单个表上的索引个数不能超过6个。
   • 【建议】在建立索引时，多考虑建立联合索引，并把区分度最高的字段放在最前面。
   • 【建议】在多表JOIN的SQL里，保证被驱动表的连接列上有索引，这样JOIN执行效率最高。
   • 【建议】建表或加索引时，保证表里互相不存在冗余索引。
4. SQL编写
   • 【强制】程序端SELECT语句必须指定具体字段名称，禁止写成*。
   • 【建议】程序端insert语句指定具体字段名称，不要写成INSERT INTO t1 VALUES(…)。
   • 【建议】除静态表或小表（100行以内），DML语句必须有WHERE条件，且使用索引查找。
   • 【建议】INSERT INTO…VALUES(XX),(XX).. 这里XX的值不要超过5000个。 值过多虽然上线很快，但会引起主从同步延迟。
   • 【建议】SELECT语句不要使用UNION，推荐使用UNION ALL，并且UNION子句个数限制在5个以内。
   • 【建议】线上环境，多表JOIN不要超过5个表。
   • 【建议】减少使用ORDER BY，和业务沟通能不排序就不排序，或将排序放到程序端去做。
   • 【建议】包含了ORDER BY、GROUP BY、DISTINCT这些查询的语句，WHERE条件过滤出来的结果集请保持在1000行以内，否则SQL会很慢。
   • 【建议】对单表的多次alter操作必须合并为一次对于超过100W行的大表进行alter table，必须经过DBA审核，并在业务低峰期执行，多个alter需整合在一起。 因为alter table会产生 表锁 ，期间阻塞对于该表的所有写入，对于业务可能会产生极大影响。
   • 【建议】批量操作数据时，需要控制事务处理间隔时间，进行必要的sleep。
   • 【建议】事务里包含SQL不超过5个。因为过长的事务会导致锁数据较久，MySQL内部缓存、连接消耗过多等问题。
   • 【建议】事务里更新语句尽量基于主键或UNIQUE KEY，如UPDATE… WHERE id=XX；否则会产生间隙锁，内部扩大锁定范围，导致系统性能下降，产生死锁。