做数据库迁移这事儿,我见过太多团队栽跟头了。不是技术不够硬,而是把迁移想得太简单——以为把数据搬过去就完事,结果上线当晚业务方电话被打爆,回滚又回不去,进退两难。其实数据库迁移就像搬家,看着是搬箱子,实际考验的是打包、路线、新家布局和应急预案。你得把整个过程拆开揉碎了看,从规划到落地每一步都得有章法,这就是这份手册存在的意义。

规划阶段最容易被忽视的,是对现有数据库的“摸底”。很多人上来就问“用什么工具迁”,却连自己库里有几张上亿的大表、哪些表是热点写、哪些字段是冗余的都不清楚。我见过一个团队,迁移前没做数据分布分析,结果把冷热数据混在一起迁,新库的缓存命中率惨不忍睹,查询慢了三倍。所以第一步别急着动手,先花几天时间梳理:表的大小、增长速率、索引使用率、慢查询日志、读写比例,把这些数据拉出来,你才知道迁移的难点在哪。比如发现有张表占了全库80%的空间,那就要考虑是不是要分表,或者迁移时单独处理这张表的索引策略。
选迁移方案的时候,很多人纠结用哪种工具,其实工具只是执行层,真正要定的是停机策略。业务允许停机一小时,跟只允许停五分钟,方案完全不同。允许停机的,可以用最稳妥的dump加导入,全量备份恢复,校验完再切换。不允许停机的,就得做增量同步,用binlog或CDC工具把迁移期间的新写入数据实时追平。这里有个坑:很多团队测试环境跑得好好的,一到生产就出问题,因为测试数据量小,增量同步的延迟和冲突根本暴露不出来。所以压测一定要按生产的1.5倍数据量来,而且要把并发写入的模拟脚本跑起来,看看同步工具在压力下的表现。
迁移演练这事儿,说一百遍都不嫌多。我见过最离谱的案例,一个团队演练了三次全成功,结果正式迁移时还是挂了——因为他们演练用的业务请求是脚本模拟的,而真实用户的操作里有大量跨库事务和临时表操作,这些在演练时根本没覆盖到。演练的目的是暴露问题,不是走过场。你得把业务方的核心流程拉进来,让他们在演练环境里真实操作一遍,包括下单、支付、查询历史订单这些高频动作。另外,演练还要测回滚预案,很多团队只演练正向迁移,回滚脚本写了但从来没跑过,真出问题时才发现回滚脚本有语法错误,那就真成事故了。
数据一致性校验是迁移里最磨人的环节,也是最容易出事的。你迁完以为数据对上了,实际上可能差了那么几条。常规做法是比对行数、比对校验和,但这只能发现“数据少了”,发现不了“数据错了”。我建议做三层校验:第一层行数比对,第二层关键字段的checksum比对,第三层抽样比对业务核心数据,比如最近三个月的订单记录,逐条核对金额、状态、时间戳。这里有个细节:比对要在业务低峰期做,因为迁移期间源库还在写入,比对时会有新数据进来,你得把比对窗口和写入窗口隔离,否则怎么比都对不上。
切换那一刻,考验的不是技术,是流程和人的配合。很多团队把切换当成一个技术动作,以为执行脚本就完事。实际上切换是个协调动作:什么时候停写、什么时候同步增量、什么时候切读流量、什么时候验证、什么时候通知业务方,每一步都要有时间点和负责人。我建议做个切换checklist,像飞机起飞前的检查单一样,一项一项勾。而且要有明确的“叫停条件”——比如增量同步延迟超过30秒,或者校验失败超过10条记录,就立即停止切换,回滚到源库。不要抱着“再等等可能就好了”的心态,那是最危险的。
迁移完不代表结束,后面两周的观察期才是真正的考验。新库的性能表现、慢查询分布、连接池的使用、锁等待的情况,这些指标要盯着看。我见过一个团队,迁移后一切正常,结果第三周突然出现大批超时,排查半天发现是新库的buffer pool配置没调,内存参数沿用了默认值。迁移前你做的参数调优,在迁移后还要根据实际负载再调一轮。另外,别忘了把旧库保留一段时间,至少两周,别急着删。万一新库有隐藏问题,你还能从旧库找回数据或做对比分析。
这套流程走下来,数据库迁移其实是件挺磨人的事,但每一步都有章可循。从摸底、选方案、演练、校验、切换到观察,每个环节都有具体的坑等着你,但每个坑也都有对应的填法。这份手册不是让你照搬,而是让你知道该往哪些方向想,该提前准备什么。记住,成功的迁移不是“没出问题”,而是“出了问题也能快速恢复”。把这句话写在你的迁移文档第一页,比什么都管用。


