数据库迁移方案不是一份躺在共享盘里的技术文档,它更像一张施工图纸,得有人拿着它一锤一钉地把旧库拆掉、把新库立起来。不少团队把方案写得漂漂亮亮,评估阶段打分表填得密密麻麻,结果一到落地就翻车。问题出在哪儿?他们把方案当成了终点,实际上它只是起点。从评估到落地,中间隔着一整套动作:盘点家底、设计路径、搭环境、跑验证、切流量、兜底回滚。缺了哪一环,方案都只是一沓纸。

先说评估阶段最容易踩的坑。很多团队一上来就盯着数据库本身——数据量多大、QPS多高、索引多少。这些当然要看,但更要看的是数据背后的业务耦合。比如某电商平台迁移订单库,技术评估显示数据量800GB,看起来用逻辑复制加增量同步就能搞定。可他们漏了一件事:订单库和风控库之间有十几个存储过程互相调用,还有三个定时任务在凌晨跑批时直接跨库JOIN。这些隐性依赖不在方案的评估范围里,切流当晚就炸了。所以评估阶段必须做一张依赖拓扑图,把数据库当成一个节点,标出所有进出的数据流和控制流。谁在读、谁在写、谁在调存储过程、谁在跑定时任务,一个都不能少。
评估做完,方案要回答一个核心问题:怎么迁。停机迁、不停机迁、双写迁、逐步迁,四条路各有各的代价。停机迁最简单,但业务能不能接受四小时黑洞?不停机迁靠CDC工具做增量同步,可延迟和冲突怎么控?双写迁听起来稳,但应用层改造成本谁扛?逐步迁按业务域拆,可拆到一半发现跨域事务没法处理怎么办?方案不能只写“推荐方案A”,得把每个方案的退出条件写清楚。比如选不停机迁,那增量延迟超过5秒就得告警,超过30秒自动降级到停机窗口。退出条件不是拍脑袋定的,是拿压测数据算出来的。
落地阶段第一件事不是动数据库,是搭影子环境。把生产库的全量备份恢复到新库,然后用流量回放工具把过去七天的真实请求打到新库上。这一步能暴露的问题比任何评审会都多。某金融团队做迁移时,影子环境跑了三天,发现新库在批量代扣场景下死锁率比旧库高17倍。原因很简单:旧库用的是Oracle,新库是PostgreSQL,同一段批量更新语句在两种隔离级别下的锁行为完全不同。这个问题在方案评审时没人提,因为评审看的是SQL语法兼容性,不是执行计划。影子环境跑完,方案得改,改完再跑,直到死锁率回到可接受范围。
数据校验是另一个容易被糊弄的环节。方案里通常写“迁移后做全量比对”,可怎么比对、比对什么、差异容忍度多少,往往一笔带过。真实场景里,全量比对800GB数据至少要跑六个小时,期间增量还在写入,比对结果永远对不齐。正确的做法是分片校验加增量校验。分片校验按主键哈希把数据切成128片,每片独立比对,发现差异只重传那一片。增量校验靠日志解析,把迁移期间的DML操作记录下来,在新库重放后比对影响行数。这套组合拳打下来,校验时间从六小时压到四十分钟,差异定位从“全库扫描”变成“精确到行”。
切流是方案落地的临门一脚,也是最容易翻车的一脚。切流不是把DNS一改就完事,得按业务优先级分批切。先切只读业务,观察半小时;再切写少读多的业务,观察两小时;最后切核心交易链路,观察二十四小时。每批切流前,方案要明确回滚触发条件。比如核心交易链路切流后,如果五分钟内错误率超过0.5%,或者P99延迟超过200毫秒,立即回滚。回滚不是把流量切回去就完了,还得把新库上产生的增量数据反向同步回旧库,否则数据就丢了。这一步在方案里必须写清楚反向同步的工具和流程,不能只写“支持回滚”。
切流完成后,旧库不能马上下线。至少保留一个完整的业务周期,比如电商要保留一个完整的促销季,金融要保留一个完整的结息周期。这段时间旧库处于只读状态,随时可以查历史数据。方案要规定旧库的保留时长、保留方式、以及最终下线的审批流程。某出行平台迁移后第三天下线旧库,结果第七天发现一笔三年前的订单数据在新库缺失,旧库已经格式化了,只能从备份磁带里恢复,花了整整两天。这个教训写在方案的复盘章节里,比任何技术方案都值钱。
从评估到落地,方案的生命周期不是线性的。评估阶段发现依赖复杂度超预期,得回头改迁移路径;落地阶段影子环境跑出性能问题,得回头改评估模型。方案是一份活文档,每次变更都要记录变更原因、影响范围、回滚预案。团队里得有一个人专门管方案的版本,就像管代码一样。没有这个角色,方案就会变成“写的时候人人参与,落地的时候人人不看”。数据库迁移从来不是技术问题,是协作问题。方案就是协作的锚点,锚点松了,船就漂了。


