1. 数据备份与恢复策略 (权衡的艺术)
“海量数据面前，每天全量备份是不现实的。核心在于时间和空间的取舍。”
| 备份类型 |
备份内容 |
恢复速度 |
空间占用 |
| 完全备份 (Full) |
备份整个数据库 |
最快 (只需这一个包) |
最大 |
| 增量备份 (Incremental) |
仅备份上一次备份后发生变化的数据 |
最慢 (需要全备 + 沿途所有增备包) |
最小 |
| 差异备份 (Differential) |
备份上一次完全备份后发生变化的所有数据 |
中等 (全备 + 最新的一个差备包) |
中等 |
经典真题演练
场景：系统周日进行完全备份，周一至周六每天进行差异备份。如果在周四上午硬盘损坏，管理员应如何加载备份进行恢复？
答案：加载周日的完全备份，以及周三的差异备份。
解析：差异备份的特点是“打包自上次全备以来的所有变化”。因此周三凌晨的差异包已经包含了周一、周二、周三的所有数据变动。恢复时只需首尾相加，不需要中间的过渡包。
2. 分布式数据库体系
“分布式数据库的最高境界：让用户感觉不到它是分布式的，就像在用单机一样（透明性）。”
四大透明性 (由高到低)
- 分片透明性 (Fragmentation)：最高级别。用户不需要知道数据是如何被“切碎”的。
- 位置透明性 (Location)：用户不需要知道数据存在哪个城市的机房（物理位置）。
- 局部数据模型透明性：用户不需要知道局部场地使用的是什么数据模型（关系型还是网状等）。
表的分片方式 (数据怎么切碎)
水平分片 (按“行”切)
以元组（行）为单位进行划分。例如：将北京客户的整行数据放 A 机房，广州客户的放 B 机房。
垂直分片 (按“列”切)
以属性（列）为单位进行划分。例如：将用户的“基本信息”放一处，“隐私信息”放另一处。（注意：切开的每一块必须都包含主键，以便日后连接还原）。
考场直觉判断
题：用户编写程序时，不需要知道某张表的数据到底是“按行切”存在了多台服务器上，还是“按列切”存在了多台服务器上，这属于什么透明性？
答案：分片透明性。
解析：只要题干中强调了对“切割规则（按行/按列）”的隐藏，就是考分片透明性。如果题干强调的是“不知道在哪个服务器”，则是考位置透明性。
3. NoSQL 非关系型数据库选型
“传统关系型数据库在海量高并发面前显得笨重，NoSQL 牺牲了部分严谨性，换来了极致的速度和灵活性。”
- 键值对 (Key-Value) 数据库 🗝️：
- 代表： Redis
- 特点： 数据存在内存中，速度极快；结构像查字典一样简单。
- 场景： 双 11 秒杀、热点新闻缓存、排行榜。
- 文档型 (Document) 数据库 📄：
- 代表： MongoDB
- 特点： 数据存为类似 JSON 的格式，不需要固定的表格结构，每一行拥有的字段可以完全不同。
- 场景： 结构多变的海量数据，如博客文章、短视频评论、用户行为日志。
💡 架构师实战抉择：
如果要开发一个大型内容社区，帖子内容长短不一，且后期极有可能频繁增加新字段（如打赏数、点赞列表）。
选型建议：首选 MongoDB。因为它是文档型数据库，格式自由，完美契合“海量且结构不固定”的业务需求，无需像 MySQL
那样痛苦地修改表结构（ALTER TABLE）。