查询分离。以上只是简单的架构图，其中有些细节还是需要深究，如下：
什么时候触发查询分离？如何实现查询分离？查询数据的存储系统选型？查询数据如何使用？查询分离的适用场景。
当你在实际业务中遇到以下情形，则可以考虑使用查询分离解决方案。
数据量大。
所有写数据的请求效率尚可。
查询数据的请求效率很低。
所有的数据任何时候都可能被修改。
业务希望我们优化查询数据的功能。
曾做过 saas 客服系统的架构优化，系统里有一个工单查询功能，工单表中存放了几千万条数据，且查询工单表数据时需要关联十几个子表，每个子表的数据也是超亿条。
面对如此庞大的数据量，跟前面的冷热分离一样，每次客户查询数据时几十秒才能返回结果，即便我们使用了索引、sql 等数据库优化技巧，效果依然不明显。
工单表中有些数据是几年前的，客户说这些数据涉及诉讼问题，需要继续保持更新，因此我们无法将这些旧数据封存到别的地方，也就没法通过前面的冷热分离方案来解决。
最终我们采用了查询分离的解决方案，才得以将这个问题顺利解决：将更新的数据放在一个数据库里，而查询的数据放在另外一个系统里。因为数据的更新都是单表更新，不需要关联也没有外键，所以更新速度立马得到提升，每次客户查询数据时，500ms 内就可得到返回结果。
什么时候触发查询分离。
简单的来说就是什么时候应该保存一份数据到查询数据库中，其实也就是数据异构的过程，详细文章可以看我前面一篇文章：数据异构就该这样做，yyds~。
这里介绍三种方式，如下：
同步建立异步建立binlog方式1、 同步建立。
修改业务代码：在写入常规数据后，同步建立查询数据。
该种方案优缺点也非常明显：
优点：查询数据的一致性和实时性得到了保证。
缺点：业务代码侵入比较强；减缓写操作的效率。
2、 异步建立。
修改业务代码：写入数据后，异步建立查询数据。
该种方案的优缺点如下：
优点：不影响主流程。
缺点：数据一致性存在问题。
3、 binlog的方式。
该种方案也是业界常用的一种方案，对于代码是无侵入的，通过监听数据库日志的方式建立查询数据，如下：
该种方案的优缺点如下：
优点：不影响主流程；代码侵入为0。
缺点：数据一致性存在问题；架构相对复杂。
如何实现查询分离。
对于上述三种方案都算是比较常见的方案，对于第一种同步的方式比较简单，这里不再介绍；对于第三种binlog的方式在数据异构的文章中介绍过，详情见：数据异构就该这样做，yyds~。
这篇文章来介绍一下异步的方式，异步的方式有很多，可以放在内存中进行操作，但是这有些弊端：
数据过多，内存有限服务重启，内存数据将会丢失。
因此最终我们可以选择mq的方式，那么此时就涉及到了mq的技术选型，这里给两个建议：
如果你的公司已经用了mq，那么直接接着用即可如果公司目前未引入mq，则需要架构组考量选型了，对于mq的选型可以看我之前文章：聊聊 mq 技术选型。
当然一旦引入了mq还需要考虑的问题很多，如下：
1、 mq突然宕机了怎么办。
mq宕机意味着查询数据不能继续建立了，我们可以在写入数据的同时给该条数据加一个标志字段（已搬运、未搬运），当mq启动后，查询所有未搬运的数据，继续建立查询数据。
“。
这里的方案很多，按照业务实际情况考量。
”2、消息的幂等消费。
消息的幂等消费一定要保证，避免数据重复建立，比如：主数据的订单 a 更新后，我们在查询数据中插入了 a，可是此时系统出问题了，系统误以为查询数据没更新，又把订单 a 插入更新了一次。
3、消息的时序性问题。
比如某个订单 a 更新了 1 次数据变成 a1，线程甲将 a1 的数据搬到查询数据中。不一会儿，后台订单 a 又更新了 1 次数据变成 a2，线程乙也启动工作，将 a2 的数据搬到查询数据中。
所谓的时序性就是如果线程甲启动比乙早，但搬运数据动作比线程乙还晚完成，就有可能出现查询数据最终变成过期的 a1。
查询数据的存储系统选型。
既然为了解决表数据量大查询缓慢的问题，肯定是不能选用关系型数据库了，那么还有其他选择吗？
内存数据库虽然性能非常高，比如redis，但是不适合海量数据，太费钱了。
那么这里比较适用的有如下三种：
mongodbhbaseelasticsearch、这里选型还是要根据自己公司业务选择，如果已经有在用的，则直接用即可；另外就是选择自己熟悉的，比如当初我们设计架构方案时，为什么选择用 elasticsearch，除 es 对查询的扩展性支持外，最关键的一点是我们团队对 elasticsearch 很熟悉。
查询数据如何使用。
查询数据很简单，每个数据库都有对应的api，直接调用查询。
但是，这里有一个问题：数据查询更新完前，查询数据不一致怎么办？，给出两种方案：
在查询数据更新到最新前，不允许用户查询。（我们没用过这种设计，但我确实见过市面上有这样的设计。）。
给用户提示：您目前查询到的数据可能是 1 秒前的数据，如果发现数据不准确，可以尝试刷新一下，这种提示用户一般比较容易接受。