1. 为什么要分库分表？

1.1 单库瓶颈表现

• 存储瓶颈：单表数据超过5000万行，查询性能急剧下降
• 性能瓶颈：单库QPS超过5000后响应延迟显著增加
• 可用性风险：单点故障导致全系统不可用

1.2 突破性优势

+----------------+--------------+-----------------+
| 指标           | 单库单表      | 分库分表(16分片) |
+----------------+--------------+-----------------+
| 写入吞吐量      | 2000 TPS     | 32000 TPS       |
| 查询延迟        | 120ms        | 15ms            |
| 数据容量        | 500GB        | 8TB             |
+----------------+--------------+-----------------+

2. 分片策略深度解析

2.1 水平分片 vs 垂直分片

2.2 典型分片算法对比

算法	适用场景	优点	缺点
哈希取模	均匀分布场景	数据分布均匀	扩容困难
一致性哈希	需要动态扩容	扩容影响小	实现复杂
范围分片	时序数据	支持范围查询	容易产生热点
基因分片	关联查询优化	支持跨表关联	设计复杂

3. 生产环境实施流程

3.1 分片方案设计

// 基因分片算法示例
public class GeneSharding {public static String getShard(String orderId) {// 提取用户ID后四位作为基因String gene = orderId.substring(orderId.length()-4);int hash = Math.abs(gene.hashCode()) % 16;return "shard_" + hash;}
}

3.2 数据迁移方案

1. 全量迁移：使用DataX工具导出历史数据
2. 增量同步：通过Canal监听binlog
3. 数据校验：对比MD5校验和
4. 流量切换：灰度切换读/写流量

3.3 应用改造要点

<!-- MyBatis分表配置示例 -->
<insert id="insertOrder"><!-- 自动路由到对应分表 -->INSERT INTO order_${shardIndex} VALUES (#{orderId}, #{amount})
</insert>

4. 分库分表中间件选型

4.1 主流方案对比

工具	接入方式	功能完整性	学习成本	社区支持
ShardingSphere	JDBC代理	★★★★★	★★☆	★★★★★
MyCat	数据库代理	★★★★☆	★★★	★★★☆
Vitess	gRPC接口	★★★★☆	★★★★	★★★★

4.2 ShardingSphere配置示例

application-sharding.yml
spring:shardingsphere:rules:sharding:tables:t_order:actual-data-nodes: ds${0..1}.t_order_${0..7}database-strategy:standard:sharding-column: user_idsharding-algorithm-name: db_hashtable-strategy:standard:sharding-column: order_timesharding-algorithm-name: table_range

5. 常见问题解决方案

5.1 分布式事务处理

// Seata分布式事务示例
@GlobalTransactional
public void createOrder(Order order) {orderDao.insert(order);          // 写订单库inventoryDao.deduct(order);      // 写库存库accountDao.updateBalance(order); // 写账户库
}

5.2 跨分片查询优化

-- 使用全局索引表
CREATE TABLE global_index (biz_id VARCHAR(32) PRIMARY KEY,shard_key VARCHAR(32) NOT NULL
);-- 查询时先查索引表
SELECT shard_key FROM global_index WHERE biz_id = 'ORDER_123';
SELECT * FROM t_order_${shard_key} WHERE order_id = 'ORDER_123';

6. 监控与调优

6.1 关键监控指标

指标类别	监控项	报警阈值
资源使用	分片存储空间使用率	>80%
性能指标	跨分片查询比例	>5%
业务指标	分片数据分布偏差率	>15%

6.2 性能调优技巧

1. 热点分片处理：动态调整路由策略
2. 查询优化：强制指定分片键
3. 缓存加速：二级缓存+布隆过滤器
4. 连接管理：合理配置连接池参数

7. 真实案例：电商平台改造

7.1 改造前架构

           [应用集群]|[MySQL主从]500GB数据3000 TPS

7.2 分库分表方案

16个分库（用户ID哈希）
每个库包含：8个订单表（时间范围分片）4个支付表（订单ID基因分片）

7.3 改造成效

峰值处理能力：52000 TPS → 提升17倍
平均查询延迟：86ms → 9ms
年度存储成本：降低42%

8. 演进路线建议

timeline阶段1 : 单库读写分离阶段2 : 垂直分库（业务拆分）阶段3 : 水平分表（单业务分表）阶段4 : 多维度分库分表阶段5 : 单元化架构

技术选型建议：
• 数据量<1TB：使用中间件方案

• 数据量>1TB：考虑NewSQL数据库（TiDB/CockroachDB）

• 超高并发场景：结合内存数据库（Redis/Aerospike）

通过合理的分库分表策略，可以使传统关系型数据库支撑起海量数据场景。关键在于根据业务特征选择合适的分片策略，并建立完善的监控运维体系。