单台机器很难处理海量的数据或者很高的并发查询，需要把数据拆分到多个节点上，在多个节点上进行存储和处理，这种技术叫作数据分区，也称为数据分片。数据分片的主要目的是提高可扩展性，使数据分散到多个节点上，如果对单个分区进行查询，每个节点都只对自己所在的节点进行独立查询。

分布式存储系统需要解决的两个最主要的问题：数据分片和数据冗余， 通过图 3-3 来解释其概念和区别。

图 3-3 中，数据集 A、B 属于数据分片，原始数据被拆分成三个正交子集分布在三个 DN 节点上。而数据集 C 属于数据冗余，同一份完整的数据在三个节点都有存储。

图 3-3 数据分片及数据冗余示意图

AntDB 提供 Hash 分片、Mod 取模分片、Random 随机分片及复制表等多种分片方式。下面重点描述 Hash 分片技术。哈希表（散列表）是最常见的数 据结构，根据记录的关键值将记录映射到表中的一个槽（slot）中，便于快速访问。绝大多数编程语言都支持 Hash 表，如 Python 中的 dict，C++ 中的 map，Java 中的 Hashtable，Lua 中的 table，等等。在 Hash 表中，最为简单的散列函数是mod N（N 为 DN 节点的个数）。即首先由关键值计算出 Hash 值（这里是一个整型），通过对 N 取余，余数即是在表中的位置。

AntDB 数据分片的 Hash 技术也是基于这个思想，即按照数据的某一特征（key）来计算哈希值，并将哈希值与系统中的节点建立映射关系，从而将哈希值不同的数据分布到不同的节点上。

示例如图 3-4 所示。假如选择 id 作为数据分片的 key，那么各个节点负责的数据如下：

图 3-4 Hash 分片数据分布示意图
 

由此可见，按照 Hash 方式做数据分片，映射关系非常简单，需要管理的元数据也非常少，只需要记录节点的数目以及 Hash 方式就可以了。

但 Hash 分片方式的缺点也非常明显：当加入或者删除一个节点的时候， 大量的数据需要移动。比如在某处增加一个 DN4_1 数据节点且 DN4_1 数据节点也想共同存储 test 表数据，那么 N（DN 节点的个数）由 3 变成 4 了，原本的 mod 3 就需要变成 mod 4，test 表数据需要移动。因此，当前 AntDB 新增加数据节点的情况下，原本表的分布节点不会主动发生变化。在 AntDB 数据库中， 为了减少迁移的数据量，在线热扩容技术里节点的数目均是成倍增长，这样最多有 50% 的数据发生迁移。

Hash 方式还有一个缺点，即很难解决数据不均衡的问题。有两种情况：第一，原始数据的特征值分布不均匀，导致大量的数据集中到一个物理节点上； 第二，对于可修改的记录数据，单条记录的数据变大。这两种情况，都会导致节点之间的负载不均衡，而且在 Hash 方式下很难解决。对于此场景，AntDB 提供 random 随机分片方式可以解决该类数据倾斜的问题。