1、什么是分库分表

1.1、分表

将同一个库中的一张表（比如SPU表）按某种方式（垂直拆分、水平拆分）拆分成SPU1、SPU2、SPU3、SPU4…等若干张表，如下图所示：

1.2、分库

在表数据不变的情况下，对数据库进行拆分，即将一个库中的若干张表按某种方式拆分出来，放到不同的数据中，如下图所示：

1.3、分库+分表

数据库的数量和表的数量都有变化，例如将一个数据库中的一张表（比如SPU表）拆分成SPU1、SPU2、SPU3、SPU4…等若干张表，并放到不同的数据里面，如下图所示：

2、拆分方式

2.1、水平拆分

水平拆分指的是在整个表数据结构不发生变化的前提下，我们将一张表的数据拆分成多张表，如下图所示：

这样拆分完以后，单张表的数据量就降下来了，读写性能自然就上去了。

2.2、垂直拆分

垂直拆分指将本来放在一张表中的字段，按业务需求拆分开放到多张表中，如下图所示：

这样拆分完后，就将需要经常查询的数据单独放到一张表中了，性能也就提上去了。

2、何时进行分库分表？

当系统性能出现瓶颈，我们通过代码优化、加缓存、JVM性能调优、限流、搭建集群等常用的技术手段依然无法很好的解决问题时，就可以考虑采用分库分表来提高系统的性能。常见需要进行分表分表的场景有以下几点：

2.1、单表出现性能瓶颈

单表数据量较大，导致读写性能较慢。

2.2、单库出现性能瓶颈

1. CPU压力过大（busy、load过高），导致读写性能较慢。
2. 内存不足（缓存池命中率较低、磁盘读写IOPS过高），导致读写性能较慢。
3. 磁盘空间不足，导致无法正常写入数据。
4. 网络带宽不足，导致读写性能较慢。

3、如何选择分库、分表或者分库+分表

3.1、只分表

• 单表数据量较大，单表读写性能出现瓶颈。
• 经过评估单库的容量和性能可以支撑未来几年的数据量增长。

3.2、只分库

• 数据库（读）写压力较大，数据库出现存储性能瓶颈。

3.3、分库分表

• 单表数据量较大，单表读写性能出现瓶颈。
• 数据库（读）写压力较大，数据库出现存储性能瓶颈。

4、分库分表带来的问题

4.1、分布式唯一ID

分库分表后，一张表被拆成了多张表，数据库的自增ID无法保证数据的唯一性了，因此需要映入一种方案来保证数据ID的唯一性。成熟的解决方案有以下几个：

4.1.1、UUID

优点：本地生成，性能高。

缺点：

• 更占用存储空间，一般为长度36的字符串。
• 不适合作为MySQL主键：无序性会导致磁盘随机IO、叶分裂等问题；普通索引需要存储主键值，导致B+树“变高”，IO次数变多。
• 基于MAC地址的送算法可能会导致MAC地址泄漏。

4.1.2、雪花算法

• 41bit时间戳：可用69年
• 10bit工作机器：可部署1024台服务器
• 12bit序列号：每毫秒可生成4096个ID，每秒也就是409万。

4.1.3、号段模式

4.2、分布式事务

4.2.1、2PC

2PC 即两阶段提交协议，是将整个事务流程分为两个阶段，准备阶段（Prepare phase）、提交阶段（commit phase），2 是指两个阶段，P 是指准备阶段，C 是指提交阶段。

4.2.2、TCC

TCC（Try-Confirm-Cancel）是一种事务模型，其概念源自于Pat Helland的论文《Life beyond Distributed Transactions:an Apostate’s Opinion》。

TCC提出了一种基于业务层面的事务定义方式，通过由业务自身控制锁粒度，解决了复杂业务中跨表跨库等大颗粒度资源锁定的问题。

TCC将事务过程分为Try（尝试）、Confirm（确认）和Cancel（取消）三个阶段，每个阶段由业务代码控制，避免了长事务的问题，从而提高了性能。

TCC 的具体流程如下图所示：

4.2.3、常见的保证最终一致的处理方法

• 回滚
• 重试
• 监控
• 告警
• 幂等
• 对账
• 人工补偿

4.3、跨库ＪＯＩＮ／分页查询

4.3.1、合适的分表字段(sharding key)

合理选择，避免大多数跨库查询

4.3.2、搜索引擎支持：ES

数据冗余到ES，使用ES支持复杂查询。
核心流程：

• 使用ES查询出关键字段，例如：门店id和商品id。
• 再使用关键字段去查询完整数据。
  注意点：
• ES只需要存储需要搜索的字段。

4.3.3、分开查询，内存中聚合

先查询出A表数据，然后根据A表的结果查询B表。
注意点：

• 查询出来的数据量
• 内存占用情况

4.3.4、冗余字段

A表查询需要B表的field1字段，则将B表的field1存储一份到A表上。
适用场景：只需要少量字段，则可以直接冗余。