转载自： 分库分表 带来了哪些问题？

八股文刷题网站: https://golangguide.top

分库分表是解决单库单表性能瓶颈的有效手段，但也会引入新的复杂性和技术挑战。

这篇文章跟大家一起聊聊，分库分表后带来的7个问题，以及相关的解决方案，希望对你会有所帮助。

1. 全局唯一 ID 问题

问题描述

在分库分表后，每张表的自增 ID 只在本表范围内唯一，但无法保证全局唯一。

例如：

  • 订单表_1 的主键从 1 开始，订单表_2 的主键也从 1 开始。
  • 在需要全局唯一 ID 的场景（如订单号、用户 ID）中会发生冲突。

解决方案

1.1 使用分布式 ID 生成器

推荐工具：
  • Snowflake：Twitter 开源的分布式 ID 算法。
  • 百度 UidGenerator：基于 Snowflake 的改进版。
  • Leaf：美团开源，号段模式和 Snowflake 双支持。
代码示例：Snowflake 算法
public class SnowflakeIdGenerator {  
    private final long epoch = 1622476800000L; // 自定义时间戳  
    private final long workerIdBits = 5L; // 机器ID  
    private final long datacenterIdBits = 5L; // 数据中心ID  
    private final long sequenceBits = 12L; // 序列号  
  
    private final long maxWorkerId = ~(-1L << workerIdBits);  
    private final long maxDatacenterId = ~(-1L << datacenterIdBits);  
    private final long sequenceMask = ~(-1L << sequenceBits);  
  
    private long workerId;  
    private long datacenterId;  
    private long sequence = 0L;  
    private long lastTimestamp = -1L;  
  
    public SnowflakeIdGenerator(long workerId, long datacenterId) {  
        if (workerId > maxWorkerId || workerId < 0) throw new IllegalArgumentException("Worker ID out of range");  
        if (datacenterId > maxDatacenterId || datacenterId < 0) throw new IllegalArgumentException("Datacenter ID out of range");  
        this.workerId = workerId;  
        this.datacenterId = datacenterId;  
    }  
  
    public synchronized long nextId() {  
        long timestamp = System.currentTimeMillis();  
        if (timestamp < lastTimestamp) throw new RuntimeException("Clock moved backwards");  
  
        if (timestamp == lastTimestamp) {  
            sequence = (sequence + 1) & sequenceMask;  
            if (sequence == 0) timestamp = waitNextMillis(lastTimestamp);  
        } else sequence = 0L;  
  
        lastTimestamp = timestamp;  
        return ((timestamp - epoch) << (workerIdBits + datacenterIdBits + sequenceBits))  
                | (datacenterId << (workerIdBits + sequenceBits))  
                | (workerId << sequenceBits)  
                | sequence;  
    }  
  
    private long waitNextMillis(long lastTimestamp) {  
        long timestamp = System.currentTimeMillis();  
        while (timestamp <= lastTimestamp) timestamp = System.currentTimeMillis();  
        return timestamp;  
    }  
}

1.2 数据库号段分配

  • 原理：维护一个独立的 global_id 表，分库按步长分配 ID：
  • 库 1：ID 步长为 2，从 1 开始（1, 3, 5...）。
  • 库 2：ID 步长为 2，从 2 开始（2, 4, 6...）。
示例
CREATE TABLE global_id (  
    id INT PRIMARY KEY AUTO_INCREMENT,  
    stub CHAR(1) NOT NULL UNIQUE  
);  
-- 步长设置：  
SET @@auto_increment_increment = 2;  
SET @@auto_increment_offset = 1;

2. 跨库跨表查询复杂性

问题描述

分库分表后，聚合查询（如总数统计、分页查询）需要跨多个分片表执行，增加了查询复杂度。

例如：

  • 查询所有订单总数，需要跨 10 个订单表聚合。
  • 按创建时间分页查询所有订单。

解决方案

2.1 使用中间件（推荐）

  • ShardingSphere 或 MyCAT：支持 SQL 分片执行和结果合并。
  • 优点：业务代码无需修改，中间件完成分库分表逻辑。

2.2 手动分片查询

  • 按分片逐一查询数据，在业务层合并结果。
示例代码：聚合查询
public int countAllOrders() {  
    int total = 0;  
    for (String db : List.of("db1", "db2", "db3")) {  
        String sql = "SELECT COUNT(*) FROM " + db + ".orders";  
        total += jdbcTemplate.queryForObject(sql, Integer.class);  
    }  
    return total;  
}
示例代码：跨分片分页查询
public List<Order> paginateOrders(int page, int size) {  
    List<Order> allOrders = new ArrayList<>();  
    for (String table : List.of("orders_1", "orders_2")) {  
        String sql = "SELECT * FROM " + table + " LIMIT 100";  
        allOrders.addAll(jdbcTemplate.query(sql, new OrderRowMapper()));  
    }  
    allOrders.sort(Comparator.comparing(Order::getCreatedAt));  
    return allOrders.stream()  
            .skip((page - 1) * size)  
            .limit(size)  
            .collect(Collectors.toList());  
}

手动分片查询的方案，如果数据比较多，性能会比较差。

3. 分布式事务问题

问题描述

分布式事务（如订单表在库 A，库存表在库 B）无法使用单库事务，导致可能会出现数据的一致性问题。

解决方案

3.1 分布式事务框架

  • Seata：支持跨库的分布式事务。
  • 示例代码：
@GlobalTransactional  
public void createOrder(Order order) {  
    orderService.saveOrder(order); // 写入库A  
    stockService.reduceStock(order.getProductId()); // 更新库B  
}

3.2 柔性事务

  • 使用消息中间件实现最终一致性。
  • 典型实现：RocketMQ 消息事务。

4. 分片键设计问题

问题描述

分片键选择不当可能导致数据倾斜（热点问题）或查询路由效率低。

解决方案

4.1 分片键设计原则

  1. 数据分布均匀：避免热点问题。
  2. 常用查询字段：尽量选高频查询字段。

4.2 路由表

  • 维护全局路由表，映射分片键到分表。
示例代码：路由表查询
public String getTargetTable(int userId) {  
    String sql = "SELECT table_name FROM routing_table WHERE user_id = ?";  
    return jdbcTemplate.queryForObject(sql, new Object[]{userId}, String.class);  
}

5. 数据迁移问题

问题描述

扩容（如从 4 个分片扩展到 8 个分片）时，旧数据需要迁移到新分片，迁移复杂且可能影响线上服务。

解决方案

5.1 双写策略

  • 数据迁移期间，旧表和新表同时写入。
  • 待迁移完成后，切换到新表。

5.2 增量同步

  • 使用 Canal 监听 MySQL Binlog，将数据迁移到新分片。
示例：Canal 配置
canal.destinations:  
  example:  
    mysql:  
      hostname: localhost  
      port: 3306  
      username: root  
      password: password  
    kafka:  
      servers: localhost:9092  
      topic: example_topic

6. 分页查询问题

问题描述

分页查询需要从多个分片表合并数据，再统一分页，逻辑复杂度增加。

解决方案

  1. 各分片分页后合并：先按分片分页查询，业务层合并排序后分页。
  2. 中间件支持分页：如 ShardingSphere。
示例代码：跨分片分页
public List<Order> queryPagedOrders(int page, int size) {  
    List<Order> results = new ArrayList<>();  
    for (String table : List.of("orders_1", "orders_2")) {  
        results.addAll(jdbcTemplate.query("SELECT * FROM " + table + " LIMIT 100", new OrderRowMapper()));  
    }  
    results.sort(Comparator.comparing(Order::getCreatedAt));  
    return results.stream().skip((page - 1) * size).limit(size).collect(Collectors.toList());  
}

但如果分的表太多，可能会有内存占用过多的问题，需要做好控制。

7. 运维复杂性

问题描述

分库分表后，运维难度增加：

  • 数据库实例多，监控和备份复杂。
  • 故障排查需要跨多个库。

解决方案

  1. 自动化运维平台：如阿里云 DMS。
  2. 监控工具：使用 Prometheus + Grafana 实现分片监控。

总结

分库分表本质上是“性能换复杂度”，它虽然能有效提升系统的性能和扩展性，但问题也随之而来。

分库分表后带来的问题总结如下：

| 问题 | 解决方案 | | --- | --- | | 全局唯一 ID | 雪花算法、号段分配、Leaf | | 跨库跨表查询 | 中间件支持（如 ShardingSphere）或手动合并 | | 分布式事务 | 分布式事务框架（Seata）、消息最终一致性 | | 分片键设计问题 | 路由表或高效分片键 | | 数据迁移问题 | 双写策略或增量同步（如 Canal） | | 分页查询问题 | 分片查询后合并排序 | | 运维复杂性 | 自动化工具（DMS）、监控工具（Prometheus + Grafana） |

应根据业务场景选择适合的分库分表策略，并通过工具和技术方案，解决由此带来的一些问题，最终实现系统的高性能与高可靠性。

关注和加小白微信，

一手消息和知识，备注【进群】拉你进划水交流群👇

备注【报名】欢迎加入go/java后端训练营

点击下文了解详情

春招要来了，怎么才能怒刷offer？