完蛋！又被分库分表坑惨了……

苏三 2025-02-17 10:39:22

前言

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。

一、全局唯一 ID 问题

1、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。

2、解决方案

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;    }}

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;

二、跨库跨表查询复杂性

1、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。

2、解决方案

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）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。

三、分布式事务问题

1、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。

2、解决方案

1）分布式事务框架

Seata：支持跨库的分布式事务。

示例代码：

@GlobalTransactionalpublic void createOrder(Order order) {    orderService.saveOrder(order); // 写入库A    stockService.reduceStock(order.getProductId()); // 更新库B}

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。

四、分片键设计问题

1、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。

2、解决方案

1）分片键设计原则

数据分布均匀：避免热点问题。
常用查询字段：尽量选高频查询字段。

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);}

五、数据迁移问题

1、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。

2、解决方案

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。

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

六、分页查询问题

1、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。

2、解决方案

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。

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。

七、运维复杂性

1、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。

2、解决方案

自动化运维平台：如阿里云 DMS。

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。

作者丨苏三

来源丨公众号：苏三说技术（ID：susanSayJava）

dbaplus社群欢迎广大技术人员投稿，投稿邮箱：editor@dbaplus.cn

完蛋！又被分库分表坑惨了……

降本的Kubernetes何时成了“成本刺客”？

YouTube如何利用MySQL支撑24.9亿用户？

人肉运维100次后，年底出了P0级故障……

关于国产数据库我不得不说

分库分表，可能真的要退出历史舞台了！