我们一起聊聊分库分表带来了哪些问题？
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 算法复制
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;
}
}1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.
a.库 1：ID 步长为 2，从 1 开始（1, 3, 5...）。
b.库 2：ID 步长为 2，从 2 开始（2, 4, 6...）。
示例复制
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;1.2.3.4.5.6.7.
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：聚合查询复制
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;
}1.2.3.4.5.6.7.8.
复制
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());
}1.2.3.4.5.6.7.8.9.10.11.12.
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：复制
@GlobalTransactional
public void createOrder(Order order) {
orderService.saveOrder(order); // 写入库A
stockService.reduceStock(order.getProductId()); // 更新库B
}1.2.3.4.5.
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。4.2 路由表维护全局路由表，映射分片键到分表。示例代码：路由表查询复制
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);
}1.2.3.4.
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 配置复制
canal.destinations:
example:
mysql:
hostname: localhost
port: 3306
username: root
password: password
kafka:
servers: localhost:9092
topic: example_topic1.2.3.4.5.6.7.8.9.10.
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
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：跨分片分页复制
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());
}1.2.3.4.5.6.7.8.
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
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。
THE END
