三个巧技，让分库分表 LIMIT 翻页性能直接拉满！
线上出了个离谱问题：运营同学在后台导出近 3 个月订单时，点击分页到第 100 页，直接把数据库查崩了。排查后发现，代码里写了 LIMIT 9900, 100，在分库分表场景下，这行 SQL 相当于让 8 个分片各查 1 万条数据，再拉到应用层内存排序，直接把内存溢出了。
其实分库分表的分页查询，藏着很多反常识的奇技淫巧，但这些技巧都有严格的适用边界，用错了反而会埋坑。我来分享 3 个实战中验证过的骚操作。
分库分表 LIMIT 是性能杀手
单表分页用 LIMIT offset, size 没问题，但分库分表后，数据散在多个分片里，比如你要查 LIMIT 10000, 10（第 1001 页），会发生两件离谱的事：
全分片扫描：每个分片都要执行 LIMIT 0, 10010（因为不知道其他分片的数据分布，只能把前 10010 条都查出来，避免漏数据）；
内存爆炸排序：假设 8 个分片，每个返回 10010 条，共 8 万多条数据，全拉到应用层排序，再截取第 10000-10010 条。内存和 CPU 直接飙红，我之前见过最夸张的案例，offset=100000 时，一个分页请求耗时 12 秒，直接触发服务熔断。
所以我们下边要讲的都是绕开全分片扫描 + 内存排序，但每个方案的适用场景天差地别，核心原则：不盲目追高性能，先看业务场景是否匹配。
锚点分页
锚点分页，性能最优，但仅限加载更多场景。
这是我最常用的技巧，核心思路是用数据本身的有序字段当锚点，替代 offset，比如按自增 ID 或时间戳分页。但注意：不是所有有序字段都能用，必须满足分片内 + 分片间都有序。
按 ID 范围分片
假设订单表按 ID 范围分 3 个分片：
分片 1：ID 1-10000（分片内有序，且小于分片 2 的 ID）；分片 2：ID 10001-20000（同理）；分片 3：ID 20001-30000（同理）；要查第 2 页（10 条 / 页），步骤如下：
查第 1 页时：执行 ORDER BY id DESC LIMIT 10，拿到最后一条数据的 ID 是 last_id=100（这个 ID 就是锚点）；查第 2 页时：直接用 WHERE id < 100 ORDER BY id DESC LIMIT 10；查第 3 页时：再用第 2 页最后一条的 ID（比如 90）当锚点，执行 WHERE id < 90 ORDER BY id DESC LIMIT 10。为什么性能高？
每个分片都能独立执行 WHERE id < xxx LIMIT 10，只返回 10 条数据（不用查前 N 条）。比如查第 1001 页，每个分片也只返回 10 条，汇总后排序取 10 条，网络和内存开销直接降为原来的 1/1000。
必避的 2 个坑：
别用哈希分片：如果按ID mod 3哈希分片，分片 1 的 ID 可能是 3、6、9...，分片 2 是 1、4、7...，此时 ID 全局有序但分片内无序，执行 WHERE id < 100 仍需全量扫描分片内数据，退化为 “内存聚合”；不支持跳页：只加载更多（下一页依赖上一页的锚点），无法直接从第 1 页跳到第 100 页。但可以通过产品设计规避，比如抖音、小红书的列表都是加载更多，用户体验反而更好。分片标记法
刚才的锚点分页不支持跳页，但有些场景比如后台管理系统，又必须要跳页，怎么办？我之前在电商后台做订单导出时，用过分片标记法，核心是给每个库、表记录数据范围和总量，快速定位目标页在哪个分片。
分片标记法支持跳页，但必须控制元数据一致性。
用法示例
假设订单表按用户 ID 范围分 2 库，每库按时间分 12 表（如库 1 - 表 202401、库 1 - 表 202402...），先在 Redis 里维护 库、表级别的元数据：
库 - 表
起始 ID
结束 ID
数据总量
库 1 - 表 202401
1
5000
5000
库 1 - 表 202402
5001
12000
7000
库 2 - 表 202401
12001
18000
6000
....
....
..18000
6000
现在要查 LIMIT 15000, 10（第 1501 页），步骤如下：
查元数据定位库、表：计算累计数据量，库 1 - 表 202401（5000）+ 库 1 - 表 202402（7000）= 12000 <15000，再加上库 2 - 表 202401 的 6000，累计 18000>15000，所以目标在库 2 - 表 202401；计算表内偏移量：表内偏移量 = 15000 - 12000 = 3000，所以库 2 - 表 202401 执行 LIMIT 3000, 10；直接返回结果：因为库、表按 ID 有序，查询结果就是全局第 15000-15010 条，不用汇总其他分片。必避的 2 个坑：
1.元数据必须实时但不能强同步：
数据新增、删除时，要同步更新 Redis 元数据，但高并发下不能加分布式锁（会卡住业务），建议用定时 + 增量日志：每 5 分钟全量统计一次，同时记录增量（如新增 100 条、删除 10 条），查询时叠加增量；
若允许最终一致性（如后台查询允许误差 10 条），这个方案很稳；若要强一致，只能放弃跳页，用锚点分页；
2.不支持非分片键排序：如果要按支付时间排序（分片键是用户 ID），支付时间在 “库 - 表” 内无序，元数据无法定位，仍需全分片扫描。
反向分页
反向分页，仅适用于查最后 1 页，别乱用
这个技巧最反常识，但局限性也最大。如果要查最后几页数据（比如用户查最早的订单），用普通分页会查 LIMIT 9990, 10，但可以反向查，避开大 offset。
仅查最后 1 页
假设订单表按 ID 范围分片，总数据量 10000 条（1000 页，10 条 / 页），要查最后 1 页（ID 9991-10000）：
反向查锚点：执行 ORDER BY id ASC LIMIT 10，拿到最前面 10 条的 ID（1-10），取最大 ID 作为反向锚点（10）；查最后 1 页：执行 WHERE id > 10 ORDER BY id DESC LIMIT 10，拿到的就是 ID 10000-9991（最后 10 条）；调整顺序：如果需要正序展示，把结果再倒过来即可。为什么能生效？
因为 LIMIT 0, 10 比 LIMIT 9990, 10 快 100 倍. 每个分片查前 10 条数据，汇总后取最大的 10 个 ID 作为锚点，再查大于锚点的数据，避免了大 offset 扫描。
必避的 2 个坑：
仅适用于最后 1 页：如果要查倒数第 10 页（第 991 页），按这个逻辑无法定位锚点（需要知道第 9900 条数据的 ID），只能查倒数第 1 页；数据不能有大量删除：如果中间有大量 ID 被删除（如 ID 5000-8000 都被删了），总数据量变为 7000 条，此时 WHERE id >10 ORDER BY id DESC LIMIT10 拿到的是 7000-6991（正确），但如果删除的是最后 100 条（ID 9901-10000），总数据量变为 9900 条，需要重新计算反向锚点，增加复杂度。说在后边
其实分库分表分页的核心不是炫技，而是在业务和技术之间找平衡。能通过产品设计规避跳页（用加载更多），就优先用锚点分页（性能最优），必须跳页就用分片标记法（接受最终一致性）；实在没办法才考虑中间件（如 ShardingSphere 的全局排序）。
