完蛋!又被分库分表坑惨了……
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 snowflakeidgeneratorlong workerid long datacenterid if workerid> maxWorkerId || workerId < 0 throw new illegalargumentexceptionworker 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 paginateOrders(int page, int size) {
List 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：
@GlobalTransactional
public 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 queryPagedOrders(int page, int size) {
List 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