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。
(我最近开源了一个基于 SpringBoot+Vue+uniapp 的商城项目，欢迎访问和star。)[https://gitee.com/dvsusan/susan_mall]
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IDprivate final long datacenterIdBits = 5L; // 数据中心IDprivate 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AstockService.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
- 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
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: localhostport: 3306username: rootpassword: passwordkafka:servers: localhost:9092topic: 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
- 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。
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。
最后说一句(求关注，别白嫖我)
如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，您的支持是我坚持写作最大的动力。
求一键三连：点赞、转发、在看。
关注公众号：【苏三说技术】，在公众号中回复：进大厂，可以免费获取我最近整理的10万字的面试宝典，好多小伙伴靠这个宝典拿到了多家大厂的offer。
