数据库分库分表方案：ShardingSphere实战
当单表数据量超过5000万行或单库QPS超过5000时，就需要考虑分库分表了。ShardingSphere是Apache基金会的开源项目，提供了分库分表的完整解决方案。本文分享我们使用ShardingSphere-JDBC实施分表的实战经验。
围绕「数据库分库分表方案：ShardingSphere实战」，很多讨论集中在技巧层面，但数据库选型与高可用架构的核心其实是工程纪律：备份是否可恢复、变更是否可回滚、容量是否可预估。把这三件事做扎实，绝大多数故障都可以避免或快速收敛。
分片策略选择
哈希取模：按分片键的hash值对表数量取模。优点是数据分布均匀，缺点是范围查询需要扫描所有分片。适合按用户ID分片。
范围分片：按分片键的范围分配到不同分片。如订单按月份分片，2024年1月的数据在shard_01。优点是范围查询高效，缺点是数据分布可能不均（热点月份数据多）。
时间+哈希混合：先按时间范围粗分，再按哈希细分。兼顾范围查询和数据均匀性。
ShardingSphere-JDBC配置
以订单表分16张表为例。在Spring Boot中引入shardingsphere-jdbc-core依赖，配置分片规则：逻辑表名orders，实际表名orders_00到orders_15，分片键user_id，分片算法取模。
配置完成后，应用层代码无需修改——ShardingSphere拦截SQL，自动路由到正确的分片，合并结果返回。对开发者来说几乎透明。
分布式ID
分表后不能使用自增ID（每个分片的ID会冲突）。我们使用Snowflake算法生成分布式ID：时间戳（41位）+ 机器ID（10位）+ 序列号（12位），生成全局唯一的64位long型ID。ShardingSphere内置了Snowflake Key生成器，配置worker-id即可。
跨分片查询
分表最大的挑战是跨分片查询。如果查询条件不包含分片键，就需要扫描所有分片然后合并结果（称为"广播路由"），性能很差。解决方案：
- 尽量让查询都带上分片键
- 对于必须按非分片键查询的场景，建立二级索引表（映射表）
- 使用Elasticsearch做异构索引，数据通过Canal同步到ES
扩缩容
分表数量一旦确定，后续扩容比较麻烦（需要数据重分布）。建议一开始就预留足够的分片数（如16或32），即使初期数据量不大。扩容时通过数据迁移工具逐步将数据从旧分片迁移到新分片。
从排查到预防：把经验沉淀为机制
- 慢的问题先定位再动手：用执行计划与监控数据说话，避免凭感觉改索引、改参数。
- 变更留痕：每一次调整记录原因与预期，便于复盘与回退。
- 容量预警前置：为存储、连接数、内存等关键水位设置提前量告警。
- 演练常态化：把恢复演练、切换演练纳入日常，而不是出事才第一次做。
机制化的沉淀，能让数据库选型与高可用架构从「个人经验」变成「团队能力」。
需要外部支持时，可以找安徽卓牛
针对数据库选型与高可用架构，安徽卓牛可以结合阿里云数据库与存储产品体系，协助客户完成选型评估、迁移方案设计与上线后的持续优化，全程由具备阿里云认证资质的技术团队跟进。
无论是一次专项排查，还是长期的运维托管，都可以通过官网在线客服与安徽卓牛取得联系，说明现状与诉求即可。