不知道如何分库分表，看完这篇文章，轻松应对工作面试

一个挺着啤酒肚，身穿格子衫，发际线严重后移的中年男子，手拿着保温杯，胳膊夹着 MacBook 向你走来，看样子是架构师级别。

面试开始，直入正题。

面试官： 小伙子，看到你的简历上面写了项目中有对 MySQL 进行分库分表，为什么要进行分库分表？

我： 不知道啊！谁知道老大咋想的，反正我来的时候就已经分好了。

面试官： 嗯...，今天的面试就先到这吧，有后续面试会通知你，我送你下去。

别啊，每次都说会通知我，然后我就傻傻的回去等通知了。我是实话实说，难道让我去订阅一灯的文章，背诵八股文给你听？好吧！自古真情留不住，总是套路得人心。重来一次，我把一灯总结的八股文背诵一遍。

我： 当 MySQL 单表数据量过大，比如超过 5 千万条的时候，读写性能变得很差。而且常规的优化手段已经不起作用了，比如：SQL 调优、添加索引、主从复制、读写分离。这时候就需要用到 MySQL 终极优化方案 — 分库分表。

面试官： 不错，我该怎么判断项目是需要分库还是要分表？是先分库还是先分表？

这谁能现场总结出来？别着急，等我看一眼一灯的八股文。

我： 有了。

1. 当数据库的 QPS 过高，数据库连接数不足的时候，就需要分库。

2. 当单表数据量过大，读写性能较差，就需要分表。

3. 当两者都有的时候，就需要分库分表。

至于先分库还是先分表？建议先分表，如果分表能解决问题，就不需要分库了，毕竟需要单独服务器资源，成本更高。

面试官： 小伙子，总结的挺全。分库分表有哪些拆分方案呢？

我： 分库分表有垂直拆分和水平拆分。垂直拆分又有垂直分库、垂直分表。

垂直分库，不同的业务拆分到不同的数据库。

垂直分表，把长度较大或者访问频次较低的字段，拆分到扩展表中。

水平分表，单表数据量过大时，按照订单 ID 拆分到多张表中。

面试官： 小伙子，有点东西。都知道分库分表好使，就没有什么缺点吗？

我： 当然有，“所有命运馈赠的礼物，早已在暗中标好了价格。”分库分表带来了低耦合、高性能的优点，可是缺点却是一大堆。

垂直分库：不同库多表之间无法 join 关联查询，只能通过接口聚合，复杂度直线上升。横跨多个数据库导致无法使用本地事务，数据强一致性就别想了，只能引入更为复杂的分布式事务，勉强实现数据的最终一致性，可用性直线下降。

垂直分表：本来一张表能查出来的数据，现在需要多张表 join 关联查询，这不瞎耽误事。

水平分表：多张表关联查询时，无法实现分页、排序功能。

面试官： 分库分表带来这么多问题，你没有没考虑过相应的解决方案？

我怎么可能没有解决方案，难道我提出问题给自己挖坑？

我： 当然有考虑过，“有问题就会有答案”。

跨库查询问题：采用字段冗余方案，比如订单表存储店铺 ID、店铺名称，就不需要再查询商户数据库了。不过这种方案要求冗余字段要很少变动，就算变动后，也能容忍返回旧数据。

多表分页查询问题：这个处理起来就很需要技术含量了。比如：订单表按照订单 ID 分片，(order_id % 128)，分成了 128 张表。Leader 看了说：每张表的数据量差不多，分的很均匀，以后不要再分了。

同一个用户的订单散落在不同的表，用户想查询自己的订单，根本无法做到分页查询。难道一次全部查询该用户的所有订单，然后做内存分页，多大的机器内存都让你搞挂。想要实现用户订单分页查询，可以采用按照用户 ID 分片，(user_id % 128)，这样同一个用户的订单只会存储在一张表中，咋分页展示都行。

没有完美的分片方案，如果商户想要分页查看自己店铺的订单怎么办？那就把订单再冗余存储一份，按照店铺 ID 分片，(shop_id % 128)。不过由于商户数量较少，可以搞个异步线程往商户订单分片表同步。

订单按照用户 ID 分片后，发生数据倾斜怎么办？因为不同用户的订单量是不同的，一个爱好购物的小姐姐的订单量抵得上几十个老爷们。导致一张表数据几百条，另一张表数据量千万级，这该咋整？做冷热数据分离，基础库只存储 3 个月内的订单，其他的移动到历史订单库。这个要跟产品商量好，3 个月前的订单需要单独的查询页面。

跨库事务问题：这个问题就更复杂了。

下一个订单需要调用多个服务，只能使用分布式事务。分布式事务的实现非常复杂，常用的有以下几种解决方案：二阶段提交 TCC 本地消息表 MQ 事务消息分布式事务中间件

面试官： 准备的挺全啊。订单表分片后，肯定不能使用数据库自增主键做订单 ID，因为无法全局唯一，有什么好的解决办法？

我： 又问到我手心里面，我前两天刚看完一灯写的“雪花算法”，我现场手写订单 ID 的生成代码吧。

面试官： 小伙子可以啊，下一面是 HR 面试，有薪资要求尽管提，你一定要来我们公司上班。

总结：

关于分库分表的所有知识点，虽然很多，但都已经总结在这张图上了。