MySQL 分库分表

目录

• MySQL 分库分表（简短版）
  • 一、核心总结
  • 二、实战示例（2 个核心场景，通俗易懂）
    • 示例 1：垂直拆分（无中间件，直接落地）
      • 场景：电商用户表字段过多（60 个字段），高频查询仅 5 个核心字段
      • 实现：纵向分表，拆分为 2 张表
    • 示例 2：水平拆分（Sharding-JDBC 实现，按用户 ID 哈希分表）
      • 场景：订单表（order）已有 1.5 亿条数据，查询缓慢，按 user_id 哈希拆分到 4 张表
      • 实现：基于 Spring Boot + Sharding-JDBC，核心配置+表结构
  • 总结

MySQL 分库分表（简短版）

一、核心总结

当 MySQL 单表数据量超 1000 万条/10G，查询性能急剧下降时，通过分库（拆大库为多个小库）、分表（拆大表为多个小表）分散数据压力，核心分两种方式：

1. 垂直拆分：按业务/字段拆分（如电商拆用户库、订单库；用户表拆核心表/详情表），实现简单，适合业务隔离。
2. 水平拆分：按规则（哈希/时间）拆分同一张表的行数据（如订单表按时间拆分为 order_202401、order_202402），从根本解决海量数据问题，需中间件支持。

企业主流方案：水平拆分（哈希规则）+ Sharding-JDBC 中间件。

二、实战示例（2 个核心场景，通俗易懂）

示例 1：垂直拆分（无中间件，直接落地）

场景：电商用户表字段过多（60 个字段），高频查询仅 5 个核心字段

实现：纵向分表，拆分为 2 张表

1. 核心表（高频查询，优先优化索引）

-- 用户核心表（user_core）：存储高频查询字段
CREATE TABLE `user_core` (
  `id` BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '用户唯一ID',
  `username` VARCHAR(50) NOT NULL COMMENT '用户名',
  `phone` VARCHAR(20) NOT NULL COMMENT '手机号',
  `status` TINYINT NOT NULL DEFAULT 1 COMMENT '状态：1正常 0禁用',
  `create_time` DATETIME NOT NULL COMMENT '创建时间'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT '用户核心表（高频查询）';

2. 详情表（低频查询，不建冗余索引）

-- 用户详情表（user_detail）：存储低频查询字段，与核心表一对一关联
CREATE TABLE `user_detail` (
  `user_id` BIGINT PRIMARY KEY COMMENT '用户唯一ID（关联user_core.id）',
  `address` VARCHAR(200) COMMENT '收货地址',
  `avatar` VARCHAR(200) COMMENT '头像地址',
  `remark` TEXT COMMENT '备注信息',
  `update_time` DATETIME COMMENT '更新时间'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT '用户详情表（低频查询）';

3. 业务操作示例（查询用户完整信息）

-- 关联查询（仅需用户详情时才查询user_detail，减少高频查询压力）
SELECT c.*, d.address, d.avatar
FROM user_core c
LEFT JOIN user_detail d ON c.id = d.user_id
WHERE c.id = 123456;

示例 2：水平拆分（Sharding-JDBC 实现，按用户 ID 哈希分表）

场景：订单表（order）已有 1.5 亿条数据，查询缓慢，按 user_id 哈希拆分到 4 张表

实现：基于 Spring Boot + Sharding-JDBC，核心配置+表结构

1. 依赖引入（pom.xml 核心依赖）

<!-- Sharding-JDBC 核心依赖 -->
<dependency>
    <groupId>org.apache.shardingsphere</groupId>
    <artifactId>shardingsphere-jdbc-core-spring-boot-starter</artifactId>
    <version>5.3.2</version>
</dependency>

2. 配置文件（application.yml，分表规则配置）

spring:
  shardingsphere:
    datasource:
      # 配置单个数据源（分库可配置多个数据源）
      names: ds0
      ds0:
        type: com.zaxxer.hikari.HikariDataSource
        driver-class-name: com.mysql.cj.jdbc.Driver
        url: jdbc:mysql://localhost:3306/ecommerce?useSSL=false&serverTimezone=Asia/Shanghai
        username: root
        password: 123456
    rules:
      sharding:
        tables:
          # 逻辑表名（业务中操作的表名，无需实际创建）
          t_order:
            # 实际数据节点：ds0数据源下，t_order_0 到 t_order_3 四张表
            actual-data-nodes: ds0.t_order_$->{0..3}
            # 分表规则：按 user_id 哈希取模，分配到不同表
            table-strategy:
              standard:
                sharding-column: user_id
                sharding-algorithm-name: t_order_inline
        # 分表算法配置（哈希取模）
        sharding-algorithms:
          t_order_inline:
            type: INLINE
            props:
              # 分片表达式：表索引 = user_id % 4
              algorithm-expression: t_order_$->{user_id % 4}
    # 开启 SQL 打印，便于调试
    props:
      sql-show: true

3. 实际表结构（创建 4 张物理表，结构完全一致）

-- 创建物理表 t_order_0（t_order_1、t_order_2、t_order_3 结构完全一致）
CREATE TABLE `t_order_0` (
  `order_id` BIGINT PRIMARY KEY AUTO_INCREMENT COMMENT '订单唯一ID',
  `user_id` BIGINT NOT NULL COMMENT '用户ID（分表键）',
  `order_amount` DECIMAL(10,2) NOT NULL COMMENT '订单金额',
  `order_status` TINYINT NOT NULL COMMENT '订单状态',
  `create_time` DATETIME NOT NULL COMMENT '创建时间'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT '订单表（物理表0）';

4. 业务操作示例（Java 代码，操作逻辑表即可，中间件自动路由）

@Service
public class OrderService {
    @Autowired
    private OrderMapper orderMapper;

    // 新增订单（中间件自动按 user_id % 4 路由到对应物理表）
    public void createOrder(Order order) {
        orderMapper.insert(order);
    }

    // 查询用户订单（中间件自动路由到对应物理表，无需关心分表细节）
    public List<Order> getOrderByUserId(Long userId) {
        return orderMapper.selectByUserId(userId);
    }
}

5. 效果说明

• 当 user_id=1001 时，1001 % 4 = 1，数据自动写入 t_order_1；
• 当 user_id=1004 时，1004 % 4 = 0，数据自动写入 t_order_0；
• 业务代码中仅操作 t_order（逻辑表），无需关心底层物理表，实现「透明化」分表。

总结

1. 垂直拆分适合快速缓解压力，无需中间件，核心是「按业务/字段隔离」；
2. 水平拆分适合海量数据，核心是「按规则分散行数据」，Sharding-JDBC 是企业主流落地工具；
3. 示例覆盖「无中间件」和「有中间件」两种场景，可直接对应小型系统和中大型系统的落地需求。