まず、データベースのボトルネック
IOボトルネック、またはCPUのボトルネックかどうかは、最終的にはデータベースへのアクティブな接続の数の増加につながる、データベースは、アクティブな接続数のしきい値を運ぶためにも、近づくことができます。サービスは、ビジネスの観点では、ほとんど、あるいはまったく接続可能なデータベース接続が利用可能です。次に、（並行性、スループット、崩壊）、それを想像することができます。
1、IOボトルネック
最初： - >ディスクは、適合しないデータベースキャッシュは、それぞれが、IOクエリの多くを生成するクエリの速度低下しますIOボトルネック、熱すぎるデータを読み取る サブライブラリーと垂直サブテーブルを。
第二：ネットワークIOのボトルネックは、あまり要求されたデータは、ネットワーク帯域幅が十分ではありません- > サブライブラリー。
2、CPUのボトルネック
最初：SQLの問題は、非インデックスフィールドは、CPU操作の動作を高め、条件をクエリで順序によって、グループに参加SQLに含まれて - > SQLの最適化は、ビジネスサービス層のサービスで行われる適切なインデックス計算を確立します。
第二： - >単一のテーブルのデータが大きすぎる、あまりにも多くのラインスキャンクエリで、SQLは、CPUのボトルネックがつながる、低効率である 水平方向のパーティションテーブルを。
第二に、サブライブラリーのサブテーブル
図1に示すように、サブライブラリーのレベル
- 概念：でフィールド基づい、特定のポリシー（ハッシュ、範囲、等）によれば、ライブラリは、データを複数に分割するライブラリです。
- 結果：
- 各ライブラリーの構造は同じです。
- 各ライブラリのデータが同じではありません、ない交差点はありません。
- すべてのライブラリの労働組合は、データの全体量です。
- シーン：最大同時の絶対量のシステムは、サブテーブルには、根本的な問題を解決することは困難である、と垂直サブライブラリーには明確なビジネスの所有権がありません。
- 分析：ライブラリにはもっと、自然のIOとCPUの緩和圧力を掛けすることができます。
図2に示すように、水平サブテーブル
- 概念：でフィールド基づい、特定のポリシー（ハッシュ、範囲、等）に応じて、テーブルは、データを複数に分割表です。
- 結果：
- 各テーブルの構造は同じです。
- 各テーブルのデータは、交差部分が存在しない、同じではありません。
- すべてのテーブルの労働組合は、データの総量です。
- シーン：並行システムの絶対量はアップしませんが、SQLの効率に影響を与えるデータの単一のテーブル、あまりにも多くの量、ボトルネックとなり増加CPU負担。
- 分析：自然CPUの負担を軽減データ・テーブル少なく、かつ高い単一のSQL実行効率、。
図3に示すように、垂直サブライブラリー
- コンセプト：テーブルは異なる、異なるの権利確定に合わせて、ベースとテーブルの異なるに分割ライブラリの中で。
- 結果：
- 各ライブラリの構造が異なっています。
- 各ライブラリのデータが同じではありません、ない交差点はありません。
- すべてのライブラリの労働組合は、データの全体量です。
- 场景：系统绝对并发量上来了，并且可以抽象出单独的业务模块。
- 分析：到这一步，基本上就可以服务化了。例如，随着业务的发展一些公用的配置表、字典表等越来越多，这时可以将这些表拆到单独的库中，甚至可以服务化。再有，随着业务的发展孵化出了一套业务模式，这时可以将相关的表拆到单独的库中，甚至可以服务化。
4、垂直分表
- 概念：以字段为依据，按照字段的活跃性，将表中字段拆到不同的表（主表和扩展表）中。
- 结果：
- 每个表的结构都不一样；
- 每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据；
- 所有表的并集是全量数据；
- 场景：系统绝对并发量并没有上来，表的记录并不多，但是字段多，并且热点数据和非热点数据在一起，单行数据所需的存储空间较大。以至于数据库缓存的数据行减少，查询时会去读磁盘数据产生大量的随机读IO，产生IO瓶颈。
- 分析：可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据（可能会冗余经常一起查询的数据）放在一起作为主表，非热点数据放在一起作为扩展表。这样更多的热点数据就能被缓存下来，进而减少了随机读IO。拆了之后，要想获得全部数据就需要关联两个表来取数据。但记住，千万别用join，因为join不仅会增加CPU负担并且会讲两个表耦合在一起（必须在一个数据库实例上）。关联数据，应该在业务Service层做文章，分别获取主表和扩展表数据然后用关联字段关联得到全部数据。
三、分库分表工具
- sharding-sphere：jar，前身是sharding-jdbc；
-
TDDL：jar，Taobao Distribute Data Layer；
- Mycat：中间件。
注：工具的利弊，请自行调研，官网和社区优先。
四、分库分表步骤
根据容量（当前容量和增长量）评估分库或分表个数 -> 选key（均匀）-> 分表规则（hash或range等）-> 执行（一般双写）-> 扩容问题（尽量减少数据的移动）。
五、分库分表问题
1、非partition key的查询问题（水平分库分表，拆分策略为常用的hash法）
- 端上除了partition key只有一个非partition key作为条件查询
- 映射法
- 基因法
注：写入时，基因法生成user_id，如图。关于xbit基因，例如要分8张表，23=8，故x取3，即3bit基因。根据user_id查询时可直接取模路由到对应的分库或分表。根据user_name查询时，先通过user_name_code生成函数生成user_name_code再对其取模路由到对应的分库或分表。id生成常用snowflake算法。
- 映射法
- 端上除了partition key不止一个非partition key作为条件查询
- 映射法
- 冗余法
注：按照order_id或buyer_id查询时路由到db_o_buyer库中，按照seller_id查询时路由到db_o_seller库中。感觉有点本末倒置！有其他好的办法吗？改变技术栈呢？
- 映射法
- 后台除了partition key还有各种非partition key组合条件查询
2、非partition key跨库跨表分页查询问题（水平分库分表，拆分策略为常用的hash法）
注：用NoSQL法解决（ES等）。
3、扩容问题（水平分库分表，拆分策略为常用的hash法）
- 水平扩容库（升级从库法）
注：扩容是成倍的。
- 水平扩容表（双写迁移法）
第一步：（同步双写）应用配置双写，部署；
第二步：（同步双写）将老库中的老数据复制到新库中；
第三步：（同步双写）以老库为准校对新库中的老数据；
第四步：（同步双写）应用去掉双写，部署；
注：双写是通用方案。
六、分库分表总结
- 分库分表，首先得知道瓶颈在哪里，然后才能合理地拆分（分库还是分表？水平还是垂直？分几个？）。且不可为了分库分表而拆分。
- 选key很重要，既要考虑到拆分均匀，也要考虑到非partition key的查询。
- 只要能满足需求，拆分规则越简单越好。
七、分库分表示例
示例GitHub地址：https://github.com/littlecharacter4s/study-sharding