Sharding-JDBC:单库分表的实现
剧情回顾
前面，我们一共学习了读写分离，垂直拆分，垂直拆分+读写分离。对应的文章分别如下：
Sharding-JDBC:查询量大如何优化？
Sharding-JDBC:垂直拆分怎么做？
通过上面的优化，已经能满足大部分的需求了。只有一种情况需要我们再次进行优化，那就是单表的数量急剧上升，超过了1千万以上，这个时候就要对表进行水平拆分了。
表的水平拆分是什么？
就是将一个表拆分成N个表，就像一块大石头，搬不动，然后切割成10块，这样就能搬的动了。原理是一样的。
除了能够分担数量的压力，同时也能分散读写请求的压力，当然这个得看你的分片算法了，合理的算法才能够让数据分配均匀并提升性能。
今天我们主要讲单库中进行表的拆分，也就是不分库，只分表。
既分库也分表的操作后面再讲，先来一幅图感受下未分表：
然后再来一张图感受下已分表：
从上图我们可以看出，user表由原来的一个被拆分成了4个，数据会均匀的分布在这3个表中，也就是原来的user=user0+user1+user2+user3。
分表配置
首先我们需要创建4个用户表，如下：
分表的数量你需要根据你的数据量也未来几年的增长来评估。
分表的规则配置：
-
actual-data-nodes 配置分表信息，这边用的inline表达式，翻译过来就是master.user 0,master.user 1,master.user 2,master.user 3
-
inline.sharding-column 分表的字段，这边用id分表
-
inline.algorithm-expression 分表算法行表达式，需符合groovy语法，上面的配置就是用id进行取模分片
如果我们有更复杂的分片需求，可以自定义分片算法来实现：
算法类：
在doSharding方法中你可以根据参数shardingValue做一些处理，最终返回这条数据需要分片的表名称即可。
除了单列字段分片，还支持多字段分片，大家可以自己去看文档操作一下。
需要分表的进行配置，不需要分表的无需配置，数据库操作代码一行都不用改变。
如果我们要在单库分表的基础上，再做读写分离，同样很简单，只要多配置一个从数据源就可以了，配置如下:
最后
你会发现，到最后这种复杂的分表场景，用框架来解决会非常简单。至少比你自己通过字段去计算路由的表，去汇总查询这种形式要好的多。
源码参考：https://github.com/yinjihuan/sharding-jdbc
觉得不错的记得关注下哦，给个Star吧！
正文到此结束
热门推荐
相关文章
近期评论
-
666
-
文章和留言都翻到11页了 没有OOM
-
-
朋友，翻页到11页，及以后，会出现OOM，无法访问
-
-
-
-
版本号是多少，你可以下载哪个代码仓库，jdk选1.8 直接跑就行
-
-
Loading...
![[HBLOG]公众号](https://www.liuhaihua.cn/img/qrcode_gzh.jpg)
