Sharding-JDBC 分库分表，真香！

大家好，我是不才陈某~

这是《ShardingSphere 进阶》专栏的第一篇文章，介绍一下Sharding-JDBC实现分库分表的详细配置。

分库分表带来的问题

关于什么是分库分表这里不再细说了，相信大家都知道，有不单元测试用例清楚的可以看我之前的文章github中文社区：聊聊分库分表

从单一表、单一库切分成多库、多表对于性能的提升是必然的，但是同时也带来了一些问题。github汤姆

1. 分布式事务问题

由于垂直分库、水平分springboot自动装配原理库，将数据分摊在不同库中，甚至不同的服务器上，势必带来了分布式事务的问题。

对于单库单表的事务很好控制，分布式事务的控制却是非常头疼，但是好在现在已经有成熟的单元测试家长评语解决方案，想要了解的可以看我之前的文章：七种分布式事务解决方案

2. 跨节点关联join问题

在切分之前关联查询非常简单，直接SQL JOIN便能解决，但是切分之后数据分摊在不单元测试家长评语同的节点上，此时JOIN就比较麻烦了，单元测试是什么因此切分之后尽量避免JOIN。

解决这一问题的有些方法：

1、全局表

这springboot菜鸟教程种很好理解，对于一些全局需要关联的表可以在每个数据节点上都存储一份，一般是一些数据字典表。

全局表在Sharding-JDBC称之为广播表

2、字段冗余

这是一服务器内存条可以用在台式机上吗种典型的反范式设计，为了避免关联JOIN，可以将一些冗余字段保存，比如订单表保存us单元测试中设计测试用例的依据是erId时，可以将userNgithub中文社区ame也一并保存，这样就避免了和User表的关联JOIN了。

字段冗余这种方案存在数据一致性问题

3、github下载数据组装

这种还是springboot和ssm的区别比较好理解的，直接不使用JOIN关联，分两次查询，从第一次的结果集中github官网找出关联数据的唯一标识，然后再次去查询，最后对得到的数据进行组装

需要进行手动组装，数据很大的情况对CPU、内存有一定的要求

4、绑定表

对于相互关联的数据节点，通过分片规则将其切分到同一个库中，这样就可以直接使用SQL的JOIgithub下载N 进行关联查询。

Sharding-JDBC中称之为绑单元测试常用方法定表，比如订单表和用户表单元测试的绑定

3. 跨节点分页、排序、函数问题

对于跨数据节点进行分页、排序或者一些聚合函数，筛选出来的仅仅是针对当前节点，比如排序，仅仅能够保证在单一数据节点上是有序，并不能保证在所有节点上都是有序的，需要将各个节点的数据的进行汇总重新手动排序。

Sharding服务器操作系统-JDBC 正是 按照上述流程进行分页、排序、聚合

4. 全局主键避重问题

单库单表一般都是使用的自增主键，但是在切分之后每个自增主键将无法使用，单元测试是什么因为这样会导致数据主键重springboot启动流程复，因此必须重新设计主键。

目前主流的分布式主键生成方案如下：

1、UUID

UUID应该是大家最为熟悉的一种方案，优点非常明显本地生成，性能高，缺点龚俊也很明显springboot常用注解，太长了存储耗空间，查询也非常耗性能，另外UUID的无序性将会导致InnoDB下的数据位置变动。

2、Snowflspringboot和ssm的区别ake

Twitter开源的由64位整数组成分布式ID，性能较高，并且在单机上递增。

不再详细介绍，更多信息自行查找资料

3服务器地址、UidGenerator

UidGenerator是百度开源的分布式ID生成器，其基于雪花算法实现。 具体参考github下载：

github.com/baidu/uid-g…

4、Leaf

Leaf是美团开源的服务器怎么搭建分布式ID生成器，能保证全局唯一，趋势递增，但需要依赖github汤姆关系数据库、Zookegithub永久回家地址eper等中间件。 具体参考：

tech.meituan.com/2017/04/21/…

5. 数据迁github中文社区移、扩容问题

当业务高速发展，面临性能和存服务器内存和台式机内存区别储的瓶颈时，才会考虑分片设计，此时就不可避免的需要考虑历史数据迁移服务器地址的问题。一般做法是先读出历史数据，然后按指定的分片规则再将数据写入到各个分片节点中。此外还需要根据当前的数据量和QPS，以及业务发展的速度，进行容量规划，推算出大概需要多少分片。

如果采用数值范围分片，只需要添加节点就可以进行扩容了，不需要对分片数据迁移。如果采用的是数值取模分片，则考虑后期的扩容问题工资超过5000怎么扣税就相对比较麻烦。

分库分表虽然提升了性能，但是在切分过程中一定要考虑上述总结的5种问题。

Shardi服务器租用多少钱一年ng-JDBC 介绍

**Sharding-JDBC **是当当网研发的开源分布式数据库中间件，从 3.0 开始Sharding-JDBC被包含在 Sharding-Sphere 中，之后该项目进入进入Apache孵化器，4.0版本之后的版本为github官网Apache版本。

ShardingSphgithub中文社区ere是一套开工龄差一年工资差多少源的分布式数据库中间件解决方案组成的生态圈，由Sharding-JDBC、Sharding-Proxy、Sharding-Side枸杞car（规划中）组成。

官网：shardingsphere.apache.org

目前我们只需要关注Sharding-JDBC，后面的两种组件后文介绍。

Sharding-JDBC 的定位是一款轻量级JAVA框架，基于单元测试家长评语JDBC实现分库分表，服务器操作系统通过Sharding-JDBC可以透明的访问已经经过分库、分表的数据源。

Sharding-JDBC的Go特性如下：

1. 适用于任何基于Java的ORM框架，如：Hibernate, Mybatis, Spring JDBC Template或直接使用JDBC。
2. 基于任何第三方的数据库连接池，如：DBCP, C3springboot常用注解P0, BoneCP, Druid, HikariCP等。
3. 支持任意实现JDBC规范的数据库。目前支持MySQL，Oracle，SQLSer单元测试家长评语ver和PostgreSQL。GitHub

Sharding-JDBC 中的一些概念

在介绍Sharding-JDBC 实战之前需要了解其中github直播平台永久回家的一些概念，如下：

1. 逻辑表

在对表进行分片后，服务器是什么一张表分成了n个表，比如订单表t_order分成如下三张表：t_ogooglerder_1，t_order_2，t_order单元测试主要的测试技术不包括_3。

此时订单表的逻辑表就是t_order，Sharding-J单元测试能发现约80的软件缺陷DBC在进行分片规则配置时针对的就是这张逻辑表

2. 真实表

上述t_ordr_1，t_order_2，t_order_3 称之为 真实表

3. 数据节点

数据分片的最小单元，由数据源名称和表名称组成，比如：ds1.t_order_1

4. 分springboot启动流程片键

用于分片的数据库字段，是将数据库(表)水平拆分的关键字段。例：将订单表中的订单主键的尾数取模分片，则订github汤姆

单主键为分片字段单元测试主要的测试技术不包括。 SQL中如果无分片字段，将执行全路由，性能较差。 除了对单分片字段的支持，Sharding- Jdbc也支持google根据多个字段进行分片。

5. 分片算法

通过分片算法将数据分片，支持通过 = 、 BETWEEN 和 IN 分片。

分片算法需要应用方开发者自行实现，可实现的灵 活度非常服务器地址高。包括：精确分片算法 、范围分片算法 ，复合分片算法 等服务器系统。例如：龚俊where order_id = ? 将采用精确分片算法，where order_id in (?,?,?)将采用精确分片算法，where order_id BETWEEN ? and ? 将采用范围分片算 法，复合github永久回家地址分片算法用于分片键有多个复杂情况。

Sharding-JDBC 中的分片算法需要开发者单元测试是什么根据业务自定义单元测试是什么

6. 分片策略

包含分片键和分片算法，由于分片算法的独立性，将github官网其独立抽离。真正可用于分公积金片操作的是分片键 + 分片算法，也 就是分片策略。

内置的分片策略大致可分为尾数取模、哈希、范围、标签、时间等。由用户方配置的分片策略则更加灵活，常用的使用行表达式配置分片策略，它采用Groovy表达式表示，如: t_user_$->{u_id % 8} 表示t_user 表根据u_id模8，而分成8张表，表名称为 t_user_0 到 t_user_7 。

1、标准分片策springboot和ssm的区别略

标准分springboot菜鸟教程片策略适用于单分片键，此策略支持 PreciseShardgithub汤姆ingAlgorithm 和 Ran公司让员工下班发手机电量截图geShar服务器怎么搭建dingAlgorithm 两个分片算法。

其中 Precigithub中文社区seShardingAlgorithm 是必选的github开放私库，用于处理 = 和 IN工龄差一年工资差多少 的分片。RangeShardingAlgorithm 是可选的，用于处理BETWEEN AND， >Go;， <，>=，<= 条件分片，如果不配置RangeSha单元测试是什么rding服务器内存条可以用在台式机上吗Algorithm，SQL中的条件等将按照全google库路由处理。

2、复合分片策略

复合分片策略，同样支持对 SQL语句中的 =，>， <， >=， <=，IN和 BETWEEN AND 的分片操作。不同的是它支持多分片键，具体分配片细节完全由应用开发者实现。

3、行表达式分片策略

行表达式分github直播平台永久回家片策略，支持对 SQL语句中的 = 和 IN 的分片操作，但只springboot启动流程支持单分片键。这种策略通常用于简单的分片，不需要自定义分片算法，可以直接在配置文件中接着写规则。

t_order_$->{t_orde单元测试是什么r_id % 4} 代表 t_order 对其字段 t_order_id取模，拆分成4张表，而表名分别是t_order_0 到 t_order_3。

4、Hint分片策略

Hint分片策略，对应上边的Hint分工龄差一年工资差多少片算法，通过指定分片健而非从 SQL中提取分片健的方式进行分片的策服务器略。

7. 分布式主服务器键生成策略

通过在客户端生成自增主键替换以数据库原生自增主键的springboot启动流程方式，做到分布式主键无重复。

Sharding-JDBC 内部支持UUID和Snowflake生成分布式主服务器租用键

Sharding-JDBC 实战

上述内容基本介绍了Sharding-JDBC的基本知识点，下面通过 Spring Boot服务器操作系统 + Sharding-JDBC 的方式实战演示一下。

1. Sharding-JDBC 的 pom 依赖

想要使用工龄差一年工资差多少Sharding-JDBC只需要添加一个maven依赖即可，如下：

<dependency>
	<groupId>org.apache.shardingsphere</groupId>
	<artifactId>sharding-jdbc-spring-boot-starter</artifactId>
	<version>${sharding-sphere.version}</version>
</dependency>

笔者这里使用的版本为：4.1.1

源码已经上传GitHub，关注公众号：码猿技术专栏，回复关键词：9532 获取单元测试能发现约80的软件缺陷！

2. 垂直分表、分库

垂直切分一般针对数据行数不大，但是单行的某些字段数据很大，表占用空间很大，检github中文社区索的时候需要执行大量的IO，严重降低性能，此时需要将拆分到另外一张表，且与原表是一对一的关系，这就是垂直分表。

比如商品表中的商品描述数据很大，严重影响查询性能，可以将商品描述这个字段单独抽离出来存储，这单元测试能发现约80的软件缺陷样就拆分成了两张表（垂直分表），如服务器地址下图：

通过垂直分表性能得到了一定程度的提升，但是还没有达到要求，并且磁盘空间也快不够了，因为数单元测试中设计测试用例的依据是据还是始终限 制在一台服务单元测试家长评语器，库内垂单元测试常用方法直分表只解决了单一表数据量过大的问题，但没有将表分布到不同的服务器上，因此每个 表还是竞争同一个物理机的CPU、内存、网络IO、springboot和ssm的区别磁盘。

此时就需要进行垂直分库，如下之前是在单独的卖家库存储的，现在需要将商品的信息给垂直切分出去，分成了两个库：商品库product_db、店铺库shop_db：

方案已经有了，那么现在就需要用Sharding-JDBC去实现。

product_db和shop_db的SQL会放在源码中，这里就不再贴了

Sharding工龄越长退休金越多吗-JDBC 使用非常简单，只需要在配置文件中指定数据源信息和切片规则即可实现分库分表。

这里支持三种配置，如下：

• yml配置文件
• properties配置文件
• Java Config 编码配置

这里笔者使用的是第一种yml配置方式，详细配置如下：

spring:
  # Sharding-JDBC的配置
  shardingsphere:
    datasource:
      # 数据源，这里配置两个，分别是ds1，ds2
      names: ds1,ds2
      # ds1的配置信息,product_db1
      ds1:
        type: com.alibaba.druid.pool.DruidDataSource
        driver-class-name: com.mysql.jdbc.Driver
        url: jdbc:mysql://localhost:3306/product_db?useUnicode=true&characterEncoding=utf-8
        username: root
        password: Nov2014
      # ds2的配置信息，shop_db
      ds2:
        type: com.alibaba.druid.pool.DruidDataSource
        driver-class-name: com.mysql.jdbc.Driver
        url: jdbc:mysql://localhost:3306/shop_db?useUnicode=true&characterEncoding=utf-8
        username: root
        password: Nov2014
    # 分片的配置
    sharding:
      # 表的分片策略
      tables:
      	## product_base是逻辑表的名称
        product_base:
          # 数据节点配置，采用Groovy表达式，切分之后的真实表所在的节点
          actual-data-nodes: ds$->{1}.product_base
          # 主键生成策略
          key-generator:
            # 主键
            column: product_id
            # 生成算法
            type: SNOWFLAKE
        product_description:
          # 数据节点配置，采用Groovy表达式
          actual-data-nodes: ds$->{1}.product_description
        shop:
          # 数据节点配置，采用Groovy表达式
          actual-data-nodes: ds$->{2}.shop
          # 主键生成策略
          key-generator:
            # 主键
            column: shop_id
            # 生成算法
            type: SNOWFLAKE
    props:
      sql:
        # 日志显示具体的SQL
        show: true

上述配置非常简单，分为如下几个步骤：

1、数据源配置

由于垂直分库涉及到shop_db，product_db，肯定是要配置两个数据源，如下：

spring:
  # Sharding-JDBC的配置
  shardingsphere:
    datasource:
      # 数据源，这里配置两个，分别是ds1，ds2
      names: ds1,ds2
      # ds1的配置信息,product_db1
      ds1:
        type: com.alibaba.druid.pool.DruidDataSource
        driver-class-name: com.mysql.jdbc.Driver
        url: jdbc:mysql://localhost:3306/product_db?useUnicode=true&characterEncoding=utf-8
        username: root
        password: Nov2014
      # ds2的配置信息，shop_db
      ds2:
        type: com.alibaba.druid.pool.DruidDataSource
        driver-class-name: com.mysql.jdbc.Driver
        url: jdbc:mysql://localhost:3306/shop_db?useUnicode=true&characterEncoding=utf-8
        username: root
        password: Nov2014

这个很好理解，两个数据github开放私库源名称分别为ds1，ds2github直播平台永久回家，自己任意取名，然后配置相关信息。

2、数据节点配置

这里数据节点很重要，你要告诉Sharding-JDB服务器操作系统C 你要操作的那张表在哪个库中，对应表的名称。

上述涉及到三张表，分别是shop、prGitHuboduct_base、prspringboot面试题oduct_desc服务器内存条可以用在台式机上吗ription，因此需要配置三个数据节点，如下：

spring:
  # Sharding-JDBC的配置
  shardingsphere:
    # 分片的配置
    sharding:
      # 表的分片策略
      tables:
      	## product_base是逻辑表的名称
        product_base:
          # 数据节点配置，采用Groovy表达式，切分之后的真实表所在的节点
          actual-data-nodes: ds$->{1}.product_base
        product_description:
          # 数据节点配置，采用Groovy表达式
          actual-data-nodes: ds$->{1}.product_description
        shop:
          # 数据节点配置，采用Groovy表达式
          actual-data-nodes: ds$->{2}.shop

ds$->{1} 采用的是Groovy表达式，表示ds1

数据节点要具体到指定的数据库、表名。

spring.shardingsphere.sharding.de服务器价格fault-data-source-name=ds1可以指定默认的数据源

3、主键生成策略

Sharding-JDBC支持配置主键生成策略，比如使用雪花算法或者UUID方式，配置如下：

spring:
  # Sharding-JDBC的配置
  shardingsphere:
    # 分片的配置
    sharding:
      # 表的分片策略
      tables:
      	## product_base是逻辑表的名称
        product_base:
          # 主键生成策略
          key-generator:
            # 主键
            column: product_id
            # 生成算法
            type: SNOWFLAKE
        shop:
          # 主键生成策略
          key-generator:
            # 主键
            column: shop_id
            # 生成算法
            type: SNOWFLAKE

SNOWFLAKE：雪花算法

配置完成后，向product_base插入一条数据，将会直接插入到ds1这个数据库中，demo如下：

@Test
public void test1(){
    Product product = Product.builder()
     .name("Spring Cloud Alibaba实战课程")
     .price(159L)
     .originAddress("码猿技术专栏")
     .shopId(1L)
     .build();
    productMapper.insertProductBase(product);
}

源码已经上传GitHub，关注公众号：码猿技术专栏，单元测试评语怎么写回复关键词：9532 获取！

3. 水平分库

问题来了，现在有很多商家入驻，product_db单库存储数据已经超github官网登陆入口出预估，商品资源属于访问非常频繁的资源，单台服务器已经无法支撑，此时就需要对其进行水平分库，将商品库拆工龄越长退休金越多吗分成两个单元测试集成测试系统测试数据库：product_单元测试的主要内容db1、product_db2，如下：

product_db1+product_db2数据合并则为完整的商品数据

Sharding-JDBC 配置也很简单，单元测试常用方法只需要配置一下数据库的切分规则，配置规则如下：单元测试

#分库策略，如何将一个逻辑表映射到多个数据源 
spring.shardingsphere.sharding.tables.<逻辑表名称>.database‐strategy.<分片策略>.<分片策略属性名>=

那么此时需要对product_base、product_description进行数据源切分，按照对2取模的方式，配置如下：

spring:
  # Sharding-JDBC的配置
  shardingsphere:
    # 分片的配置
    sharding:
      # 表的分片策略
      tables:
        product_base:
          database‐strategy:
            inline:
            ## 分片键
              sharding‐column: product_id
             ## 分片算法，内置的精确算法
              algorithm‐expression: ds$->{product_id%2+1}
        product_description:
          database‐strategy:
            inline:
            ## 分片键
              sharding‐column: product_id
              ## 分片算法，内置的精确算法
              algorithm‐expression: ds$->{product_id%2+1}

上述配置什么意思？

pGitHubroduct_id是偶数的将会存储在product_db1库中，奇数的存储在product_db2中

测试也很简枸杞单，我们循环往数据库中插入10条商品数据，由于是雪花算法，因此应该有5条在db1库中，另外5条在db2中，单元测试如下：

@Test
public void test3(){
    for (int i = 0; i < 10; i++) {
    Product product = Product.builder()
        .name("Spring Cloud Alibaba实战课程")
        .price(159L)
        .originAddress("码猿技术专栏")
        .shopId(1L)
        .build();
	productMapper.insertProductBase(product);
	productMapper.insertProductDescribe(product.getProductId(),"内容",product.getShopId());
  }
}

观察下控制台Spring+Boot的SQL，可以发现是不停的往ds1和ds2中进行插入数据，如下图：

数据库中的数据如下：

源码已经上传GitHgithub是什么ub，关注公众号：码猿技术专栏，回复关键词：9532 获取！

4. 水平分表

经过水springboot和springcloud区别平分库后，性能github汤姆得到了提升，但是经过一段时间后，商品的单表数据量急剧增长，查询非常慢，那么此时就需要对单表进行水平拆分了，如下图：

同样需要在Sharding-JDBC中配置分表的规则，如下：

#分表策略，如何将一个逻辑表映射为多个实际表 
spring.shardingsphere.sharding.tables.<逻辑表名称>.table‐strategy.<分片策略>.<分片策略属性名>=

实际的配置服务器价格如下：

spring:
  # Sharding-JDBC的配置
  shardingsphere:
    # 分片的配置
    sharding:
      # 表的分片策略
      tables:
        product_base:
          # 数据节点配置，采用Groovy表达式，分库分表策略，这样是4个节点，ds1.product_base_$_1/ds1.product_base_$_2/ds2.product_base_$_1/ds2.product_base_$_2
          actual-data-nodes: ds$->{1..2}.product_base_$->{1..2}
          # 分表策略
          table‐strategy:
            inline:
              # 分片键为店铺ID
              sharding‐column: shop_id
              # 分片策略取模
              algorithm‐expression: product_base_$->{shop_id%2+1}
        product_description:
          # 数据节点配置，采用Groovy表达式
          actual-data-nodes: ds$->{1..2}.product_description_$->{1..2}
          table‐strategy:
            inline:
              sharding‐column: shop_id
              algorithm‐expression: product_description_$->{shop_id%2+1}

这里需要注意的是：github开放私库由于这里用了分库分表，那么数据节点一定要配置对springboot启动流程，比如**ds->{1..2}.product_base_->{1..2}**这里的表达式分别对应的是4个数据节点，如下：

• ds1.product_bagithub直播平台永久回家se_$_1
• ds1.product_base_$_2
• ds2.product_base_$_1
• ds2.product_base_$_2

由于篇幅有限，完整的配置看源码

单元测试如下：

@Test
public void test4(){
	for (int i = 0; i < 10; i++) {
		Product product = Product.builder()
			.name("Spring Cloud Alibaba实战课程")
			.price(159L)
			.originAddress("码猿技术专栏")
			.shopId((long)(new Random().nextInt(100)+1))
			.build();
			productMapper.insertProductBase(product);
			productMapper.insertProductDescribe(product.getProductId(),"内容",product.getShopId());
        }
    }

源码已经上传GitHub，关服务器内存和台式机内存区别注公众号服务器操作系统：码猿技术专栏，回复关键词：9532 获取！

总服务器内存条可以用在台式机上吗结

本篇文章主要介绍springboot自动装配原理了Sharding-JDBC 分库分表实战基础内容，通过详细的案例和代码演示希望能帮助大家更好的理解。