10亿订单如何分库分表？

前言

场景痛点：某电商平台的MySQL订单表达到7亿行时，出现致命问题：

sql 复制代码

-- 简单查询竟需12秒！
SELECT * FROM orders WHERE user_id=10086 LIMIT 10;

-- 统计全表耗时278秒
SELECT COUNT(*) FROM orders;

核心矛盾：

B+树索引深度达到5层，磁盘IO暴增。
单表超200GB导致备份时间窗突破6小时。
写并发量达8000QPS，主从延迟高达15分钟。

关键认知 ：当单表数据量突破5000万行时，就该启动分库分表设计预案。

那么问题来了，假如现在有10亿的订单数据，我们该如何做分库分表呢？

今天这篇文章就跟大家一起聊聊这个问题，希望对你会有所帮助。

1 分库分表核心策略

1.1 垂直拆分：先给数据做减法

优化效果：

核心表体积减少60%
高频查询字段集中提升缓存命中率

1.2 水平拆分：终极解决方案

分片键选择三原则：

离散性：避免数据热点（如user_id优于status）
业务相关性：80%查询需携带该字段
稳定性：值不随业务变更（避免使用手机号）

分片策略对比：

策略类型	适用场景	扩容复杂度	示例
范围分片	带时间范围的查询	简单	create_time按月分表
哈希取模	均匀分布	困难	user_id % 128
一致性哈希	动态扩容	中等	使用Ketama算法
基因分片	避免跨分片查询	复杂	从user_id提取分库基因

2 基因分片

针对订单系统的三大高频查询：

用户查历史订单（user_id）
商家查订单（merchant_id）
客服按订单号查询（order_no）

解决方案：

Snowflake订单ID改造：

java 复制代码

// 基因分片ID生成器
public class OrderIdGenerator {
    // 64位ID结构：符号位(1)+时间戳(41)+分片基因(12)+序列号(10)
    private static final int GENE_BITS = 12;
    
    public static long generateId(long userId) {
        long timestamp = System.currentTimeMillis() - 1288834974657L;
        // 提取用户ID后12位作为基因
        long gene = userId & ((1 << GENE_BITS) - 1); 
        long sequence = ... // 获取序列号
        
        return (timestamp << 22) 
             | (gene << 10) 
             | sequence;
    }
    
    // 从订单ID反推分片位置
    public static int getShardKey(long orderId) {
        return (int) ((orderId >> 10) & 0xFFF); // 提取中间12位
    }
}

路由逻辑：

java 复制代码

// 分库分表路由引擎
public class OrderShardingRouter {
    // 分8个库 每个库16张表
    private static final int DB_COUNT = 8; 
    private static final int TABLE_COUNT_PER_DB = 16;
    
    public static String route(long orderId) {
        int gene = OrderIdGenerator.getShardKey(orderId);
        int dbIndex = gene % DB_COUNT;
        int tableIndex = gene % TABLE_COUNT_PER_DB;
        
        return "order_db_" + dbIndex + ".orders_" + tableIndex;
    }
}

关键突破：通过基因嵌入，使相同用户的订单始终落在同一分片，同时支持通过订单ID直接定位分片

3 跨分片查询

3.1 异构索引表方案

Elasticsearch索引表结构：

json 复制代码

{
  "order_index": {
    "mappings": {
      "properties": {
        "order_no": { "type": "keyword" },
        "shard_key": { "type": "integer" },
        "create_time": { "type": "date" }
      }
    }
  }
}

4.2 全局二级索引（GSI）

sql 复制代码

-- 在ShardingSphere中创建全局索引
CREATE SHARDING GLOBAL INDEX idx_merchant ON orders(merchant_id) 
    BY SHARDING_ALGORITHM(merchant_hash) 
    WITH STORAGE_UNIT(ds_0,ds_1);

4、数据迁移

双写迁移方案：

灰度切换步骤：

开启双写（新库写失败需回滚旧库）
全量迁移历史数据（采用分页批处理）
增量数据实时校验（校验不一致自动修复）
按用户ID灰度流量切换（从1%到100%）

5、避坑指南

5.1 热点问题

双十一期间发现某网红店铺订单全部分到同一分片。

解决方案：引入复合分片键 (merchant_id + user_id) % 1024

5.2 分布式事务

这里的分布式事务使用的RocketMQ的数据最终一致性方案：

java 复制代码

// 最终一致性方案
@Transactional
public void createOrder(Order order) {
   orderDao.insert(order); // 写主库
   rocketMQTemplate.sendAsync("order_create_event", order); // 发消息
}

// 消费者处理
@RocketMQMessageListener(topic = "order_create_event")
public void handleEvent(OrderEvent event) {
   bonusService.addPoints(event.getUserId()); // 异步加积分
   inventoryService.deduct(event.getSkuId()); // 异步扣库存
}

5.3 分页陷阱

跨分片查询页码错乱。

解决方案：改用ES聚合查询或业务折衷方案（只查最近3个月订单）。

6 终极架构方案

性能指标：

场景	拆分前	拆分后
用户订单查询	3200ms	68ms
商家订单导出	超时失败	8s完成
全表统计	不可用	1.2s(近似)

总结

分片键选择大于努力：基因分片是订单系统的最佳拍档。
扩容预留空间：建议初始设计支持2年数据增长。
避免过度设计：小表关联查询远比分布式Join高。效
监控驱动优化：重点关注分片倾斜率>15%的库。

真正的架构艺术，是在分与合之间找到平衡点。

最后说一句(求关注，别白嫖我)

如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，您的支持是我坚持写作最大的动力。

求一键三连：点赞、转发、在看。

关注公众号：【苏三说技术】，在公众号中回复：进大厂，可以免费获取我最近整理的10万字的面试宝典，好多小伙伴靠这个宝典拿到了多家大厂的offer。

本文收录于我的技术网站：http://www.susan.net.cn