分库分表

ProxySQL（三）—— 数据分片目录一、设置 ProxySQL 分片1. 基于用户的分片2. 基于库的分片3. 基于数据的分片（1）示例表结构

Java 大厂一面模拟：从线程本地存储到分库分表路由的连环拷问这是一场模拟 30 分钟左右的 Java 大厂一面，面向 1-3 年经验的 Java 后端候选人或校招高阶候选人。面试官风格贴近真实大厂一面节奏，注重基础原理、并发安全、JVM 底层、数据库设计与缓存一致性，同时结合典型业务场景（如订单、用户、活动系统）进行连续追问。整场面试强调“拷打感”——问题层层递进，从表象到原理，再到边界条件和线上落地取舍。

恼书:-(空寄

分库分表风险应对手册（生产实战版）包含：风险现象 → 原因 → 解决方案 → 预防措施 → 代码/配置示例，可用于架构评审、上线检查、故障应急。

一个拉胯的分库分表方案有多绝望？整个部门都在救火！大家好，我是冰河~~凌晨两点，办公室灯火通明得像除夕夜的客厅。产品经理小李的咖啡摄入量已经达到“医学观察”级别，技术负责人老张的发际线在反复抓挠下又后退了半厘米，运维同学盯着屏幕上不断冒出的红色警报，表情凝重得仿佛在看自己的体检报告。

ShardingSphere 分库分表原理：SQL 解析与路由深入剖析 Apache ShardingSphere 的 SQL 解析引擎与路由核心原理，从源码层面理解分库分表的技术实现

Java分库分表技术对比分析目录一、为什么需要分库分表？二、核心实现方式对比三、主流技术选型对比1. Apache ShardingSphere

短剑重铸之日

《ShardingSphere解读》16 改写引擎：如何理解装饰器模式下的 SQL 改写实现机制？SQL 改写在分库分表框架中通常位于路由之后，也是整个 SQL 执行流程中的重要环节，因为开发人员是面向逻辑库与逻辑表所书写的 SQL，并不能够直接在真实的数据库中执行，SQL 改写，用于将逻辑 SQL 改写为在真实数据库中可以正确执行的 SQL。

短剑重铸之日

《ShardingSphere解读》12 解析引擎：SQL 解析流程应该包括哪些核心阶段？（下）我们知道整个 SQL 解析引擎可以分成三个阶段（如下图所示），上一篇我们主要介绍了 ShardingSphere 中 SQL 解析引擎的第一个阶段，那么今天我将承接上一篇，继续讲解 ShardingSphere 中 SQL 解析流程中剩余的两个阶段。

短剑重铸之日

《ShardingSphere解读》07 读写分离：如何集成分库分表+数据库主从架构？为了应对高并发场景下的数据库访问需求，读写分离架构是现代数据库架构的一个重要组成部分。今天，主讲ShardingSphere 中所提供的读写分离机制，以及这一机制如何与前面介绍的分库分表和强制路由整合在一起使用。

短剑重铸之日

《ShardingSphere解读》11 解析引擎：SQL 解析流程应该包括哪些核心阶段？（上）对于一款分库分表中间件而言，分片是其最核心的功能。下图展示了整个 ShardingSphere 分片引擎的组成结构，对于分片引擎而言，第一个核心组件就是 SQL 解析引擎。

西门吹雪分身

分布式架构之CAP与数据库分片架构CAP定理 CAP的特点： CP：强一致性说明 AP: 高可用总结： CAP 理论中的 C 在实践中是不可能完美实现的，在数据复制的过程中，节点N1 和节点 N2 的数据并不一致（强一致性）。即使无法做到强一致性，但应用可以采用适合的方式达到最终一致性。具有如下特点：

予枫的编程笔记

【MySQL飞升篇】分库分表避坑指南：垂直分库vs水平分表，分片键选对才不踩雷当业务数据量突破千万、亿级门槛，单库单表的性能瓶颈会如期而至——查询卡顿、写入超时、扩容困难，每一个问题都足以让后端开发者头大。分库分表（Sharding）作为核心解决方案，却常常让人陷入纠结：垂直分库和水平分表该怎么选？分片键选错会有什么后果？分表后分布式ID、跨库分页、跨库JOIN这些难题又该如何破解？本文从核心概念到实战难题，带你吃透分库分表全流程策略。

小码农叔叔

【微服务】ShardingSphere-Proxy 部署与分片规则配置实战详解目录一、前言二、微服务中分库分表介绍2.1 什么是分库分表2.2 微服务中为什么要分库分表2.3 微服务中常用的分库分表解决方案

蜂蜜黄油呀土豆

深入理解 MySQL 架构：主从复制、延迟治理与分库分表设计随着业务规模的增长，单机 MySQL 在并发能力、数据容量、可用性等方面都会逐渐遇到瓶颈。为了支撑更高的 QPS、更大的数据量以及更稳定的服务，MySQL 架构会不断演进，从单库 → 主从复制 → 读写分离 → 分库分表。

ShardingSphere分库分表实战有关分库分表的介绍说明，参考下面文章：https://blog.csdn.net/liangmengbk/article/details/155918663?spm=1001.2014.3001.5501

MySQL数据库分库分表介绍当数据海量时，数据库的压力很大，会成为系统运行的瓶颈。从数据库角度入手改造，那就涉及到分库分表。分库是将原来在一个数据库实例上的不同库，拆开，变成多个数据库实例。举例：

Sharding-JDBC小明是一家初创电商平台的开发人员，他负责卖家模块的功能开发，其中涉及了店铺、商品的相关业务，设计如下数据库：

【分布式利器：分布式ID】7、分布式数据库方案：TiDB/OceanBase全局ID实战上一篇的中间件方案适合复用现有Redis/ZooKeeper的场景，但如果你的系统已经部署了分布式数据库（如TiDB、OceanBase），就没必要再引入其他方案了——分布式数据库原生支持“全局自增ID”，底层通过分布式协议（如Paxos、Raft）保证唯一性和有序性，无需额外开发，无缝集成业务。本文详解TiDB和OceanBase的全局ID实现，帮你快速落地核心业务的分布式ID。

【分布式利器：分布式ID】6、中间件方案：Redis/ZooKeeper分布式ID实现上一篇的UUID方案适合无依赖场景，但如果你的系统已经部署了Redis（缓存）或ZooKeeper（服务注册中心），没必要再引入雪花算法、号段模式等新方案——直接复用现有中间件就能实现分布式ID，减少系统依赖和维护成本。本文详解Redis和ZooKeeper的分布式ID实现方案，附实战代码，帮你快速复用现有组件落地。

【分布式利器：分布式ID】5、UUID/GUID方案：无依赖实现，优缺点与场景选型上一篇的雪花算法适合超高并发、有序需求的场景，但有些业务不需要ID有序（如用户Session ID、文件ID、临时令牌），此时引入雪花算法反而“过度设计”。今天的“UUID/GUID方案”完美适配这类场景：无需依赖数据库、中间件，本地直接生成，实现极简，且理论上永不重复。本文详解UUID的版本区别、实战用法、存储优化和避坑点。