1. 项目背景与核心价值

当订单表突破5000万行时，查询响应时间从200ms飙升到8秒——这是我去年接手某电商平台时遇到的真实性能瓶颈。单表存储的局限性在互联网业务快速增长期会集中爆发，而分库分表正是解决这一痛点的关键技术方案。

ShardingSphere作为Apache顶级开源项目，提供了从数据分片到分布式事务的一站式解决方案。与MyCat等中间件相比，其最大优势在于支持"无侵入式"架构——既可以通过JDBC驱动直接集成（ShardingSphere-JDBC），也能作为独立代理部署（ShardingSphere-Proxy）。本文将以SpringBoot3+ShardingSphere-JDBC组合为例，演示如何用最小改造成本实现水平分库分表。

2. 环境准备与依赖配置

2.1 基础环境要求

• JDK 17+（SpringBoot3强制要求）
• MySQL 5.7+（需开启InnoDB引擎）
• Maven 3.6+

2.2 关键依赖说明

在pom.xml中添加以下依赖时需特别注意版本兼容性：

<dependency> <groupId>org.apache.shardingsphere</groupId> <artifactId>shardingsphere-jdbc-core-spring-boot-starter</artifactId> <version>5.3.2</version> </dependency> <!-- 必须包含此驱动以支持分片后的分布式查询 --> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <scope>runtime</scope> </dependency>

重要提示：避免同时引入sharding-jdbc和sharding-proxy的starter包，否则会导致自动配置冲突。我曾因此浪费半天排查ClassNotFound异常。

3. 分片策略设计与配置

3.1 水平分库分表方案

以电商订单表为例，采用"用户ID后两位分库+订单创建月份分表"的复合分片策略：

• 数据库：ds_00到ds_99共100个库
• 数据表：order_202301到order_202312按月分表

3.2 YAML配置详解

spring: shardingsphere: datasource: names: ds_00,ds_01,...,ds_99 # 实际生产建议用动态生成 ds_00: type: com.zaxxer.hikari.HikariDataSource driver-class-name: com.mysql.cj.jdbc.Driver jdbc-url: jdbc:mysql://db-host:3306/ds_00 username: root password: 123456 rules: sharding: tables: t_order: actual-data-nodes: ds_$->{00..99}.order_$->{202301..202312} database-strategy: standard: sharding-column: user_id precise-algorithm-class-name: com.example.OurDbShardingAlgorithm table-strategy: standard: sharding-column: create_time precise-algorithm-class-name: com.example.OurTableShardingAlgorithm

3.3 自定义分片算法实现

数据库分片算法示例（基于用户ID取模）：

public class OurDbShardingAlgorithm implements StandardShardingAlgorithm<Long> { @Override public String doSharding(Collection<String> availableTargetNames, PreciseShardingValue<Long> shardingValue) { long userId = shardingValue.getValue(); int dbSuffix = (int) (userId % 100); return "ds_" + String.format("%02d", dbSuffix); } }

踩坑记录：分片键选择必须满足业务高频查询条件。某次选用了不常用的address_id作为分片键，导致90%的查询都变成全库扫描。

4. 分布式主键与事务处理

4.1 雪花ID集成方案

在application.yml中配置分布式序列号生成器：

spring: shardingsphere: rules: sharding: key-generators: snowflake: type: SNOWFLAKE props: worker-id: 123

实体类中使用：

@Table(name = "t_order") public class Order { @Id @GeneratedValue(generator = "snowflake") @GenericGenerator(name = "snowflake", strategy = "com.example.SnowflakeIdGenerator") private Long id; }

4.2 分布式事务实践

对于跨库更新操作，建议采用BASE事务：

@ShardingSphereTransactionType(TransactionType.BASE) @Transactional(rollbackFor = Exception.class) public void placeOrder(Order order) { // 跨库操作代码 }

5. 性能优化实战技巧

5.1 索引设计黄金法则

• 每个分片表必须单独建立索引
• 联合索引必须包含分片键作为首列
• 避免在分片键上使用函数计算

5.2 查询优化方案

错误示范：

SELECT * FROM t_order WHERE status = 1 -- 全库全表扫描

正确写法：

SELECT * FROM t_order WHERE user_id = 123 AND create_time > '2023-01-01' -- 精准路由到具体分片

5.3 监控配置

在SpringBoot Actuator中添加：

management: endpoints: web: exposure: include: shardingsphere

通过/metrics/shardingsphere可获取：

• 分片命中率
• SQL执行延迟
• 连接池状态

6. 常见问题排查指南

6.1 分片路由失效

现象：SQL执行缓慢，日志显示访问了所有分片 排查步骤：

1. 检查WHERE条件是否包含分片键
2. 验证分片算法返回值是否在actual-data-nodes范围内
3. 使用ShardingSphere的SQL解析工具分析路由结果

6.2 分布式ID冲突

解决方案：

1. 确保worker-id在集群内唯一
2. 检查服务器时钟是否同步（NTP服务必须开启）
3. 对于VARCHAR主键，改用UUID或业务自定义组合键

6.3 跨库JOIN异常

替代方案：

1. 使用广播表（配置为BROADCAST）
2. 应用层做数据聚合
3. 考虑使用ShardingSphere-Proxy的归并查询能力

7. 生产环境部署建议

经过三个季度的生产验证，我们总结出以下最佳实践：

1. 分库数量建议为2的N次方（便于后续扩容）
2. 单表数据量控制在2000万行以内
3. 定期执行ANALYZE TABLE更新统计信息
4. 灰度发布时先启用读写分离，再开启分片

某金融项目实测数据：

• 写入TPS从1200提升到8600
• 订单查询P99延迟从4.3s降至280ms
• 存储成本降低57%（利用老旧服务器组建分片集群）

这套方案特别适合符合以下特征的业务：

• 单表年增长量超3000万条
• 80%以上查询能带上分片键
• 业务允许少量跨分片查询存在性能折损