MyBatis Plus 如何优化千万级数据的 CRUD？-优快云博客

背景

做 Java 开发 8 年，接触过 Hibernate、JPA、MyBatis，到现在主力框架 MyBatis Plus（简称 MP）。一路踩坑无数，从最初写死 SQL 到现在用 Lambda 链式操作，感触最深的是：CRUD 看似简单，数据量一大，性能问题就来了。

最近负责的一个项目，数据库表量级破千万，每次执行 CRUD 都像走钢丝，稍有不慎就引起数据库报警。本文就结合这个项目的实战经验，聊聊 MyBatis Plus 在千万级数据场景下如何优化 CRUD 操作。

一、MyBatis Plus 简介

MP 是 MyBatis 的增强工具，主打“无侵入、低门槛、强增强”，提供了一整套优雅的 CRUD 封装，尤其适合中后台系统的开发。

但性能优化这件事，MP 提供了钩子，还得靠我们自己去掌握底层逻辑与场景判断。

二、千万级数据的挑战

当数据达到千万级时，常见的问题有：

查询慢、分页卡顿
更新/删除误操作影响大
数据迁移困难
索引策略不合理
乐观锁/悲观锁未启用带来并发问题

三、优化 CRUD 的关键策略

下面我从 增、删、改、查 四个维度，结合 MP 的用法，逐一拆解优化策略。

1.查询优化（Select）

✅ 使用分页插件 + 索引优化

Page<User> page = new Page<>(1, 10);
IPage<User> result = userMapper.selectPage(page, new QueryWrapper<User>()
        .eq("status", "active")
        .orderByDesc("create_time"));

优化点：

创建复合索引 (status, create_time)，避免文件排序
设置合理的 limit 范围，避开深分页（推荐游标分页）

✅ 游标分页（Keyset Pagination）案例：

QueryWrapper<User> wrapper = new QueryWrapper<>();
wrapper.lt("id", lastId)
       .orderByDesc("id")
       .last("limit 100");

List<User> users = userMapper.selectList(wrapper);

比传统 OFFSET 分页快得多，适合批量导出或加载。

2.插入优化（Insert）

✅ 批量插入代替单条插入

List<User> userList = new ArrayList<>();
for (int i = 0; i < 1000; i++) {
    userList.add(new User("user" + i));
}
userMapper.insertBatchSomeColumn(userList); // 需自定义方法或 MyBatis 扩展

建议：

单次批量插入控制在 1000 条以内，避免 SQL 超长
使用原生 JDBC 批处理，性能更优

3.更新优化（Update）

✅ 避免全表更新

错误：

userMapper.update(null, new UpdateWrapper<User>().set("status", "inactive"));

优化：

UpdateWrapper<User> wrapper = new UpdateWrapper<>();
wrapper.eq("status", "active");
wrapper.set("status", "inactive");
userMapper.update(null, wrapper);

永远记住：Update 要加条件！

✅ 乐观锁控制并发更新

@TableField(fill = FieldFill.UPDATE)
@Version
private Integer version;

user.setVersion(3);
userMapper.updateById(user); // MP 会自动加 version 判断

4.删除优化（Delete）

✅ 逻辑删除替代物理删除

@TableLogic
private Integer isDeleted;

userMapper.deleteById(123L); // 实际执行的是 UPDATE 操作

逻辑删除的优势：

避免误删
保留数据审计
与回收站机制兼容

注意：逻辑删除字段要加索引！

四、批处理与异步处理

在千万级数据场景，批处理 + 异步化 是性能优化的核心手段：

使用 Stream 分批处理大数据集合
配合 Spring Batch 或自定义线程池实现异步任务
使用定时任务（如 XXL-JOB）分时段处理数据

五、数据库层面的优化建议

合理建索引（避免过多/重复索引）
垂直/水平分表（ShardingSphere、MyCat）
使用中间件缓存热点数据（Redis）
慎用视图和子查询，优先考虑 JOIN 重构

六、总结：CRUD 优化是一场系统工程

MyBatis Plus 提供了优雅的接口，但数据量上来之后，框架只是工具，根本还在底层 SQL 和设计策略上。

作为一个写了 8 年 Java 的程序员，我最大的体会是：

性能不是调出来的，是设计出来的。

合理建模 + 规范使用 MP + 数据库调优，才能让你的系统在千万级数据面前从容应对。