为什么你的水平分表越分越慢？这些坑90%的人都踩过！

订单表 order_info 有将近 5000万行数据，每次查询都慢得要命。特别是那种根据用户ID查最近10条订单的接口，在高并发的促销活动中，简直是灾难级的存在。

1.引言

“你做过分库分表吗？”

这是我在社招面试中，被问到次数最多的一句话之一。

一听到这个问题，我心里就会一紧：又来了，这道送命题。

有次面试官刚说完这句，我就顺势来了一句：“您是想听垂直分表还是水平分表？”

面试官笑了笑说：“那就从水平分表讲讲吧。”

于是，我的故事就这么开始了。

2.缘起：那张几乎让系统崩溃的订单表

几年前，我接手一个电商系统。

订单表 order_info 有将近 5000万行数据，每次查询都慢得要命。特别是那种根据用户ID查最近10条订单的接口，在高并发的促销活动中，简直是灾难级的存在。

日志刷得像弹幕，CPU飙升到90%，DBA一脸无奈地说：“小米，再不分表，这台数据库就要冒烟了。”

那一刻，我意识到：是时候出大招了——水平分表。

3.什么是水平分表？

简单来说，水平分表就是：

当一张表数据太多时，我们不去拆字段，而是“横着切”。

比如原来有一张大表：order_info

我们可以根据某个维度（比如用户ID、订单ID、时间），拆成多张：

每张表的结构完全相同，只是数据不同。

就像把一个超大的文件夹，拆成多个小文件夹，每个文件夹里只放部分文件，这样查起来快得多。

4.水平分表的几种常见策略

做分表，最关键的问题是：怎么分？

这一步决定了你后续是“顺风顺水”，还是“痛不欲生”。我在项目中踩过不少坑，总结下来有三种主流方案：

1）按范围（Range）分表

比如：

• 2023年数据放 order_info_2023
• 2024年数据放 order_info_2024

优点：

• 查询某一时间段的数据非常快。
• 数据归档方便。

缺点：

• 热点数据集中在最新表，容易出现单表压力。
• 需要定期建新表，否则新的一年没表可写。

2） 按哈希（Hash）分表

比如用 user_id % 16 决定分到哪个表：

优点：

• 数据分布相对均匀。
• 并发高时能显著提升性能。

缺点：

• 不方便做跨分片统计。
• 分表数量固定，后期扩容比较麻烦。

3） 按业务维度（如地区、商户等）分表

例如：

• 华北区：order_info_north
• 华南区：order_info_south

优点：

• 逻辑清晰，方便独立维护。

缺点：

• 不同区域用户分布不均时，容易出现“冷热表”。

5.水平分表的难点：不止是“拆表”那么简单

很多人以为水平分表就只是建几张表，分几条数据。其实，真上生产你会发现，最麻烦的是后续问题：

1）跨表查询

比如：

老板想查“近一年所有订单总额”，可你订单分散在16张表里——咋办？

解决办法：

• 写程序逻辑循环查询再合并结果；
• 或者用中间件（如 ShardingSphere、MyCat）来帮你分片聚合。

2） 自增主键不再唯一

原来用 AUTO_INCREMENT 一路走天下，结果分成16张表后，各自自增，冲突了。

解决办法：

• 用 雪花算法（Snowflake）、UUID、自定义发号器；
• 或者用分布式ID服务（如 Leaf、TinyID）。

3）事务问题

跨表、跨库后，事务就不再是单机的事了。这时候要用 分布式事务 或 最终一致性 模式。如果不控制好，可能出现“扣钱成功但没下单”的乌龙。

4）数据迁移与扩容

最痛苦的环节来了——扩容。当你的16张表都快爆满时，想扩到32张？

不好意思，哈希算法全得改，数据要重分布，迁移代价巨大。所以，分表前一定要预留足够的分片空间！

6.那什么时候该用水平分表？

这是面试中很容易被反问的点。我一般这么回答：

“当单表数据量超过千万级、单表查询频繁且明显影响性能时，就可以考虑水平分表。”

具体来说，判断标准可以参考以下几个信号：

7.水平分表的最佳实践：从入门到进阶

下面是我个人总结的一套“分表成长路径”：

1）起步阶段：代码手动分表

• 最常见，也最灵活。通过代码控制表名。
• 适合中小型项目，但后期维护成本高。

2）进阶阶段：引入中间件

比如：

• Apache ShardingSphere
• MyCat
• Oceanus

中间件能自动路由SQL、合并结果、管理分片策略。这时开发只管写SQL，不用关心底层有多少表。

3）成熟阶段：配合分库分表、读写分离

分表只是开始。真正的架构优化，还包括：

• 分库：不同业务拆不同数据库；
• 读写分离：主库写，从库读；
• 缓存：用Redis做热点数据加速。

当你把这些配合起来，就能撑住双十一的洪峰流量了。

8.面试官最喜欢问的那几个“陷阱问题”

如果你正在准备面试，一定要注意以下几个点：

问题1：水平分表后怎么做分页查询？

用全局排序字段（如创建时间或雪花ID），然后程序聚合分页。

问题2：分表后如何保证唯一约束？

通过全局ID生成器或唯一索引服务统一管理。

问题3：分表后数据统计怎么办？

通过异步统计、定时任务、或数据仓库做汇总。

面试官问这些不是为了难你，而是想看你是否真的考虑过线上问题。

9.结语：分表不是万能药，合理才是关键

说实话，水平分表这件事，就像减肥。开始的时候很爽，性能嗖嗖提升；但后期维护、迁移、扩容的时候，你会哭着回忆从前的简单生活。

所以我常跟团队说：“能不分就不分，能靠索引优化、缓存解决的，就别轻易动分表。”

有时候，一个合适的索引、一层缓存、或一个中间件配置，都比你动刀分表来得划算。

写到这儿，我回想起当年第一次上线分表方案那晚，凌晨两点，测试环境跑通后，我们几个人端着咖啡举杯庆祝。

那一刻我突然明白：所谓“架构师的浪漫”，大概就是能让系统稳定地跑下去吧。

总结一句话：水平分表，是一把双刃剑。它能让性能飞升，也可能让你后悔。想用好它，先搞懂业务，再规划架构。

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

四、AI大模型商业化落地方案

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

四、AI大模型商业化落地方案

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量