数据库优化——表结构优化

🔹 表结构优化

选择合适的数据类型（如用 INT 而不是 BIGINT）

尽量避免 NULL 字段（会降低某些引擎性能）

垂直/水平分表，减少单表数据量

很好，这个问题很关键，尤其在你的系统数据量变大时 —— 垂直分表/水平分表 是数据库优化中常用的表结构设计策略，目的是：

📌 减少单表的数据量，提升查询、写入、维护的性能和效率。

🔹 为什么要分表？

当一个表的数据太多时（比如千万行、上亿行）：

查询会变慢（尤其是涉及全表扫描或多字段排序时）

索引会膨胀，维护成本变高

写入/更新容易造成锁表、阻塞

备份/恢复会很慢

所以我们会用 “分表” 的方式，让表变“小”，数据库跑得更快。

✅ 一、垂直分表（Vertical Partitioning）

按字段（列）进行拆分，每个表包含原表的一部分字段。

适用场景：

表字段很多，且某些字段不常用（比如大文本、图片路径等）

查询时只用少量字段

📌 举个例子：

原始表 user：

| id | name | email | bio（个人介绍） | avatar_url |

假如 bio 和 avatar_url 很少被用，读取频率很低。

我们可以这样拆表：

表1：user_base（经常访问的字段）
id, name, email

表2：user_profile（不常访问的大字段）
id, bio, avatar_url

这样常用查询只扫小表，快很多。

✅ 二、水平分表（Horizontal Partitioning）

按行进行拆分，表结构相同，但每个表只放部分数据。

适用场景：

数据行数太多（比如订单表、日志表）

查询或写入越来越慢

某个字段可以作为“分片键”来切分

📌 举个例子：

表 orders 有几千万条订单记录，你可以这样按用户ID水平分表：

orders_0  --> 存用户ID % 4 = 0 的订单
orders_1  --> 存用户ID % 4 = 1 的订单
orders_2  --> ...
orders_3


或者按时间分：

orders_2023
orders_2024
orders_2025


这样：

每个表更小，查询更快

可以并行写入多个表

更容易分布到多台数据库服务器（实现分库）

✅ 对比总结：
对比点	垂直分表	水平分表
拆分方式	按字段	按数据行
表结构	不同	相同
目的	减字段数量、避免大字段拖慢查询	减少每表的数据行数
应用场景	大字段、多字段的宽表	超大数据量、高频插入表
难点	要处理跨表 join	要设计好分片规则，处理查询路由
✅ 什么时候考虑分表？

单表超过 100万行：开始评估优化

单表超过 1000万行：建议分表

查询、写入、索引操作开始明显变慢时

🚀 提升数据库性能除了分表，还有这些方式：

建立合适的索引

读写分离（主从数据库）

缓存（Redis）

分库（不仅是分表，而是分多个数据库）

垂直水平分表，减少单表数量