MyCat分片规则(全局表，ER分片表，多对多关联，主键分片VS非主键分片)，MyCat常用的分片规则（15中分片规则），自定义MyCat分片规则，其它术语
1 MyCat分片规则
数据切分中重要的几条原则，其中有几条数据冗余，表分组（Table Group）。
1.1全局表
如果你的业务中有些数据类似于数据字典，比如配置文件的配置，常用业务的配置或数据量不是很大，很少变动的表，这些表往往不是特别大，而且大部分的业务场景都会用到，那么这种表适合于MyCat全局表，无须对数据进行切分。只要在所有的分片上保存一份数据即可，MyCat在Join操作中，业务表与全局表进行Join聚合会优先选择相同分片内的全局表join，避免跨库Join，在进行数据插入操作时，mycat 将把数据分发到全局表对应的 所有分片执行，在进行数据读取时候将会随机获取一个节点读取数据。
全局表的配置如下：
<table name=”t_area” primaryKey=”id” type=”gloab” dataNode=”dn1,dn2”/>1.2.ER分片表
有一类业务，例如订单（order）跟订单明细（order_detail）,明细表会依赖于订单，也就是说会存在表的主从关系，这类似业务的切分可以抽象出合适的切分规则，比如根据用户ID切分，其它相关的表都依赖于用户ID，再或者根据订单ID切分，总之部分业务总会可以抽象出父子关系的表。这类表适用于ER分片表，子表的记录与所有关联的父表记录存放在同一个数据分片上，避免数据Join跨库操作。
以order与order_detail例子为例，schema.xml中定义如下的分片配置，order,order_detail根据order_id进行数据切分，保证相同order_id的数据分到同一分片上，在进行数据插入操作时，MyCat会获取order所在的分片，然后将order_detail也插入到order所在的分片。
<table name=”order” dataNode=”dn$1-32” rule=”mod-long”>
<childTable name="order_detail" primaryKey="id" joinKey=”order_id” parentKey=”order_id”/>
table>1.3.多对多关联（Mycat弱项）
有一类业务场景是”主表A + 关系表 + 主表B”，举例来说就是商户会员 + 订单 + 商户，对应这类业务，如果切分：
从会员的角度，如果需要查询会员购买的订单，那按照会员进行切分即可，但是如果查询商户当天售出的订单，那又需要按照商户做切分，可以是如果按照会员又要按照商户切分，几乎是无法实现，这类业务如何选择切分规则非常难。目前还暂时无法很好支持这种模式下的3个表之间的关联。目前总的原则是需要从业务角度来看，关系表更偏向哪个表，即”A的关系”还是”B的关系”，来决定关系表跟从那个方向来存储，未来MyCat版本中将考虑将中间表进行双向复制，以实现从A-关系表以及B-关系表的双向关联查询如下图所示：
1.4.主键分片vs非主键分片
当你没有任何字段可以作为分片字段的时候，主键分片就是唯一选择，其优点是按照主键的查询最快，当采用自动增长的序号作为主键时，还能比较均匀的将数据分片在不同的节点上。
若有某个合适的业务字段比较适合作为分片字段，则建议采用此业务字段分片，选择分片字段的条件如下：
1、 尽可能的比较均匀分布数据到各个节点上。
2、 该业务字段是最频繁的或者最重要的查询条件。
常见的除了主键之外的其他可能分片字段有”订单创建时间”、”店铺类别”或”所在省”等。当你找到某个合适的业务字段作为分片字段以后，不必纠结于”牺牲了按主键查询记录的性能”，因为在这种情况下，Mycat提供了”主键到分片”的内存缓存机制，热点数据按照主键查询，丝毫不损失性能。
<table name=”t_user” primaryKey=”user_id” dataNode=”dn$1-32” rule=”mod-long”>
<childTable name= "t_user_detail" primaryKey=”id” joinKey=”user_id” parentKey=”user_id”/>
table>对于非主键分片的table,填写属性primaryKey,此时MyCat会将你根据主键查询的SQL语句的第一次执行结果进行分析，确定该Table的某个主键在什么分片上，并进行主键到分片ID的缓存。第二次或后续查询mycat会优先从缓存中查询是否有idnode即主键到分片的映射，如果有直接查询，通过此种方法提高了非主键分片的查询性能。
2 MyCat常用的分片规则
2.1.分片枚举
通过在配置文件中配置可能的枚举id，自己的配置分片，本规则适用于特定的场景，比如有些业务需要按照省 份或区县来做保存，而全国省份区县固定的，这类业务使用本条规则，配置如下：
<tableRule name=”sharding-by-intfile”>
<rule>
<columns>user_idcolumns>
<algorithm>hash-intalgorithm>
rule>
tableRule>
<function name=”hash-int” class=”org.opencloudb.route.function.PartitionByFileMap”>
<property name=”mapFile”>partition-hash-int.txtproperty>
<property name=”type”>0property>
<property name=”defaultNode”>0property>
function>
partition-hash-int.txt 配置：
10000=0
10010=1
DEFAULT_NODE=1上面columns标识将要分片的表字段，algorithm分片函数。
其中分片函数配置中，mapFile标识配置文件名称，type默认值为0,0表示Integer，非零表示String,所有的节点配置都是从0开始，以及0代表节点1。
/**
*defaultNode默认节点：小于0表示不设置默认节点，大于等于0表示设置默认节点
*默认节点的作用：枚举分片时，如果碰到不识别的枚举值，就让它路由到默认节点。
*如果不配置默认节点（defaultNode值小于0表示不配置默认节点），碰到不识别的枚*举值就会报错。
*like this:can’t find datanode for sharding column:column_name val:fffffff
*/2.2.固定分片hash算法
本条规则类似于十进制的求模运算，在连续插入1-10时候，1-10会被分到1-10个分片，增大了插入的事务控制难度，而此算法根据二进制则可能会分到连续的分片，减少插入事务控制难度。
<tableRule name=”rule1”>
<rule>
<columns>user_idcolumns>
<algorithm>func1algorithm>
rule>
tableRule>
<function name=”func1” class="org.opencloudb.route.function.PartitionByLong">
<property name=”partitionCount”>2,1property>
<property name=”partitionLength”>256,512property>
function>配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数，partitionCount 分片个数列表，partitionLength分片范围列表分区长度：默认为最大2^n=1024,即最大支持1024分区。
约束：
count,length两个数组的长度必须是一致的。
1024 = sum((count[i] * length[i])).count和length两个向量的点积恒等于1024
用法例子：
本例的分区策略：希望将数据水平分成3份，前两份各占25%，第三份占50%。（故本利非均匀分区）
// |<--------------------------1024----------------------------------->|
// |<------256----->|<------256----->|<--------------512-------------->|
// | partition0 | partition1 | partition2 |// | 共 2 份,故 count[0]=2 | 共 1 份，故 count[1]=1 |
int[] count = new int[] { 2, 1 };
int[] length = new int[] { 256, 512 };
PartitionUtil pu = new PartitionUtil(count, length);
//下面代码演示分别以offerId字段或memberId字段根据上述分区策略拆分的分配结果
int DEFAULT_STR_HEAD_LEN = 8; // cobar默认会配置为此值
long offerId = 12345;
String memberId = “qiushuo”;
//若根据offerId分配，partNo1将等于0，即按照上述分区策略，offerId为12345时将会被分配到partition0中
int partNo1 = pu.partition(offerId);
//若根据memberId分配，partNo2将等于2，即按照上述分区策略，memberId为qiushuo时将会被分到partition2中
int partNo2 = pu.partition(memberId, 0, DEFAULT_STR_HEAD_LEN);
如果需要平均分配设置：平均分为 4 分片，partitionCount*partitionLength=1024
name="func1" class="org.opencloudb.route.function.PartitionByLong">
<property name="partitionCount">4property>
<property name="partitionLength">256property>
2.3.范围约定
此分片适用于提前规划好分片字段某个范围属于哪个分片，
start <= range <= end.
range start-end ,data node index
K=1000,M=10000. <tableRule name="auto-sharding-long">
<rule>
<columns>user_idcolumns>
<algorithm>rang-longalgorithm>
rule>
tableRule>
<function name="rang-long" class="org.opencloudb.route.function.AutoPartitionByLong">
<property name="mapFile">autopartition-long.txtproperty>
<property name="defaultNode">0property>
function>配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数，
rang-long 函数中 mapFile 代表配置文件路径
defaultNode 超过范围后的默认节点。
所有的节点配置都是从 0 开始，及 0 代表节点 1，此配置非常简单，即预先制定可能的 id 范围到某个分片
0-500M=0
500M-1000M=1
1000M-1500M=2
或
0-10000000=0
10000001-20000000=1
2.4.取模
此规则为对分片字段求模运算
<tableRule name="mod-long">
<rule>
<columns>user_idcolumns>
<algorithm>mod-longalgorithm>
rule>
tableRule>
<function name="mod-long" class="org.opencloudb.route.function.PartitionByMod">
<property name="count">3property>
function>配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数，此种配置非常明确即根据 id 进行十进制求模预算，相比固定分片 hash，此种在批量插入时可能存在批量插入单
事务插入多数据分片，增大事务一致性难度。
2.5.按日期（天）分片
此规则为按天分片
<tableRule name="sharding-by-date">
<rule>
<columns>create_timecolumns>
<algorithm>sharding-by-datealgorithm>
rule>
tableRule>
<function name="sharding-by-date"
class="org.opencloudb.route.function.PartitionByDate">
<property name="dateFormat">yyyy-MM-ddproperty>
<property name="sBeginDate">2014-01-01property>
<property name="sEndDate">2014-01-02property>
<property name="sPartionDay">10property>
function>配置说明：
columns ：标识将要分片的表字段
algorithm ：分片函数
dateFormat ：日期格式
sBeginDate ：开始日期
sEndDate：结束日期
sPartionDay ：分区天数，即默认从开始日期算起，分隔 10 天一个分区
如果配置了 sEndDate 则代表数据达到了这个日期的分片后后循环从开始分片插入。
Assert.assertEquals(true, 0 == partition.calculate(“2014-01-01”));
Assert.assertEquals(true, 0 == partition.calculate(“2014-01-10”));
Assert.assertEquals(true, 1 == partition.calculate(“2014-01-11”));
Assert.assertEquals(true, 12 == partition.calculate(“2014-05-01”));2.6.取模范围约束
此种规则是取模运算与范围约束的结合，主要为了后续数据迁移做准备，即可以自主决定取模后数据的节点分布。
<tableRule name="sharding-by-pattern">
<rule>
<columns>user_idcolumns>
<algorithm>sharding-by-patternalgorithm>
rule>
tableRule>
<function name="sharding-by-pattern"
class="org.opencloudb.route.function.PartitionByPattern">
<property name="patternValue">256property>
<property name="defaultNode">2property>
<property name="mapFile">partition-pattern.txtproperty>
function>partition-pattern.txt
# id partition range start-end ,data node index
###### first host configuration
1-32=0
33-64=1
121
65-96=2
97-128=3
######## second host configuration
129-160=4
161-192=5
193-224=6
225-256=7
0-0=7配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数，patternValue 即求模基数，defaoultNode
默认节点，如果配置了默认，则不会按照求模运算
mapFile 配置文件路径
配置文件中，1-32 即代表 id%256 后分布的范围，如果在 1-32 则在分区 1，其他类推，如果 id 非数据，则
会分配在 defaoultNode 默认节点
String idVal = “0”;
Assert.assertEquals(true, 7 == autoPartition.calculate(idVal));
idVal = “45a”;
Assert.assertEquals(true, 2 == autoPartition.calculate(idVal));2.7.截取数字做 hash 求模范围约束
此种规则类似于取模范围约束，此规则支持数据符号字母取模。
name="sharding-by-prefixpattern">
user_id
sharding-by-prefixpattern
name="sharding-by-pattern"
class="org.opencloudb.route.function.PartitionByPrefixPattern">
<property name="patternValue">256property>
<property name="prefixLength">5property>
<property name="mapFile">partition-pattern.txtproperty>
partition-pattern.txt
partition-pattern.txt
# range start-end ,data node index
# ASCII
# 8-57=0-9阿拉伯数字
# 64、65-90=@、A-Z
# 97-122=a-z
###### first host configuration
1-4=0
5-8=1
9-12=2
13-16=3
###### second host configuration
17-20=4
21-24=5
25-28=6
29-32=7
0-0=7配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数，patternValue 即求模基数，prefixLength
ASCII 截取的位数
mapFile 配置文件路径
配置文件中，1-32 即代表 id%256 后分布的范围，如果在 1-32 则在分区 1，其他类推
此种方式类似方式 6 只不过采取的是将列种获取前 prefixLength 位列所有 ASCII 码的和进行求模
sum%patternValue ,获取的值，在范围内的分片数，
String idVal=“gf89f9a”;
Assert.assertEquals(true, 0==autoPartition.calculate(idVal));
idVal=“8df99a”;
Assert.assertEquals(true, 4==autoPartition.calculate(idVal));
idVal=“8dhdf99a”;
Assert.assertEquals(true, 3==autoPartition.calculate(idVal));2.8.应用指定
此规则是在运行阶段有应用自主决定路由到那个分片。
<tableRule name="sharding-by-substring">
<rule>
<columns>user_idcolumns>
<algorithm>sharding-by-substringalgorithm>
rule>
tableRule>
<function name="sharding-by-substring"
class="org.opencloudb.route.function.PartitionDirectBySubString">
<property name="startIndex">0property>
<property name="size">2property>
<property name="partitionCount">8property>
<property name="defaultPartition">0property>
function>配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数
此方法为直接根据字符子串（必须是数字）计算分区号（由应用传递参数，显式指定分区号）。
例如 id=05-100000002
在此配置中代表根据 id 中从 startIndex=0，开始，截取 siz=2 位数字即 05，05 就是获取的分区，如果没传默认分配到 defaultPartition
2.9.截取数字hash解析
此规则是截取字符串中的int数值hash分片。
<tableRule name="sharding-by-stringhash">
<rule>
<columns>user_idcolumns>
<algorithm>sharding-by-stringhashalgorithm>
rule>
tableRule>
<function name="sharding-by-stringhash"
class="org.opencloudb.route.function.PartitionByString">
<property name="partitionLength">512property>
<property name="partitionCount">2property>
<property name="hashSlice">0:2property>
function>配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数
函数中partitionLength 代表字符串 hash 求模基数，
partitionCount 分区数，
hashSlice hash 预算位，即根据子字符串中 int 值 hash 运算
hashSlice ： 0 means str.length(), -1 means str.length()-1
/**
* “2” -> (0,2)
* “1:2” -> (1,2)
* “1:” -> (1,0)
* “-1:” -> (-1,0)
* “:-1” -> (0,-1)
* “:” -> (0,0)
*/例子：
String idVal=null;
rule.setPartitionLength("512");
rule.setPartitionCount("2");
rule.init();
rule.setHashSlice("0:2");
// idVal = "0";
// Assert.assertEquals(true, 0 == rule.calculate(idVal));
// idVal = "45a";
// Assert.assertEquals(true, 1 == rule.calculate(idVal));
// last 4
rule = new PartitionByString();
rule.setPartitionLength("512");
rule.setPartitionCount("2");
rule.init();
//last 4 characters
rule.setHashSlice("-4:0");
idVal = "aaaabbb0000";
Assert.assertEquals(true, 0 == rule.calculate(idVal));
idVal = "aaaabbb2359";
Assert.assertEquals(true, 0 == rule.calculate(idVal));2.10.一致性hash
一致性 hash 预算有效解决了分布式数据的扩容问题。
<tableRule name="sharding-by-murmur">
<rule>
<columns>user_idcolumns>
<algorithm>murmuralgorithm>
rule>
tableRule>
<function name="murmur" class="org.opencloudb.route.function.PartitionByMurmurHash">
<property name="seed">0property>
<property name="count">2property>
<property name="virtualBucketTimes">160property>
function>2.11.按单月小时拆分
此规则是单月内按照小时拆分，最小粒度是小时，可以一天最多 24 个分片，最少 1 个分片，一个月完后下月
从头开始循环。
每个月内按照小时拆分，最小粒度是小时，可以一天最多24个分片，一个月完后下月开始循环。
每个月月尾，需要手工清理数据。
<tableRule name="sharding-by-hour">
<rule>
<columns>create_timecolumns>
<algorithm>sharding-by-houralgorithm>
rule>
tableRule>
<function name="sharding-by-hour"
class="org.opencloudb.route.function.LatestMonthPartion">
<property name="splitOneDay">24property>
function>配置说明：
columns： 拆分字段，字符串类型（yyyymmddHH）
splitOneDay ： 一天切分的分片数
LatestMonthPartion partion = new LatestMonthPartion();
partion.setSplitOneDay(24);
Integer val = partion.calculate("2015020100");
assertTrue(val == 0);
val = partion.calculate("2015020216");
assertTrue(val == 40);
val = partion.calculate("2015022823");
assertTrue(val == 27 * 24 + 23);
Integer[] span = partion.calculateRange("2015020100", "2015022823");
assertTrue(span.length == 27 * 24 + 23 + 1);
assertTrue(span[0] == 0 && span[span.length - 1] == 27 * 24 + 23);
span = partion.calculateRange("2015020100", "2015020123");
assertTrue(span.length == 24);
assertTrue(span[0] == 0 && span[span.length - 1] == 23);2.12.范围求模分片
先进行范围分片计算出分片组，组内再求模
优点可以避免扩容时的数据迁移，又可以一定程度上避免范围分片的热点问题
综合了范围分片和求模分片的优点，分片组内使用求模可以保证组内数据比较均匀，分片组之间是范围分片可以兼顾范围查询。
最好事先规划好分片的数量，数据扩容时按分片组扩容，则原有分片组的数据不需要迁移。由于分片组内数据比较均匀，所以分片组内可以避免热点数据问题。
<tableRule name="auto-sharding-rang-mod">
<rule>
<columns>idcolumns>
<algorithm>rang-modalgorithm>
rule>
tableRule>
<function name="rang-mod"
class="org.opencloudb.route.function.PartitionByRangeMod">
<property name="mapFile">partition-range-mod.txtproperty>
<property name="defaultNode">21property>
function>配置说明：
上面 columns 标识将要分片的表字段，algorithm 分片函数
rang-mod 函数中 mapFile 代表配置文件路径
defaultNode 超过范围后的默认节点顺序号，节点从 0 开始。
partition-range-mod.txt
range start-end ,data node group size
以下配置一个范围代表一个分片组，=号后面的数字代表该分片组所拥有的分片的数量。
0-200M=5 //代表有 5 个分片节点
200M1-400M=1
400M1-600M=4
600M1-800M=4
800M1-1000M=62.13.日期范围hash分片
思想与范围求模一致，当由于日期在取模会有数据集中问题，所以改成 hash 方法。
先根据日期分组，再根据时间 hash 使得短期内数据分布的更均匀
优点可以避免扩容时的数据迁移，又可以一定程度上避免范围分片的热点问题
要求日期格式尽量精确些，不然达不到局部均匀的目的
<tableRule name="rangeDateHash">
<rule>
<columns>col_datecolumns>
<algorithm>range-date-hashalgorithm>
rule>
tableRule>
<function name="range-date-hash"
class="org.opencloudb.route.function.PartitionByRangeDateHash">
<property name="sBeginDate">2014-01-01 00:00:00property>
<property name="sPartionDay">3property>
<property name="dateFormat">yyyy-MM-dd HH:mm:ssproperty>
<property name="groupPartionSize">6property>
function>sPartionDay 代表多少天分一个分片
groupPartionSize 代表分片组的大小
2.14.冷热数据分片
根据日期查询日志数据 冷热数据分布 ，最近 n 个月的到实时交易库查询，超过 n 个月的按照 m 天分片。
<tableRule name="sharding-by-date">
<rule>
<columns>create_timecolumns>
<algorithm>sharding-by-hotdatealgorithm>
rule>
tableRule>
<function name="sharding-by-hotdate" class="org.opencloudb.route.function.PartitionByHotDate">
<property name="dateFormat">yyyy-MM-ddproperty>
<property name="sLastDay">10property>
<property name="sPartionDay">30property>
function>2.15.自然月分片
按月份列分区 ，每个自然月一个分片，格式 between 操作解析的范例。
<tableRule name="sharding-by-month">
<rule>
<columns>create_timecolumns>
<algorithm>sharding-by-monthalgorithm>
rule>
tableRule>
<function name="sharding-by-month"
class="org.opencloudb.route.function.PartitionByMonth">
<property name="dateFormat">yyyy-MM-ddproperty>
<property name="sBeginDate">2014-01-01property>
function>配置说明：
columns： 分片字段，字符串类型
dateFormat ： 日期字符串格式
sBeginDate ： 开始日期
PartitionByMonth partition = new PartitionByMonth();
partition.setDateFormat("yyyy-MM-dd");
partition.setsBeginDate("2014-01-01");
partition.init();
Assert.assertEquals(true, 0 == partition.calculate("2014-01-01"));
Assert.assertEquals(true, 0 == partition.calculate("2014-01-10"));
Assert.assertEquals(true, 0 == partition.calculate("2014-01-31"));
Assert.assertEquals(true, 1 == partition.calculate("2014-02-01"));
Assert.assertEquals(true, 1 == partition.calculate("2014-02-28"));
Assert.assertEquals(true, 2 == partition.calculate("2014-03-1"));
Assert.assertEquals(true, 11 == partition.calculate("2014-12-31"));
Assert.assertEquals(true, 12 == partition.calculate("2015-01-31"));
Assert.assertEquals(true, 23 == partition.calculate("2015-12-31"));3 自定义MyCat分片规则
3.1.修改rule.xml中文件规则的定义
进入安装的MyCat目录，添加tableRule：
<tableRule name="mod50-long">
<rule>
<columns>idcolumns>
<algorithm>mod50-longalgorithm>
rule>
tableRule>添加function内容：
<function name="mod50-long" class="io.mycat.route.function.PartitionByMod">
<property name="count">50property>
function>3.2.修改schema.xml
<mycat:schema xmlns:mycat="http://io.mycat/">
<schema name="TESTDB" checkSQLschema="false" sqlMaxLimit="100">
<table name="tb_pos_trade" primaryKey="id" autoIncrement="true" subTables="tb_pos_trade$1-50" dataNode="dn1" rule="mod50-long" />
schema>
<dataNode name="dn1" dataHost="m1" database="db1" />
<dataNode name="dn2" dataHost="m2" database="db1" />
<dataHost name="m1" maxCon="1000" minCon="10" balance="0" writeType="0" dbType="mysql" dbDriver="native" switchType="1" slaveThreshold="100">
<heartbeat>select user()heartbeat>
<writeHost host="m1" url="bigdata1:3306" user="root" password="123456">
<readHost host="hostS2" url="bigdata1:3306" user="root" password="123456" />
writeHost>
dataHost>
<dataHost name="m2" maxCon="1000" minCon="10" balance="0" writeType="0" dbType="mysql" dbDriver="native" switchType="1" slaveThreshold="100">
<heartbeat>select user()heartbeat>
<writeHost host="m2" url="bigdata2:3306" user="root" password="123456">writeHost>
dataHost>
mycat:schema>4 其它术语
4.1.逻辑表
既然有逻辑库，那么就会有逻辑表，分布式数据库中，对应用来说，读写数据的表就是逻辑表。逻辑表，可 以是数据切分后，分布在一个或多个分片库中，也可以不做数据切分，不分片，只有一个表构成。
4.2.分片表
分片表，是指那些原有的很大数据的表，需要切分到多个数据库的表，这样，每个分片都有一部分数据，所 有分片构成了完整的数据。
例如在 mycat 配置中的 t_node 就属于分片表，数据按照规则被分到 dn1,dn2 两个分片节点(dataNode) 上。
<table name=”t_node” primaryKey=”vid” autoIncrement=”true” dataNode=”dn1,dn2” rule1>table>4.3.非分片表
一个数据库中并不是所有的表都很大，某些表是可以不用进行切分的，非分片是相对分片表来说的，就是那 些不需要进行数据切分的表。
如下配置中 t_node，只存在于分片节点（dataNode）dn1 上。
<table name=”t_node” primaryKey=”vid” autoIncrement=”true” dataNode=”dn1”>table>4.4.ER表
关系型数据库是基于实体关系模型（Entity-Relationship Model)之上，通过其描述了真实世界中事物与关 系，Mycat 中的 ER 表即是来源于此。根据这一思路，提出了基于 E-R 关系的数据分片策略，子表的记录与所关 联的父表记录存放在同一个数据分片上，即子表依赖于父表，通过表分组（Table Group）保证数据 Join 不会跨 库操作。
表分组（Table Group）是解决跨分片数据 join 的一种很好的思路，也是数据切分规划的重要一条规则。
4.5.全局表
一个真实的业务系统中，往往存在大量的类似字典表的表，这些表基本上很少变动，字典表具有以下几个特 性：
• 变动不频繁
• 数据量总体变化不大
• 数据规模不大，很少有超过数十万条记录。 对于这类的表，在分片的情况下，当业务表因为规模而进行分片以后，业务表与这些附属的字典表之间的关 联，就成了比较棘手的问题，所以 Mycat 中通过数据冗余来解决这类表的 join，即所有的分片都有一份数据的拷 贝，所有将字典表或者符合字典表特性的一些表定义为全局表。 数据冗余是解决跨分片数据 join 的一种很好的思路，也是数据切分规划的另外一条重要规则。
4.6关于分布式事务
参考书籍:《分布式数据库架构及企业实践-基于Mycat中间件》中的第7章。