分库分表和数据库分片方案
数据库数据量达到千万级别时查询效率会很低，分库分表是一种很有效的解决方案。
垂直划分和水平划分
垂直划分：垂直划分又分为垂直分库和垂直分表两种，垂直分库就是将关联度低的各种表放在不同的数据库中，垂直分表是针对表的列进行的，将字段拆到其他表中形成新表，这样表的记录就会变小，索引就会降低空间消耗，提升性能。垂直划分业务逻辑清晰便于管理，提升高并发性能，但是表无法连接查询，涉及分布式事务技术，且不能从本质上减少表的大数据量，还需要借助水平划分。
水平划分：分为分库分表和库内分表，库内分表由于还是共用cpu和IO提升不明显，将表的记录按照一定的逻辑分散到多个数据库多个表中，水平划分彻底解决了大表问题，但还是存在连接查询不方便，需要引入分布式事务等缺点。
水平划分的数据分片规则主要有两种：首先是根据不同的时间分库，比如每一天的数据生成一个数据库，或者冷热数据分离，根据数据查询的频率分库，其次是根据某个字段计算hash值来划分，但容易面临复杂的查询问题，如果查询语句中不涉及该字段将导致无法直接定位到数据库。
分库分表带来的问题
1、分布式事务：跨库事务操作，分布式事务需要协调多个节点，延长了事务的执行时间，并发访问发生冲突和死锁的概率增高，对事务一致性要求不高的系统可以不苛求实时一致性，而追求最终一致性即可，也就是事务补偿：对数据检查，日志对比等。
（分布式事务产生的原因可能是因为分库分表，也可能是因为应用SOA化）
2、连接查询问题
解决方案有：使用全局表（将各模块都有可能依赖的表在每个数据库都保存一份）、字段冗余（一种反范式设计，根据连接查询业务将要连接查询的信息加入表中）、数据组装（将连接查询拆分成两次）、将关联的表放在一起、频繁的连接查询可以建立对应的映射表
复杂的查询还可能用到基因法：
假如要用name查id但是不知道id在哪个库中，可以让name在设计时就跟随一个标记，可以根据这个标记或者标记计算出来的hash值直接拿到id所在的库位置
3、跨节点分页、排序、函数
都要在各自的表中执行一遍，然后将结果汇总起来再执行一遍
4、全局主键避重问题
可以用uuid（生成一个32个16进制数字）、用一个特殊的表生成主键（设置成自增，每次取出这个值）、建立多个ID生成服务器（第一个产生1、3/5、。。。第二个2/4/6.。）、还可以利用缓存（每次只通过表生成一个ID，然后将ID拓展多个值放在内存中等待取用，然后取用完毕继续生成）、根据实际业务设计一个根据时间生成的字符串（精确到毫秒位，每一个毫秒再设计1000个独立数）
5、数据扩容和迁徙
如果是根据主键范围分库的话，扩容很简单，如果是哈希取模分片，那就要用到一致性hash
分片方案
数据库分片的逻辑可以封装在应用端的持久层，也可以在应用和数据之间加一层代理，在中间件中维护分片逻辑。