ShardingSphere数据分片

码农在囧途

坚持是一件比较难的事，坚持并不是自欺欺人的一种自我麻痹和安慰，也不是做给被人的，我觉得，坚持的本质并没有带着过多的功利主义，如果满是功利主义，那么这个坚持并不会长久，也不会有好的收获，坚持应该带着热爱，带着思想，把它当成习惯，但是并不是内卷，而是一种发自内心的喜欢和平实！希望我们都有自己的坚持，坚持写一篇文章，坚持爱一个人，坚持读一本书，坚持走向远方！

前言

上一篇我们说了ShardingSphere的读写分离，使用读写分离能够减轻单库的读写操作，从而提升数据库的吞吐量，但是当数据库中表的数据量到达一定数量时，我们可能就会需要进行分片了，
分片又分为垂直分片和水平分片，下面我们对二者进行简单的分析。

垂直分片

我们的一个数据库中通常是有很多数据表的，不过可能由于我们的分类不到位，就会出现涝的涝死旱的旱死的局面，比如某些数据表的读写操作十分频繁，而我的这个库中大量的集中了这种
读写操作频繁的表，那么整体的吞吐量就会降低，而某个库中又集中了读写不频繁的表，吞吐量十分的高(但是好像没什么卵用)，所以我们应该合理的分配，以保证整理的吞吐量达到最大值，
下图将数据表各分到了一个数据库中。

image.png

不过垂直分片不能从根本上解决读写瓶颈，因为不管你再怎么分，所有的数据始终都集中在一张表里面，就算数据库的性能再好，也解决不了这个问题。所以我们需要进行
更加细粒度的划分，下面我们来讲解水平分片。

水平分片

水平分片又可以叫做横向拆分，就是将一张大表拆分为若干张小表，比如我一张表中有1亿条数据，那么我拆分为10张表，每张表中存1000万条数据，那么效率就会变高，
还有些数据需要进行分类和归档，那么我们也需要进行分表，之前我们系统中一个表用来存储文档信息，有十多年因为数据量十分庞大，在业务中需要对文档进行排序等操作，本来查询就比较
耗时了，再加上需要进行逻辑上的处理，所以就更加耗时，于是就进行了分表，将每一年的数据存进一个表，这样就提高了查询效率，并且更加容易对数据进行追踪和管理，如下就是水平
分片的图例。

image.png

ShardingSphere数据分片实战

使用ShardingSphere数据分片，我们只需通过简单的配置就能实现，ShardingSphere帮我们屏蔽了底层逻辑，我们也可通过ShardingSphere预留的
接口和SPI进行扩展我们的需求，比如可以实现我们自己的分片算法，主键生成策略等等。

下面演示将文档按照年份进行分表，将文档数据分表至2013年至2022年来存，一般我们的配置文件都是配置在nacos上面，所以能够灵活的进行配置，
当到了2023年，我们可以添加一个2023年的表，改下nacos的配置，当然，一般会先预留出数据表，nacos上面也留出空间，我们的是预留到2032年，
留出了10年。

yml文件

我们重点关注下面的一些配置，actual-data-nodes代表进行分片的表，使用表达式，document.document_$->{2013..2022}代表document数据库
下面的document_前缀的表进行分片，如document_2022，document_2021，{2013..2022}代表2013到2022这个区间，sharding-column是分片列，
是我们数据表中的某个字段，就是根据它来进行分片，sharding-algorithms是分片算法，我们可以通过SPI来实现自己的分片算法，接口是StandardShardingAlgorithm，
如下我们使用的是INLINE基于行表达式的分片算法，algorithm-expression是分片表达式，ShardingSphere底层会进行解析表达式，然后分片到对应的数据表上面，
我们的表达式是document_$->{year}，也就是根据年进行分片，当然，我们可以根据自己的需求去写表达式，比如根据主键取模进行分片等，需要根据我们的实际场景去做，
key-generate-strategy是主键生成策略，ShardingSphere支持自定义主键生成策略，我们只需要通过SPI就可以实现，接口是KeyGenerateAlgorithm，已经
实现了UUID和snowflake雪花算法等主键生成策略。

spring:
  shardingsphere:
    mode:
      type: Standalone
      repository:
        type: File
      overwrite: true
    datasource:
      names: document
      document:
        jdbc-url: jdbc:mysql://localhost:3306/document?serverTimezone=UTC&useSSL=false&useUnicode=true&characterEncoding=UTF-8
        type: com.zaxxer.hikari.HikariDataSource
        driver-class-name: com.mysql.jdbc.Driver
        username: root
        password: qwer123@
    rules:
      sharding:
        tables:
          document:
            actual-data-nodes: document.document_$->{2013..2022}
            table-strategy:
              standard:
                sharding-column: year #分片列
                sharding-algorithm-name: document-inline # 分片算法名称
            key-generate-strategy:
              column: id # 主键列
              key-generator-name: timestamp #主键生成算法
        sharding-algorithms: #分片算法
          document-inline:
            type: INLINE
            props:
              algorithm-expression: document_$->{year}
        key-generators:
          timestamp:
            type: SNOWFLAKE

测试数据数据分片

虚幻插入十次，每次都插入2013年到2022年的数据。

void addDocSliceYear(){
    for (int i = 0; i < 10; i++) {
        for (int year = 2013; year <= 2022; year++) {
            Document document = new Document()
                .setDocumentName("document year【" + year + "】")
                .setDocumentDetail("year【" + year + "】")
                .setYear(year);
            documentService.save(document);
        }
    }
}

image.png

image.png

我们可以看出，数据分片成功，我们看一下分片的数据怎么查询的（此处只是单表查询），我们看一下ShardingSphere-SQL输出的sql语句

SELECT  id,document_name,document_detail,year  FROM document_2013 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2014 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2015 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2016 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2017 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2018 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2019 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2020 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2021 
UNION ALL SELECT  id,document_name,document_detail,year  FROM document_2022

从控制台打印的SQL语句中看出，ShardingSphere分片查询使用的是UNION ALL，UNION ALL实现把前后两个SELECT集合的数据联合起来，组成一个结果集查询输出，
联合查询需要每个表中的的字段相同，字段类型相同，数量相同，这也是分片的基本要求。

上面我们只演示了单表的数据分片查询，如果是多表查询，我们需要配置binding-tables绑定表，这样能够减少查询的笛卡尔积，从而提升查询效率，我们就不做
详细的介绍，可去官网自己查看。

分片算法

ShardingSphere的分片算法有多种，我们也可以自己实现一套分片算法，通过SPI，分片算法的顶层接口是ShardingAlgorithm，目前实现了多种算法。

BoundaryBasedRangeShardingAlgorithm: 基于分片边界的范围分片算法

VolumeBasedRangeShardingAlgorithm: 基于分片容量的范围分片算法

ComplexInlineShardingAlgorithm: 基于行表达式的复合分片算法

AutoIntervalShardingAlgorithm: 基于可变时间范围的分片算法

ClassBasedShardingAlgorithm: 基于自定义类的分片算法

HintInlineShardingAlgorithm: 基于行表达式的 Hint 分片算法

IntervalShardingAlgorithm: 基于固定时间范围的分片算法

HashModShardingAlgorithm: 基于哈希取模的分片算法

InlineShardingAlgorithm: 基于行表达式的分片算法

ModShardingAlgorithm: 基于取模的分片算法

CosIdModShardingAlgorithm: 基于 CosId 的取模分片算法

CosIdIntervalShardingAlgorithm: 基于 CosId 的固定时间范围的分片算法

CosIdSnowflakeIntervalShardingAlgorithm: 基于 CosId 的雪花ID固定时间范围的分片算法

分布式主键生成算法

ShardingSphere也可以自定义实现主键生成策略，通过SPI，顶层接口为KeyGenerateAlgorithm，目前实现的算法有。

SnowflakeKeyGenerateAlgorithm 基于雪花算法的分布式主键生成算法

UUIDKeyGenerateAlgorithm: 基于 UUID 的分布式主键生成算法

CosIdKeyGenerateAlgorithm: 基于 CosId 的分布式主键生成算法

CosIdSnowflakeKeyGenerateAlgorithm: 基于 CosId 的雪花算法分布式主键生成算法

NanoIdKeyGenerateAlgorithm: 基于 NanoId 的分布式主键生成算法

总结

ShardingSphere能够方便的实现数据分片，但是数据分片本身就是一件迫不得已的事情，它会是我们的业务变得更加的复杂，在设计的时候需要经过严格的考量后再进行数据分片，防止出现一些不必要的麻烦。

关于ShardingSphere的数据分片，我们就说到这里，感谢你的观看，我们下期再见。