ShardingSphere數據分片算法及測試源碼分析

這篇文章主要介紹“ShardingSphere數據分片算法及測試源碼分析”的相關知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強，希望這篇“ShardingSphere數據分片算法及測試源碼分析”文章能幫助大家解決問題。

垂直分片

我們的一個數據庫中通常是有很多數據表的，不過可能由于我們的分類不到位，就會出現澇的澇死旱的旱死的局面，比如某些數據表的讀寫操作十分頻繁，而我的這個庫中大量的集中了這種 讀寫操作頻繁的表，那么整體的吞吐量就會降低，而某個庫中又集中了讀寫不頻繁的表，吞吐量十分的高(但是好像沒什么卵用)，所以我們應該合理的分配，以保證整理的吞吐量達到最大值， 下圖將數據表各分到了一個數據庫中。

不過垂直分片不能從根本上解決讀寫瓶頸，因為不管你再怎么分，所有的數據始終都集中在一張表里面，就算數據庫的性能再好，也解決不了這個問題。所以我們需要進行 更加細粒度的劃分，下面我們來講解水平分片。

水平分片

水平分片又可以叫做橫向拆分，就是將一張大表拆分為若干張小表，比如我一張表中有1億條數據，那么我拆分為10張表，每張表中存1000萬條數據，那么效率就會變高， 還有些數據需要進行分類和歸檔，那么我們也需要進行分表，之前我們系統中一個表用來存儲文檔信息，有十多年因為數據量十分龐大，在業務中需要對文檔進行排序等操作，本來查詢就比較 耗時了，再加上需要進行邏輯上的處理，所以就更加耗時，于是就進行了分表，將每一年的數據存進一個表，這樣就提高了查詢效率，并且更加容易對數據進行追蹤和管理，如下就是水平 分片的圖例。

ShardingSphere數據分片實戰

使用ShardingSphere數據分片，我們只需通過簡單的配置就能實現，ShardingSphere幫我們屏蔽了底層邏輯，我們也可通過ShardingSphere預留的 接口和SPI進行擴展我們的需求，比如可以實現我們自己的分片算法，主鍵生成策略等等。

下面演示將文檔按照年份進行分表，將文檔數據分表至2013年至2022年來存，一般我們的配置文件都是配置在nacos上面，所以能夠靈活的進行配置， 當到了2023年，我們可以添加一個2023年的表，改下nacos的配置，當然，一般會先預留出數據表，nacos上面也留出空間，我們的是預留到2032年， 留出了10年。

yml文件

我們重點關注下面的一些配置，actual-data-nodes代表進行分片的表，使用表達式，document.document_$->{2013..2022}代表document數據庫 下面的document_前綴的表進行分片，如document_2022，document_2021，{2013..2022}代表2013到2022這個區間，sharding-column是分片列， 是我們數據表中的某個字段，就是根據它來進行分片，sharding-algorithms是分片算法，我們可以通過SPI來實現自己的分片算法，接口是StandardShardingAlgorithm， 如下我們使用的是INLINE基于行表達式的分片算法，algorithm-expression是分片表達式，ShardingSphere底層會進行解析表達式，然后分片到對應的數據表上面， 我們的表達式是document_$->{year}，也就是根據年進行分片，當然，我們可以根據自己的需求去寫表達式，比如根據主鍵取模進行分片等，需要根據我們的實際場景去做， key-generate-strategy是主鍵生成策略，ShardingSphere支持自定義主鍵生成策略，我們只需要通過SPI就可以實現，接口是KeyGenerateAlgorithm，已經 實現了UUID和snowflake雪花算法等主鍵生成策略。

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_$->{2013..2022}
            table-strategy:
              standard:
                sharding-column: year #分片列
                sharding-algorithm-name: document-inline # 分片算法名稱
            key-generate-strategy:
              column: id # 主鍵列
              key-generator-name: timestamp #主鍵生成算法
        sharding-algorithms: #分片算法
          document-inline:
            type: INLINE
            props:
              algorithm-expression: document_$->{year}
        key-generators:
          timestamp:
            type: SNOWFLAKE

測試數據數據分片

虛幻插入十次，每次都插入2013年到2022年的數據。

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);
        }
    }
}

我們可以看出，數據分片成功，我們看一下分片的數據怎么查詢的（此處只是單表查詢），我們看一下ShardingSphere-SQL輸出的sql語句

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

從控制臺打印的SQL語句中看出，ShardingSphere分片查詢使用的是UNION ALL，UNION ALL實現把前后兩個SELECT集合的數據聯合起來，組成一個結果集查詢輸出， 聯合查詢需要每個表中的的字段相同，字段類型相同，數量相同，這也是分片的基本要求。

上面我們只演示了單表的數據分片查詢，如果是多表查詢，我們需要配置binding-tables綁定表，這樣能夠減少查詢的笛卡爾積，從而提升查詢效率，我們就不做 詳細的介紹，可去官網自己查看。

分片算法

ShardingSphere的分片算法有多種，我們也可以自己實現一套分片算法，通過SPI，分片算法的頂層接口是ShardingAlgorithm，目前實現了多種算法。

BoundaryBasedRangeShardingAlgorithm: 基于分片邊界的范圍分片算法

VolumeBasedRangeShardingAlgorithm: 基于分片容量的范圍分片算法

ComplexInlineShardingAlgorithm: 基于行表達式的復合分片算法

AutoIntervalShardingAlgorithm: 基于可變時間范圍的分片算法

ClassBasedShardingAlgorithm: 基于自定義類的分片算法

HintInlineShardingAlgorithm: 基于行表達式的 Hint 分片算法

IntervalShardingAlgorithm: 基于固定時間范圍的分片算法

HashModShardingAlgorithm: 基于哈希取模的分片算法

InlineShardingAlgorithm: 基于行表達式的分片算法

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 的固定時間范圍的分片算法

CosIdSnowflakeIntervalShardingAlgorithm: 基于 CosId 的雪花ID固定時間范圍的分片算法

分布式主鍵生成算法

ShardingSphere也可以自定義實現主鍵生成策略，通過SPI，頂層接口為KeyGenerateAlgorithm，目前實現的算法有。

SnowflakeKeyGenerateAlgorithm 基于雪花算法的分布式主鍵生成算法

UUIDKeyGenerateAlgorithm: 基于 UUID 的分布式主鍵生成算法

CosIdKeyGenerateAlgorithm: 基于 CosId 的分布式主鍵生成算法

CosIdSnowflakeKeyGenerateAlgorithm: 基于 CosId 的雪花算法分布式主鍵生成算法

NanoIdKeyGenerateAlgorithm: 基于 NanoId 的分布式主鍵生成算法

關于“ShardingSphere數據分片算法及測試源碼分析”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識，可以關注億速云行業資訊頻道，小編每天都會為大家更新不同的知識點。