(二十二)全解MySQL之分库分表后带来的“副作用”一站式解决方案！

引言

   上篇《分库分表的正确姿势》中已经将分库分表的方法论全面阐述清楚了，总体看下来用一个字形容，那就是爽！尤其是分库分表技术能够让数据存储层真正成为三高架构，但前面爽是爽了，接着一起来看看分库分表后产生一系列的后患问题，注意我这里的用词，是一系列而不是几个，也就是分库分表虽然好，但你要解决的问题是海量的。

PS：个人编写的《技术人求职指南》小册已完结，其中从技术总结开始，到制定期望、技术突击、简历优化、面试准备、面试技巧、谈薪技巧、面试复盘、选Offer方法、新人入职、进阶提升、职业规划、技术管理、涨薪跳槽、仲裁赔偿、副业兼职……，为大家打造了一套“从求职到跳槽”的一条龙服务，同时也为诸位准备了七折优惠码：3DoleNaE，近期需要找工作的小伙伴可以复制链接了解详情：https://s.juejin.cn/ds/USoa2R3/

一、垂直分表后带来的隐患

   垂直分表后当试图读取一条完整数据时，需要连接多个表来获取，对于这个问题只要在切分时，设置好映射的外键字段即可。当增、删、改数据时，往往需要同时操作多张表，并且要保证操作的原子性，也就是得手动开启事务来保证，否则会出现数据不一致的问题。

这里可以看到，垂直分表虽然会有后患问题，但带来的问题本质上也不算大问题，就是读写数据的操作会相对麻烦一些，下面来看看其他的分库分表方案，接下来是真正的重头戏。

二、水平分表后带来的问题

   水平分表就是将一张大表的数据，按照一定的规则划分成不同的小表，当原本的一张表变为多张表时，虽然提升了性能，但问题随之也来了~

2.1、多表联查问题（Join）

   之前在库中只存在一张表，所以非常轻松的就能进行联表查询获取数据，但是此时做了水平分表后，同一张业务的表存在多张小表，这时再去连表查询时具体该连接哪张呢？似乎这时问题就变的麻烦起来了，怎么办？解决方案如下：

• • ①如果分表数量是固定的，直接对所有表进行连接查询，但这样性能开销较大，还不如不分表。

• • ②如果不想用①，或分表数量会随时间不断变多，那就先根据分表规则，去确定要连接哪张表后再查询。

• • ③如果每次连表查询只需要从中获取1~3
  个字段，就直接在另一张表中设计冗余字段，避免连表查询。

第一条好理解，第二条是啥意思呢？好比现在是按月份来分表，那在连表查询前，就先确定要连接哪几张月份的表，才能得到自己所需的数据，确定了之后再去查询对应表即可，这里该如何落地实现呢？大家别急，会在后续的《库内分表篇》去详细讲解。

2.2、增删改数据的问题

   当想要增加、删除、修改一条数据时，因为存在多张表，所以又该去哪张表中操作呢？这里还是前面那个问题，只要在操作前确定好具体的表即可。但还有一种情况，就是批量变更数据时，也会存在问题，要批量修改的数据该具体操作哪几张分表呢？依旧需要先定位到具体分表才行。

2.3、聚合操作的问题

   之前因为只有一张表，所以进行sum()、count()....、order by、gorup by....
等各类聚合操作时，可以直接基于单表完成，但此刻似乎行不通了呀？对于这类聚合操作的解决方案如下：

• • ①放入第三方中间件中，然后依赖于第三方中间件完成，如ES
  。

• • ②定期跑脚本查询出一些常用的聚合数据，然后放入Redis
  缓存中，后续从Redis
  中获取。

• • ③首先从所有表中统计出各自的数据，然后在Java
  中作聚合操作。

前面两种操作比较好理解，第三种方案是什么意思呢？比如count()
函数，就是对所有表进行统计查询，最后在Java
中求和，好比分组、排序等工作，先从所有表查询出符合条件的数据，然后在Java
中通过Stream
流进行处理。

上述这三种方案都是比较合理且常规的方案，最好是选择第一种，这也是一些大企业选用的方案。

到这里就大致聊清楚了单库中分表的一些主要问题，一般情况下库内无需做分表，只有一些特殊场景下需要做，具体的会在后续《库内分表篇》讲解，下面聊聊分库问题，分库带来的问题更多更复杂。

三、垂直分库后产生的问题

   垂直分库是按照业务属性的不同，直接将一个综合大库拆分成多个功能单一的独享库，分库之后能够让性能提升N
倍，但随之而来的是需要解决更多的问题，而且问题会比单库分表更复杂！

3.1、跨库Join问题

   因为将不同业务的表拆分到了不同的库中，而往往有些情况下可能会需要其他业务的表数据，在单库时直接join
连表查询相应字段数据即可，但此时已经将不同的业务表放到不同库了，这时咋办？跨库Join
也不太现实呀，此时有如下几种解决方案：

• • ①在不同的库需要数据的表中冗余字段，把常用的字段放到需要要数据的表中，避免跨库连表。

• • ②选择同步数据，通过广播表/网络表/全局表将对应的表数据直接完全同步一份到相应库中。

• • ③在设计库表拆分时创建ER
  绑定表，具备主外键的表放在一个库，保证数据落到同一数据库。

• • ④Java
  系统中组装数据，通过调用对方服务接口的形式获取数据，然后在程序中组装后返回。

这四种方案都能够解决需要跨库Join
的问题，但第二、三种方案提到了广播表/网络表/全局表、ER
绑定表似乎之前没听说过对嘛？这其实是分库分表中的一些表名词，后续《分库分表实践篇》具体落地时会详细讲解。但往往垂直分库的场景中，第四种方案是最常用的，因为分库分表的项目中，Java
业务系统那边也绝对采用了分布式架构，因此通过调用对端API
接口来获取数据，是分布式系统最为常见的一种现象。

3.2、分布式事务问题

   分布式事务应该是分布式系统中最核心的一个问题，这个问题绝对不能出现，一般都要求零容忍，也就是所有分布式系统都必须要解决分布式事务问题，否则就有可能造成数据不一致性。

在之前单机的MySQL
中，数据库自身提供了完善的事务管理机制，通过begin、commit/rollback
的命令可以灵活的控制事务的提交和回滚，在Spring
要对一组SQL
操作使用事务时，也只需在对应的业务方法上加一个@Transactional
注解即可，但这种情况在分布式系统中就不行了。

为什么说MySQL
的事务机制会在分布式系统下失效呢？因为InnoDB
的事务机制是建立在Undo-log
日志的基础上完成的，以前只有一个Undo-log
日志，所以一个事务的所有变更前的数据，都可以记录在同一个Undo-log
日志中，当需要回滚时就直接用Undo-log
中的旧数据覆盖变更过的新数据即可。

但垂直分库之后，会存在多个MySQL
节点，这自然也就会存在多个Undo-log
日志，不同库的变更操作会记录在各自的Undo-log
日志中，当某个操作执行失败需要回滚时，仅能够回滚自身库变更过的数据，对于其他库的事务回滚权，当前节点是不具备该能力的，所以此时就必须要出现一个事务管理者来介入，从而解决分布式事务问题。

上述提到的通过第三方：事务管理者来介入，这只属于分布式事务问题的一种解决方案，解决方案如下：

• • ①Best Efforts 1PC
  模式。

• • ②XA 2PC、3PC
  模式。

• • ③TTC
  事务补偿模式。

• • ④MQ
  最终一致性事务模式。

上述是解决分布式事务问题的四种思想，目前最常用的Seata
的两种模式就是基于XA-3PC
和TCC
思想实现的，但对于这些具体的讲解，会放到后面的《分布式事务篇》中讲解，这里了解即可。

3.3、部分业务库依旧存在性能瓶颈问题

这种情况前面说到过，经过垂直分库之后，某些核心业务库依旧需要承载过高的并发流量，因此一单节点模式部署，依然无法解决所存在的性能瓶颈，对于这种情况直接再做水平分库即可，具体过程请参考阶段二。

四、水平分库后需要解决的问题

   水平分库这种方案，能够建立在垂直分库的基础上，进一步对存储层做拓展，能够让某些业务库具备更高的并发处理能力，不过水平分库虽然带来的性能收益巨大，但产生的问题也最多！

4.1、聚合操作和连表问题

   对单个业务库做了水平分库后，也就是又对单个业务库做了横向拓展后，一般都会将库中所有的表做水平切分，也就是不同库中的所有表，每个水平库节点中存储的数据是不同的，这时又会出现4.2
阶段聊到的一些问题，如单业务的聚合操作、连表操作会无法进行，这种情况的解决思路和水平分表时一样，先确定读写的数据位于哪个库表中，然后再去生成SQL
并执行。

当然，对于这类情况，如果只是因为并发过高导致出现性能瓶颈，最好的选择是直接做业务库集群，也就是拓展出的所有节点，数据都存一模一样的，这样无论在任何库中都具备完整数据，所以就无需先定位目标数据所处的库再操作。

但如果数据量也比较大，就只能做水平分库分表了，相同业务不同的数据库节点，存储不同范围的数据，能够在最大程度上提升存储层的吞吐能力，但会让读写操作困难度增高，因为读写之前需要先定位读写操作到底要落到哪个节点中处理。

4.2、数据分页问题

   以MySQL
数据库为例，如果是在之前的单库环境中，可以直接通过limit index,n
的方式来做分页，而水平分库后由于存在多个数据源，因此分页又成为了一个难题，比如10
条数据为1
页，那如果想要拿到某张表的第一页数据，就必须通过如下手段获取：

分页情况

这种方式可以是可以，但略微有些繁杂，同时也会让拓展性受限，比如原本有两个水平分库的节点，因此只需要从两个节点中拿到第一页数据，然后再做一次过滤即可，但如果水平库从两节点扩容到四节点，这时又要从四个库中各自拿10
条数据，然后做过滤操作，读取前十条数据显示，这显然会导致每次扩容需要改动业务代码，对代码的侵入性有些强，所以合理的解决方案如下：

• • ①常用的分页数据提前聚合到ES
  或中间表，运行期间跑按时更新其中的分页数据。

• • ②利用大数据技术搭建数据中台，将所有子库数据汇聚到其中，后续的分页数据直接从中获取。

• • ③上述聊到的那种方案，从所有字库中先拿到数据，然后在Service
  层再做过滤处理。

上述第一种方案是较为常用的方案，但这种方案对数据实时性会有一定的影响，使用该方案必须要能接受一定延时。第二种方案是最佳的方案，但需要搭建完善的大数据系统作为基础，成本最高。第三种方案成本最低，但对拓展性和代码侵入性的破坏比较严重。

4.3、ID主键的唯一性问题

   在之前的单库环境时，对于一张表的主键通常会选用整数型字段，然后通过数据库的自增机制来保证唯一性，但在水平分库多节点的情况时，假设还是以数据库自增机制来维护主键唯一性，这就绝对会出现一定的问题，可能会导致多个库中出现ID
相同、数据不同的情况，如下：

插入数据

上述两个库需要存储不同的数据，当插入数据的请求被分发到对应节点时，如果再依据自增机制来确保ID
唯一性，因为这里有两个数据库节点，两个数据库各自都维护着一个自增序列，因此两者ID
值都是从1
开始往上递增的，这就会导致前面说到的ID
相同、数据不同的情况出现，那此时又该如何解决呢？如下：

自增步长

这时可以根据水平库节点的数量来设置自增步长，假设此时有两个库，那自增步长为2
，两个库的ID
起始值为：{DB1:1}、{DB2:2}
，最终达到上图中的效果，无论在插入数据的操作落入哪个节点，都能够确保ID
的唯一性。当然，保障分布式系统下ID
唯一性的解决方案很多，如下：

• • ①通过设置数据库自增机制的起始值和步长，来控制不同节点的ID
  交叉增长，保证唯一性。

• • ②在业务系统中，利用特殊算法生成有序的分布式ID
  ，比如雪花算法、Snowflake
  算法等。

• • ③利用第三方中间件生产ID
  ，如使用Redis
  的incr
  命令、或创建独立的库专门做自增ID
  工作。

上述这几种方案都是较为主流的分布式ID
生成的方案，同时也能够保证ID
的有序性，能够最大程度上维护索引的性能，相对来说第一种方案成本最低，但是会限制节点的拓展性，也就是当后续扩容时，数据要做迁移，同时要重新修改起始值和自增步长。

一般企业中都会使用第二种方案，也就是通过分布式ID
生成的算法，在业务系统中生成有序的分布式ID
，以此来确保ID
的唯一性，但具体该如何去实现，这点会放到后续的《分布式ID
篇》讲解。

4.4、数据的落库问题

   对数据库做了水平拆分后，数据该怎么存储呢？写操作究竟该落到哪个库呢？读操作又如何确定数据在哪个库中呢？比如新增一条ID=987215
的数据，到底插入到哪个库中，需要这条数据时又该如何查询？这显然是做了水平拆分之后必须要思考的问题，这定然不能随便写，因为写过的数据在后续业务中肯定会用到，所以写数据时需要根据一定规则去落库，这样才能在需要时能定位到数据。

但数据的拆分规则，或者被称之为路由规则，具体的还是要根据自己的业务来进行选择，在拆分时只需遵循：数据分布均匀、查询方便、扩容/迁移简单这几点原则即可。

一般简单常用的数据分片规则如下：

• • ①随机分片：随机分发写数据的请求，但查询时需要读取全部节点才能拿取数据，一般不用。

• • ②连续分片：每个节点负责存储一个范围内的数据，如DB1:1~500W、DB2:500~1000W....
  。

• • ③取模分片：通过整数型的ID
  值与水平库的节点数量做取模运算，最终得到数据落入的节点。

• • ④一致性哈希：根据某个具备唯一特性的字段值计算哈希值，然后再通过哈希值做取模分片。

• • ..........

总之想要处理好数据的落库问题，那首先得先确定一个字段作为分片键/路由键，然后基于这个字段做运算，确保同一个值经计算后都能分发到同一个节点，这样才能确保读写请求正常运转，但关于具体该如何去做，会在后续的《MySQL分库分表实践篇》去落地。

4.5、流量迁移、容量规划、节点扩容等问题

流量迁移、容量规划、节点扩容等这些问题，在做架构改进时基本上都会碰到，接着依次聊一聊。

4.5.1、流量迁移

线上环境从单库切换到分库分表模式，数据该如何迁移才能保证线上业务不受影响，对于这个问题来说，首先得写脚本将老库的数据同步到分库分表后的各个节点中，然后条件允许的情况下先上灰度发布，划分一部分流量过来做运营测试。

如果没有搭建完善的灰度环境，那先再本地再三测试确保没有问题后，采用最简单的方案，先挂一个公告：“今日凌晨两点后服务器会进入维护阶段，预计明日早晨八点会恢复正常运转”！然后停机更新，但前提工作做好，如：Java
代码从单库到分库分表要改进完善、数据迁移要做好、程序调试一切无误后再切换，同时一定要做好版本回滚支持，如果迁移流量后出现问题，可以快捷切换回之前的老库。

4.5.2、容量规划

关于分库分表首次到底切分成多少个节点合适，对于这点业内没有明确规定，更多的要根据自身业务的流量、并发情况决定，根据实际情况先做垂直分库，然后再对于核心库做水平分库，但水平分库的节点数量要保证的是2
的整倍数，方便后续扩容。

4.5.3、节点扩容

扩容一般是指水平分库，也就是当一个业务库无法承载流量压力时，需要对相应的业务的节点数量，但扩容时必须要考虑本次增加节点会不会影响之前的业务，因为很多情况下，当节点的数量发生改变时，可能会影响数据分片的路由规则，这时就要考虑扩容是否会影响原本的路由规则。

扩容一般都是基于水平分库的基础上，进一步对水平库做节点扩容，目前业内有两种主流做法：水平双倍扩容法、异步双写扩容法。

水平双倍扩容法

想要使用双倍扩容法对节点进行扩容，首先必须要求原先节点数为2
的整数倍，同时路由规则必须要为数值取模法、或Hash
取模法，否则依旧会造成扩容难度直线提升。同时双倍扩容法还有一种进阶做法，被称之为从库升级法，也就是给原本每个节点都配置一个从库，然后同步主节点的所有数据，当需要扩容时仅需将从库升级为主节点即可，过程如下：

水平分库-两节点

起初某个业务的水平库节点数量为2
，因此业务服务中的数据源配置为{DB0:144.xxx.xxx.001、DB1:144.xxx.xxx.002}
，当读写数据时，如果路由键经哈希取模运算后的结果为0
，则将对应请求落到DB0
处理，如若取模结果为1
，则将数据落到DB1
中处理，此时两节点的数据如下：

• • DB0：{2、4、6、8、10、12、14、16.....}

• • DB1：{1、3、5、7、9、11、13、15......}

同时DB0、DB1
两个节点都各有一个从节点，从节点会同步各自主节点的所有数据，此时假设两个节点无法处理请求压力时，需要进一步对水平库做扩容，这时可直接将从节点升级为主节点，过程如下：

水平扩容-四节点

经过扩容之后，节点数量变成了4
，所有首先得修改业务服务中的数据源配置为{DB0:144.xxx.xxx.001、DB1:144.xxx.xxx.002}、{DB2:144.xxx.xxx.003、DB3:144.xxx.xxx.004}
，然后将路由算法修改为%4
，最终数据分片如下：

• • DB0：{4, 8, 12, 16, 20, 24.....}

• • DB1：{1, 5, 9, 13, 17, 21......}

• • DB2：{2, 6, 10, 14, 18, 22.....}

• • DB3：{3, 7, 11, 15, 19, 23.....}

此时要注意，因为DB2
原本属于DB0
的从库，所以具备原本DB0
的所有数据，现在再观察上述的数据分片情况，对比如下：

• • 扩容后的DB2：{2, 6, 10, 14, 18, 22.....}

• • 扩容前的DB0：{2、4、6、8、10、12、14、16.....}

此时大家应该会发现，扩容后DB2
中落入的分片数据，原本都是存在于DB0
中的，而DB2
原先就是DB0
的从库，所以也具备之前DB0
中数据，因此采用这种扩容法，基本上无需做数据迁移！

好比现在要查询ID=10
的数据，根据原本Hash(XX)%2
的路由算法，会落入到DB0
中读取数据，而根据现在Hash(XX)%4
的路由算法，应该落入到DB2
中读取数据，因为DB2
具备原本DB0
的数据，所以也无需在扩容后，再次从DB0
中将数据迁移过来（DB1、DB3
亦是同理）。

为了不占用存储空间，也可以在凌晨两点到六点这段业务低峰期，去跑脚本删除重复的数据，因为目前DB0、DB2
之间的数据完全相同，都包含了对方要负责的分片数据，所以在跑脚本的时候就是要从自身库中删除对方的数据（DB1、DB3
亦是同理）。

这种从库升级扩容法是双倍扩容法的进阶实现，但这种情况会浪费一倍的机器，所以适用于一些流量特别大的场景，因为在这种扩容法中无需做数据迁移，同时扩容之后的4
个节点，也可以再为其配置4
个从库，以便于下次扩容。

当然，如果你感觉这种做法太浪费机器，也可以使用传统的双倍扩容法，即每次扩容之后，要手动从原本的库中将分片数据迁移过来，如果数据量较大时，迁移数据的时间会较长，所以只能做离线迁移。

同时在离线迁移的过程中，线上数据还有可能发生变更，所以离线迁移后还需要核对数据的一致性，过程会更繁琐一些，所以省机器还是省麻烦，需要诸位在两者之间做抉择。

如果你在的公司财大气粗，我推荐从库升级法，因为从库升级法不仅仅能够避免数据迁移，而且还能保证高可用，当主节点宕机时可以让从节点直接上线顶替，再配合Keepalived+VIP
做重启，基本上能够让数据库真正达到7x24
小时不间断运行。

异步双写扩容法

前面聊到的水平双倍扩容法，仅仅只是扩容时的一种方案，除此之外还有另一种方案称之为异步双写扩容法，大体示意图如下：

双写扩容法

对于需要扩容时的情况，首先依旧把新的数据写入到老库中，然后写完之后同步给MQ
一份，后续再由MQ
的消费者去将新数据写到新库中，同时新库在这期间，会去同步老库中原有的数据，这个动作持续到所有旧数据全部同步完成后，再以老库作为校验基准，核对数据无误后，再将模式切换为扩容后的分库模式：

双写扩容

切换到分库模式后，记得在业务代码中去掉双写的逻辑，改为路由分片的逻辑，稍微总结一下整个流程，如下：

• • 第一步：修改应用服务代码，加上MQ
  双写方案，配置新库同步老库数据，然后部署。

• • 第二步：等待新库同步复制老库中所有老数据，期间新写入的数据也会通过MQ
  写入新库。

• • 第三步：老库中的所有老数据全部同步完成后，以老库作为校验基准，校对新库中的数据。

• • 第四步：校对新老库之间的数据无误后，修改应用配置和代码，将双写改为路由分片，再次部署。

看到这里相信诸位已经明白了两种扩容方法，这两种方案都是分库分表扩容时最常用的方案，但异步双写扩容法，更适用于垂直分库后的第一次单节点扩容。而水平双倍扩容法，则适用于水平分库后的第N
次扩容。

其实异步双写方案，也可以用来做后续的节点扩容，但会相对来说比较麻烦一些。

4.6、分库后的多维度查询问题

之前单库的一张表，好比以zz_users
用户表为例，既可以通过user_id
检索数据，如：

• • select * from zz_users where user_id = 10086;

也可以通过user_name
进行数据的查找，如：

• • select * from zz_users where user_name = '竹子爱熊猫';

但是现在水平分库后呢，执行SQL
究竟该落入哪个库是根据路由键和路由算法来决定的，假设这里路由键为user_id
，此时通过user_id
查询当然没有问题，但通过user_name
查询时，就无法通过路由键定位具体DB
了，那又该怎么办呢？解决方案如下：

• • ①淘宝方案：对于订单库实现了多库多维路由键拆分，直接用了三个水平库集群，一个以用户ID
  作为路由键，一个以商户ID
  作为路由键，一个以订单时间作为路由键，三个分库集群中数据完全相同，从而满足不同维度查询数据的业务需求。

• • ②数据量小的时候时，可以通过ES
  维护路由键的二级索引，如1:竹子、2:熊猫....
  。

如果业务数据量特别巨大，可以选择第一种方案做分库集群，但如果数据量不是百亿级别的规模，则可以通过ES
建立路由键的二级索引，当基于非路由键字段查询时，先从ES
中查到路由键值，然后再根据路由键查询数据库的数据返回。

4.7、外键约束问题

一般的项目基本上都会存在主外键，虽然不会在表上添加主外键约束，但也会从逻辑上保障主外键关系，但经过水平分库后，所有的读写操作会基于路由键去分片，那此时以订单表、订单详情表为例，假设用户选择了三个购物车的商品提交订单，此时会产生一条订单记录、以及对应的三条订单详情记录，关系大致如下：

• • 订单数据：order_id=1, pay_money=8888, user_id=666, shop_order_row=3, ......

• • 订单详情数据：

• • order_info_id=1, shop_name='黄金竹子', shop_count=1, unit_price=6000.....

• • order_info_id=2, shop_name='白玉竹子', shop_count=2, unit_price=1111.....

• • order_info_id=3, shop_name='翠绿竹子', shop_count=1, unit_price=666.....

假设商品库有两个水平节点，两个商品库都具备订单表、订单详情表，而订单表的路由键是order_id
，订单详情表的路由键是order_info_id
，数据分片的路由算法为取模，那此时数据的落库情况为：

• • order_id % 2
  ：1 % 2 = 1
  ，order_id=1
  的订单数据落入DB1
  商品库中。

• • order_info_id % 2
  ：

• • 1 % 2 = 1、3 % 2 = 1
  ，order_info_id = 1、3
  的订单详情数据落入DB1
  商品库中。

• • 2 % 2 = 0
  ，order_info_id = 2
  的订单详情数据落入DB0
  商品库中。

但此时order_id=1，order_info_id=1、2、3
的数据是存在外键关系的，如果按照上述的路由方式去对数据做分片，最终就会导致通过order_id=1
的订单ID
查询订单详情时，只能在DB1
中查询到两条订单详情数据，这个问题显然是业务上无法接受的。

所以面对于这种业务上存在主外键关系的表，必须要能够确保外键所在的数据记录，必须要和主键数据记录落到同一个库中去，否则后续无法通过主键值查询到完整的数据，对于这种情况的解决方案是通过绑定表去实现（绑定表也是分库分表中的一个新概念，这里放到后面实践篇讲解，目前简单了解即可）。

五、分库后程序怎么访问数据库？

   在之前的单库模式下，业务系统需要使用数据库时，只需要在相关的配置文件中，配置单个数据源的地址、用户、密码等信息即可。但分库分表后由于存在多个数据源，程序怎么样访问数据库，配置和代码该怎么写呢？这是一个更应该关心的问题，具体可分为几种方式：

切库方案

• • 编码层：在代码中通过框架提供的数据源动态切换类实现，如Spring.AbstractRoutingDataSource
  类。

• • 框架层：一般的ORM
  框架也会提供切换数据源的实现类，比如MyBatis.Interceptor
  接口拦截SQL
  实现。

• • 驱动层：在JDBC
  驱动层拦截SQL
  语句，然后改写SQL
  实现，如Sharding-JDBC
  框架的原理就是如此。

• • 代理层：所有使用数据库的业务服务都连接代理中间件，由中间件来决定落库位置，如MyCat
  实现。

• • 服务层：如今较为流行的分布式数据库，基本上都自带分库分表功能，如TiDB、OceanBase....

一般编码层或框架层都无法单独实现数据源的切换，两者必须配合起来完成，用MyBatis.Interceptor
接口拦截SQL
语句，然后根据SQL
中的路由键做运算，最终再通过Spring.AbstractRoutingDataSource
类去动态切换数据源。但这种方案的工程量很大，实现过程也较为繁杂，所以下面直接来看一些成熟的方案，如下：

• • 工程（依赖、Jar
  包、不需要独立部署，可集成在业务项目中）

• • 淘宝网：TDDL

• • 蘑菇街：TSharding

• • 当当网：Sharding-Sphere-JDBC

• • 进程（中间件、需要独立部署的第三方进程）

• • 早年最热门、基于阿里Cobar二开的MyCat

• • 阿里B2B：Cobar

• • 奇虎360：Atlas

• • 58同城：Oceanus

• • 谷歌开源：Vitess

• • 当当网：Sharding-Sphere-Proxy

其实早些年大家听说的比较多的应该是MyCat
这款分库分表中间件，也包括前些年一般用的比较多也是它，但最近几年MyCat
不再进一步优化了，而且其核心创始人之一整天在技术群里吹水卖课，导致原本前景无限的一款产品给玩凉了，关于其创始人Leader-us
的一些故事大家可参考>>知乎回答