将原本存储于单个数据库上的数据拆分到多个数据库，把原来存储在单张数据表的数据拆分到多张数据表中，实现数据切分，从而提升数据库操作性能。分库分表的实现可以分为两种方式：垂直切分和水平切分
水平：将数据分散到多张表，设计分区键
- 分库：每个库结构一样，数据不一样，没有交集。库多了可以缓解IO和cpu压力。
- 分表：每个表结构一样，数据不一样，没有交集。表数量减少可以提高sql执行效率、减轻cpu压力。
【分布式寻址】
1.按主键ID划分：可能后续大ID对应新数据，导致负载集中在某一部分。
2.ID求Hash值对数量取余，不利于扩展。
3.一致性Hash：「存储节点」和「数据」都映射到一个首尾相连的哈希环上，如果增加或者移除一个节点，仅影响该节点在哈希环上顺时针相邻的后继节点，其它数据也不会受到影响。
垂直：将字段拆分为多张表，需要一定的重构
- 分库：每个库结构、数据都不一样。所有库的并集为全量数据。
- 分表：每个表结构、数据不一样，至少有一列交集，用于关联数据，所有表的并集为全量数据。
分库分表引入的问题：
- 分布式事务问题
对业务进行分库之后，同一个操作会分散到多个数据库中，涉及跨库执行 SQL 语句，也就出现了分布式事务问题。
比如数据库拆分后，订单和库存在两个库中，一个下单减库存的操作，就涉及跨库事务。关于分布式事务的处理，我们在专栏“分布式事务”的模块中也介绍过，可以使用分布式事务中间件，实现 TCC 等事务模型；也可以使用基于本地消息表的分布式事务实现。如果对这部分印象不深，你可以回顾下前面讲过的内容。
- 跨库关联查询问题
分库分表后，跨库和跨表的查询操作实现起来会比较复杂，性能也无法保证。在实际开发中，针对这种需要跨库访问的业务场景，一般会使用额外的存储，比如维护一份文件索引。另一个方案是通过合理的数据库字段冗余，避免出现跨库查询。
- 跨库跨表的合并和排序问题
分库分表以后，数据分散存储到不同的数据库和表中，如果查询指定数据列表，或者需要对数据列表进行排序时，就变得异常复杂，则需要在内存中进行处理，整体性能会比较差，一般来说，会限制这类型的操作。具体的实现，可以依赖开源的分库分表中间件来处理，下面就来介绍一下。
存储拆分后如何解决唯一主键问题
UUID:简单、性能好，没有顺序，没有业务含义，存在泄露mac地址的风险
数据库主键：实现简单，单调递增，具有一定的业务可读性，强依赖db、存在性能瓶颈，存在暴露业务信息的风险。
-
同步长，不同初始值，扩展有问题。
-
借助DB存储申请数量，可能没用完。
redis，mangodb，zk等中间件：增加了系统的复杂度和稳定性
雪花算法