一、遇到的难题
随着业务扩展，大数据量迸发，mysql单表数据量爆炸时，你怎么办？ 当你的数据库无法承受高强度io时你怎么办？
二、概念
数据库分片概念：
1）单库,就是一个库
2）分片(sharding)，分片解决扩展性问题，属于水平拆分，引入分片，就引入了数据路由和分区键的概念。分表解决的是数据量过大的问题，分库解决的是数据库性能瓶颈的问题
3）分组(group)，分组解决可用性问题，分组通常通过主从复制(replication)的方式实现
4）互联网公司数据库实际软件架构是(大数据量下)：又分片，又分组（如下图）
3、 分片
3.1 水平拆分，垂直拆分都是什么？
3.2 为什么分表?
关系型数据库在大于一定数据量的情况下检索性能会急剧下降。在面对互联网海量数据情况时，所有数据都存于一张表，显然会轻易超过数据库表可承受的数据量阀值。这个单表可承受的数据量阀值，需根据数据库和并发量的差异，通过实际测试获得。
3.3 为什么分库?
单纯的分表虽然可以解决数据量过大导致检索变慢的问题，但无法解决过多并发请求访问同一个库，导致数据库响应变慢的问题。所以通常水平拆分都至少要采用分库的方式，用于一并解决大数据量和高并发的问题。这也是部分开源的分片数据库中间件只支持分库的原因。
3.4 分布式事务？
但分表也有不可替代的适用场景。最常见的分表需求是事务问题。同在一个库则不需考虑分布式事务，善于使用同库不同表可有效避免分布式事务带来的麻烦。目前强一致性的分布式事务由于性能问题，导致使用起来并不一定比不分库分表快。目前采用最终一致性的柔性事务居多。分表的另一个存在的理由是，过多的数据库实例不利于运维管理
3.5 分库和分表结合起来用
3.6 如何自己实现分库分表？
1) dao层，首先通过分区键算出库名表名(如shardKey%shardNum 算出来表index如y，然后y/(shardNum/sourceNum)=x,y是表下标，x是库下标)。
2) 把source从spring容器中拿出来，把表名当参数传进去，拼成分片后的sql。
3) 思路大概是(select … from order where … -> 先拿到db_x的source 然后 select … from order_y where …)
