分库分表是单库单表明确出现性能、存储或运维瓶颈时的被迫选择，非万能银弹；当单表超1000万行、磁盘超15gb或ddl/备份已严重阻塞业务时才需考虑，且应优先尝试索引优化、读写分离等低成本方案。
分库分表不是必选项，而是被逼出来的选择；只要单表没超 1000 万行、磁盘占用没超 15GB、日常 DDL 和备份还能忍，就先别动。
什么时候该考虑手动分表而不是上 ShardingSphere
手动分表适合你清楚数据流向、写入路径单一、查询绝大多数带分片键（比如 user_id）、且不打算频繁扩缩容的场景。ShardingSphere 会帮你路由、重写 SQL、管理分布式事务，但代价是引入新组件、配置复杂、升级踩坑多、排查慢查询得看两层日志（应用 + 代理）。
- 手动分表：你控制建表、插入逻辑、查询路由，SQL 简单透明，运维负担低，但所有跨分片操作（如
count(*)、ORDER BY ... LIMIT）都得自己拼 - ShardingSphere-JDBC：嵌在应用里，无代理层，轻量，但依赖 Java 生态，非 Java 服务无法复用
- ShardingSphere-Proxy：独立进程，支持多语言，但网络跳转多一层，连接池和事务行为与直连 MySQL 不完全一致
- 真正上线前，务必用真实流量压测
INSERT和SELECT WHERE user_id = ?路由性能——Proxy 在高并发下容易成为瓶颈
水平分表必须避开的三个硬伤
按 user_id % 4 拆成 orders_0～orders_3 看似简单，但实际运行中会暴露三类典型问题：
-
非分片键查询失效：查
SELECT * FROM orders WHERE order_no = 'xxx'，你得在 4 张表里全扫一遍，或者额外建order_no → user_id映射表，否则就是 O(n) 查询 -
扩容成本极高：从 4 分片扩到 8 分片，
user_id % 4 == 0的数据里有一半要迁到新表，没有停机窗口几乎做不到原子迁移 -
自增主键冲突：各分表都用
AUTO_INCREMENT，不同表可能生成相同order_id；必须改用全局唯一方案，比如Snowflake或REPLACE INTO id_generator+LAST_INSERT_ID()
ShardingSphere 中 sharding-column 配置的真实约束
你在 application.yml 里写的 sharding-column: user_id 并不是“只要 SQL 里出现 user_id 就能自动路由”，它只对以下情况生效：
- WHERE 条件中为等值查询：
WHERE user_id = 123✅；WHERE user_id IN (123, 456)✅；WHERE user_id > 100❌（默认走广播） - INSERT 语句中必须显式提供
user_id值，不能为NULL或缺失，否则抛ShardingSphereSQLException - JOIN 查询中，只有当两张表的分片键完全一致且类型兼容时，才可能做绑定表（
binding-tables）优化；否则默认拆成多次单表查询再内存合并 - 如果你用 MyBatis-Plus 的
lambdaQuery().eq(Order::getUserId, 123)，它能正常路由；但用lambdaQuery().like(Order::getOrderNo, "xxx")，就会触发全分片扫描
最容易被忽略的冷启动陷阱
上线第一周最危险的不是性能，而是数据错位和索引遗漏。你建了 orders_0～orders_3 四张表，但只给 orders_0 加了 INDEX idx_user_id，其他三张漏了——那 75% 的查询会走全表扫描，监控却只显示“平均响应时间正常”，因为慢请求被均摊掩盖了。
务必在部署脚本里固化检查项：SHOW CREATE TABLE orders_0 对比结构、SELECT COUNT(*) FROM information_schema.STATISTICS WHERE table_name LIKE 'orders_%' AND index_name = 'idx_user_id' 确认索引全覆盖、用 pt-table-checksum 抽样校验分片间数据一致性。分库分表不是建完表就结束，而是把“结构同步”变成持续动作。
