本文介绍一种高效、可靠的分区策略，用于处理百万级数据：在指定最小分区大小的前提下，确保相同键值的元素不被拆分到不同分区中，从而满足数据库批量查询对连续键范围的需求。

本文介绍一种高效、可靠的分区策略，用于处理百万级数据：在指定最小分区大小的前提下，确保相同键值的元素不被拆分到不同分区中，从而满足数据库批量查询对连续键范围的需求。

在处理大规模数据（如 100 万条记录）并需分批调用数据库时，简单按固定大小切分列表（如 ListUtils.partition）虽高效，但存在关键缺陷：相同业务键（如 Car.key）可能被分散到多个分区，导致后续 DB 查询无法准确覆盖全部关联记录，甚至引发数据遗漏或重复处理。

例如，原始数据按 key 排序后为：
[Car{key=1}, Car{key=2}, Car{key=2}, Car{key=3}, ...]
若强制按 chunkSize=2 切分，将得到：

• Partition 1: [key=1, key=2]
• Partition 2: [key=2, key=3]
  → key=2 被割裂，违反“同键聚合”需求。

✅ 正确解法的核心前提是：数据需按键有序（sorted or clustered）。在此基础上，我们实现“粘性分区（sticky partitioning）”——当一个分区末尾元素的键与下一个元素相同时，自动扩展该分区边界，直至键值变化。

以下是推荐的工业级实现（Java 17+）：

stream().sorted(comparing(Car::key))