1.分库分表ShardingSphere之ShardingJDBC
2.sharding-jdbc分片策略（行分片策略踩坑笔记）
3.Springboot系列：整合Shardingjdbc实现分表、源c源含项目实践！码s码分
4.ShardingJdbc+Mybatis实现多数据源
5.ShardingSphere之SpingBoot整合Sharding-JDBC进行数据单主节点读写分离以及多主多从读写分离+分库分表
6.shardingjdbc和tddl的区别

分库分表ShardingSphere之ShardingJDBC

       ShardingSphere的源c源组件中，ShardingJDBC扮演了客户端分库分表的码s码分关键角色，它的源c源主要功能是实现数据的智能分布和读写分离。通过集成ShardingJDBC，码s码分cms智能建站源码开发者能够无缝地使用标准的源c源JDBC接口访问那些已经经过分片和读写分离处理的多个数据源，无需过多关注数据源的码s码分具体数量或分布策略。

       ShardingJDBC的源c源核心概念之一是其分片算法，ShardingSphere提供了五种策略供选择。码s码分其中，源c源最常见的码s码分策略是基于单个分片键的标准分片，通过配置shardingColumn来指定分片依据。源c源对于更复杂的码s码分场景，支持多分片键的源c源复杂分片策略，允许用户指定多个分片列，以适应不同的业务需求。

       然而，Hint分片策略并非完全依赖SQL解析，它可以直接绕过解析过程，对于某些复杂查询可能带来更好的性能，但要注意，hbase源码解析之rpc这种策略在使用时存在严格的限制。Hint强制路由的灵活性可能导致SQL语句支持的脆弱性，即使在ShardingSphere框架的协助下，对SQL的支持仍需要谨慎处理。

sharding-jdbc分片策略（行分片策略踩坑笔记）

       sharding-jdbc行分片策略默认不支持按分片键的范围查询

       在开发时，对主键id做了范围查询。结果遇到如下报错：

Errorqueryingdatabase.Cause:java.lang.IllegalStateException:Inlinestrategycannotsupportrangesharding.原因：使用行分片策略

       原先的sharding-jdbc的分片策略配置是：

sharding:binding-tables:tableNametables:tableName:actual-data-nodes:ds0.tableName_$->{ 0..1}table-strategy:inline:sharding-column:idalgorithm-expression:tableName_$->{ id%2}

       上面的配置，使用了主键id作为单分片键，行表达式的分片策略。该分片策略只支持=和in操作符，并不支持范围查询。如果你想要使用范围查询，你需要配置开启标准策略。

解决方案：使用标准分片策略

       对应配置：

sharding:binding-tables:tableNametables:tableName:table-strategy:standard:#用于单分片键的标准分片场景sharding-column:id#分片列名称precise-algorithm-class-name:com.project.com.PreciseModuloAlgorithm#精确分片算法类名称，用于=和IN。。该类需实现PreciseShardingAlgorithm接口并提供无参数的构造器range-algorithm-class-name:com.project.com.component.RangeModuloAlgorithm#范围分片算法类名称，用于BETWEEN，可选。该类需实现RangeShardingAlgorithm接口并提供无参数的构造器

       问题具体可参考，官方github上的微信图片浏览源码issues提问：/manual/sharding-jdbc/configuration/config-yaml/

       对于具体的分片算法类，可参考官方github上的example：/apache/shardingsphere-example

       分片算法类需要自己根据实际场景进行开发，这里贴出官方example里的实现类：

publicfinalclassPreciseModuloAlgorithmimplementsPreciseShardingAlgorithm<Integer>{ @OverridepublicStringdoSharding(finalCollection<String>availableTargetNames,finalPreciseShardingValue<Integer>shardingValue){ for(Stringeach:availableTargetNames){ if(each.endsWith(shardingValue.getValue()%+"")){ returneach;}}thrownewUnsupportedOperationException();}}publicfinalclassRangeModuloAlgorithmimplementsRangeShardingAlgorithm<Integer>{ @OverridepublicCollection<String>doSharding(finalCollection<String>availableTargetNames,finalRangeShardingValue<Integer>shardingValue){ Collection<String>result=newLinkedHashSet<>(availableTargetNames.size());intminValue=shardingValue.getValueRange().hasLowerBound()?shardingValue.getValueRange().lowerEndpoint():Integer.MIN_VALUE;intmaxValue=shardingValue.getValueRange().hasUpperBound()?shardingValue.getValueRange().upperEndpoint():Integer.MAX_VALUE;//最大值减最小值，得到差longrange=BigInteger.valueOf(maxValue).subtract(BigInteger.valueOf(minValue)).longValue();//最小值得绝对值除的余数intbegin=Math.abs(minValue)%;//超过9直接返回可用的表名，这里的9是，自己的分片策略值//假设我的分片策略是：对id除以，取余数if(range>9){ returnavailableTargetNames;}//如果差在分片策略内的，就直接取余数，得到对应的表名for(inti=begin;i<=range;i+=1){ for(Stringeach:availableTargetNames){ if(each.endsWith(i+"")){ result.add(each);}}}returnresult;}}sharding-jdbc分片策略分片策略

       包含分片键和分片算法，由于分片算法的独立性，将其独立抽离。真正可用于分片操作的是分片键+分片算法，也就是分片策略。目前提供5种分片策略。

标准分片策略

       对应StandardShardingStrategy。提供对SQL语句中的=,>,<,>=,<=,IN和BETWEENAND的分片操作支持。StandardShardingStrategy只支持单分片键，提供PreciseShardingAlgorithm和RangeShardingAlgorithm两个分片算法。PreciseShardingAlgorithm是必选的，用于处理=和IN的分片。RangeShardingAlgorithm是可选的，用于处理BETWEENAND,ssm框架源码分析免费>,<,>=,<=分片，如果不配置RangeShardingAlgorithm，SQL中的BETWEENAND将按照全库路由处理。

复合分片策略

       对应ComplexShardingStrategy。复合分片策略。提供对SQL语句中的=,>,<,>=,<=,IN和BETWEENAND的分片操作支持。ComplexShardingStrategy支持多分片键，由于多分片键之间的关系复杂，因此并未进行过多的封装，而是直接将分片键值组合以及分片操作符透传至分片算法，完全由应用开发者实现，提供最大的灵活度。

行表达式分片策略

       对应InlineShardingStrategy。使用Groovy的表达式，提供对SQL语句中的=和IN的分片操作支持，只支持单分片键。对于简单的分片算法，可以通过简单的配置使用，从而避免繁琐的Java代码开发，如:t_user_$->{ u_id%8}表示t_user表根据u_id模8，而分成8张表，表名称为t_user_0到t_user_7。linux怎么获得软件源码

Hint分片策略

       对应HintShardingStrategy。通过Hint指定分片值而非从SQL中提取分片值的方式进行分片的策略。

不分片策略

       对应NoneShardingStrategy。不分片的策略。

Springboot系列：整合Shardingjdbc实现分表、含项目实践！

       使用分库分表的目的在于提高数据库的性能，尤其是在数据量较大的情况下。《阿里开发手册嵩山版》中提到，当数据量达到w~w的查询时，查询速度会变慢，此时便需要考虑分库和分表。分库分表有两种方式：垂直分片和水平分片。垂直分片是指将一个大表拆分成多个小表，例如将大订单表拆分为多个表；而水平分片则是将同一张表按照特定规则拆分成多个相同的表，常见的是按照时间或者ID取余进行拆分。ShardingSphere是较为知名的分库分表工具，适用于多种应用场景，包括Java同构、异构语言、云原生等。

       Apache ShardingSphere由JDBC、Proxy和Sidecar（规划中）组成，它们可以独立部署，也可以混合部署。该工具提供基于数据库作为存储节点的增量功能，适用于多种应用场景。

       在实战中，首先需要创建SpringBoot项目，并引入所需的依赖。整合MyBatis和ShardingJDBC，创建表时，按照需求将表按照水平方式进行拆分，如创建4个表，分别为order_info_0、order_info_1、order_info_2和order_info_3。

       接下来，需要创建Entity、Mapper和Mapper.xml等文件，并在application.yaml中配置ShardingJDBC。编写测试类和测试方法，包含插入、删除、修改、查询所有数据和分页查询等功能。插入条数据时，会自动生成雪花ID并根据ID进行取余插入不同的表；删除数据时，会使用ID进行取余后路由到相应表进行删除；修改数据、查询单个数据和分页查询等功能也遵循类似规则。分页查询时，ShardingJDBC会先将每个表执行一次查询，再进行排序和归并，确保查询结果的正确性。

       在处理过程中可能会遇到一些问题，如ClassNotFoundException：com.alibaba.druid.pool.DruidDataSource，这可能是因为依赖未正确导入。解决方法是检查依赖是否完整，并确保其版本兼容。在运行项目时，如果遇到Failed to determine a suitable driver class问题，可以通过添加yaml配置来解决。

       在实战中，通过ShardingJDBC可以实现高效的分库分表操作，提升数据库的查询性能。后续章节将探讨如何解决排序问题，以及可能的替代方案，如禁止跳表或者结合ES实现搜索引擎处理。

ShardingJdbc+Mybatis实现多数据源

       实现Mybatis与多数据源结合的步骤如下：

       首先，确保项目依赖正确，这与单数据源项目的依赖设置一致。

       接着，配置Mybatis使用数据源的方式。这里采用注解方法，相关的类包括：注解类、枚举类、连接池配置信息类、用于存储数据源变量的ThreadLocal类，以及继承自AbstractRoutingDataSource的切面类和DruidConfig配置类。

       在application配置文件中，定义数据源配置信息。

       编写测试类，包含Mapper接口和对应的Mapper XML文件。在测试类中，执行不同方法，如list和listSharding。观察结果，list方法直接查询order_info表，而listSharding则从分表中获取数据，这验证了分表策略的正确实现。

       整合Mybatis与多数据源的流程适用于实际场景，尤其在使用Mybatis的项目中常见。同时，Mybatisplus的整合也是常见的需求。后续文章将深入探索更多相关整合技术，希望能为读者提供帮助。

       项目代码可以参考地址：gitee.com/shen-chuhao/w...

ShardingSphere之SpingBoot整合Sharding-JDBC进行数据单主节点读写分离以及多主多从读写分离+分库分表

       ShardingSphere整合SpringBoot实现数据读写分离和分库分表

       读写分离是一种通过主从配置，将查询请求分散到多个副本的策略，旨在提升系统的处理能力并实现高可用和扩展性。主从架构中，主库和从库内容相同，SQL语句根据路由规则执行；而在分库分表架构中，数据根据配置进行切分，库与表内容各异，同样依赖路由策略。

       尽管读写分离能提高系统性能，但可能引入数据一致性问题，如主库间和主从库的数据同步问题，使得开发和运维复杂度增加。ShardingSphere的目标是提供透明的读写分离解决方案，使用户能像使用单个数据库一样操作主从集群。

       应用实例

       当数据量达到万且预估将达到千万级别时，可通过分表实现扩展。分表与读写分离结合，如在不同的库中表示主从关系，只需调整application.properties配置，以实现透明化处理。

       示例1（主从库不同节点）：配置不同，插入操作明确显示在主库上，查询初期可能从从库获取数据。

       示例2（分库分表+读写分离）：同一节点的不同库代表主从，插入操作将数据写入两个主库，确保数据冗余。

shardingjdbc和tddl的区别

       shardingjdbc是当当网的内部分库分表中间件，目前已经开源，可以在github中进行获取，而TDDL则是阿里内部的分库分表中间件，目前尚未开源，本质上都是JDBC的一种分装。详细见下图