1.shardingjdbc和tddl的区别
2.Springboot系列：整合Shardingjdbc实现分表、源码含项目实践！源码
3.ShardingJdbc+Mybatis实现多数据源
4.sharding-jdbc分片策略（行分片策略踩坑笔记）
5.SpringBoot整合Sharding-JDBC分库分表--(一)分库分表介绍
6.理论+实战，源码详解Sharding Sphere-jdbc

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

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

       使用分库分表的源码源码编译mysql命令目的在于提高数据库的性能，尤其是源码在数据量较大的情况下。《阿里开发手册嵩山版》中提到，源码当数据量达到w~w的源码查询时，查询速度会变慢，源码此时便需要考虑分库和分表。源码分库分表有两种方式：垂直分片和水平分片。源码垂直分片是源码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；而水平分片则是源码将同一张表按照特定规则拆分成多个相同的表，常见的源码是按照时间或者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、360加固源码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。ios按钮源码

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...

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，行表达式的南风科技源码分片策略。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,乐熊源码>,<,>=,<=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。

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整合Sharding-JDBC分库分表--(一)分库分表介绍

       SpringBoot整合Sharding-JDBC分库分表--(一)分库分表详解

       随着业务的迅速增长，数据库的负载压力剧增，性能瓶颈开始显现。这主要是因为关系型数据库的单机存储和处理能力有限，当数据量超过一定规模，即使优化索引和增加从库，性能也会显著下降。

       应对策略主要有两个方案：一是提升硬件资源，如增加存储和CPU，但这成本高昂且效果有限；二是采用分库分表策略，将数据分散到多个数据库和表中，减轻单个数据库的负担。分库分表旨在通过数据的分解，使每个数据库和表的数据量减少，提升整体性能。

       分库分表方式有四种：垂直分表和分库，以及水平分库和分表。垂直分表将表按字段拆分，常用字段和不常用字段分开，可以减少IO争抢，提高查询效率。垂直分库则按照业务逻辑将表分布在不同的数据库，进一步分散压力。水平分库是根据业务需求将数据分布在不同服务器，如商品库根据店铺ID拆分。水平分表则是在同一数据库内，将表拆分成多个，按商品ID进行划分。

       然而，分库分表也带来了一些挑战，如事务一致性问题、跨节点查询复杂性、主键避重和公共表的处理。例如，数据分布式后可能导致事务处理的复杂性提升，以及跨库的查询和排序操作需要更复杂的逻辑。此外，需要设计全局唯一主键来解决跨库重复问题。

       Sharding-JDBC，由当当网开发的开源分布式数据库中间件，简化了开发者在分库分表方面的操作。它是一个轻量级框架，兼容JDBC，提供数据分片和读写分离功能，使得应用程序能够透明地操作分布式数据库，无需关注底层的细节。通过Sharding-JDBC，可以简化应用对复杂分库分表策略的处理，提高开发效率。

理论+实战，详解Sharding Sphere-jdbc

       Apache ShardingSphere 是一款全面的数据库生态系统，它包含 ShardingSphere-Proxy 和 ShardingSphere-JDBC 两大产品。本文将深入探讨 ShardingSphere-JDBC 的实战应用，分享如何在实际项目中使用它进行数据库分片。

       1. ShardingSphere 生态

       ShardingSphere 包含两个核心产品：ShardingSphere-Proxy 和 ShardingSphere-JDBC。ShardingSphere-Proxy 作为透明化的数据库代理层，支持异构语言，实现数据库间的转发。而 ShardingSphere-JDBC 是一个轻量级的 Java 框架，它通过增强 JDBC 的功能，实现数据库分片。

       2. 基本原理

       ShardingSphere-JDBC 的核心在于实现 JDBC 接口，支持分片、路由和 SQL 改写等功能。其工作流程分为解析、优化、路由、改写和执行等步骤，实现 SQL 在多个分片数据库间的高效分发和结果聚合。

       解析阶段包括词法和语法解析，提取 SQL 的执行上下文。优化阶段合并和优化分片条件，提高执行效率。路由阶段根据解析上下文匹配分片策略，生成正确的执行路径。改写阶段将 SQL 语句转换为可执行的格式，并进行必要的优化。最后，执行阶段通过多线程并行执行 SQL，结果归并后统一返回。

       3. 实战案例

       在实际应用中，通过配置分库分表策略，实现数据的高效分片。例如，武汉某 O2O 公司的订单服务，采用分库分表策略，将订单数据拆分为多个库和表，通过配置分片规则和算法，实现数据的平滑分发和查询。

       配置分片规则时，需要指定真实数据节点和分片算法。真实数据节点是分片的最小单元，分片算法则决定如何将数据分发到不同的节点。此外，还支持基因法和自定义复合分片算法，以满足更复杂的业务需求。

       4. 基因法与自定义复合分片算法

       基因法通过在订单 ID 中嵌入企业用户 ID，实现快速定位到特定分片的数据。自定义复合分片算法允许按照多个字段（如订单 ID 和企业用户 ID）进行数据路由，以更精细地控制数据分发。

       5. 扩容方案

       在实现分库分表后，如何进行平滑扩容是关键问题。通过数据同步方案，包括全量和增量同步，实现数据从旧系统到新系统的平滑迁移。使用 binlog 做数据同步，确保迁移过程中数据的一致性和稳定性。

       6. 总结

       ShardingSphere-JDBC 通过实现 JDBC 接口，提供了一种简单且易于实现的数据库分片解决方案。在实战中，合理配置数据源、分片规则和算法，可以有效提升数据库性能和扩展性。同时，实现分布式主键路由和平滑扩容，是数据库分片项目中不可或缺的环节。

shardingsphere源码阅读-兼容jdbc规范

       JDBC规范提供一套标准，让不同数据库厂商遵循统一接口操作数据库，从而简化应用程序开发。shardingsphere兼容此规范，通过重写接口实现兼容。

       基于JDBC规范，shardingsphere采用适配器模式重写DataSource、Connection、Statement、ResultSet等关键接口，构建了一套完整的实现方案。适配器模式确保了shardingsphere能够以与JDBC规范一致的方式操作数据库，同时支持分库分表功能。

       shardingsphere中，JdbcObject接口代表JDBC规范中的核心接口，包括DataSource、Connection、Statement等。通过包装器接口Wrapper以及其子类WrapperAdapter，shardingsphere实现了适配器模式，重写了这些接口的方法，同时保留了与JDBC规范的兼容性。

       AbstractUnsupportedOperationJdbcObject和AbstractJdbcObjectAdapter作为抽象类，分别用于实现部分和全部接口方法。ShardingIdbcObject继承自AbstractJdbcObjectAdapter，包括ShardingDataSource、ShardingConnection、ShardingStatement等对象，这些对象都采用适配器模式重写JDBC规范接口，确保与JDBC规范无缝衔接。

       以ShardingDataSource为例，其构造过程通过ShardingDataSourceFactory创建ShardingDataSource对象，将数据源、分库分表规则和属性等信息整合，同时初始化运行时上下文和静态代码块加载路由、SQL重写、结果集引擎等组件。ShardingDataSource内部的WrapperAdapter类维护方法调用信息，通过recordMethodInvocation和replayMethodsInvocation方法记录和回放方法调用。

       AbstractDataSourceAdapter作为数据源适配器的抽象类，封装公共属性和方法，减少重复代码。此类中的dataSourceMap和databaseType属性分别保存数据源信息和数据库类型，getRuntimeContext方法用于获取分库分表的运行时上下文。

       综上所述，shardingsphere通过适配器模式重写JDBC规范接口，实现了与JDBC规范的兼容性。不论使用sharding-jdbc还是原生JDBC，操作数据库的方式和流程保持一致，只是在实现细节上支持了分库分表功能，为开发者提供了一种灵活且高效的数据库管理方案。