为了提升数据库的处理能力，我们把单库扩展成多库，并通过更新同步机制（即Replication）来保证多份数据的一致性。然而，在 各种复制方案下，每个数据库都持有一份完整数据，基于全量数据提供增删改查服务，单库的性能瓶颈仍然存在，并将成为限制系统扩展性的关键因素。

单库性能瓶颈

单机的硬件资源是有限的，因此单库的处理能力也是有限的：

• 容量有限：数据量可能大到单库无法容纳
• 性能有限：单库的读写性能同样受数据量影响，查询/更新越来越慢

单靠加机器/加库显然无法直接解决单机/单库的性能问题，除非进一步打破库的边界，把单库拆分成多库（而不只是复制多份）
理论上，Web 应用层也面临同样的问题，却不曾听说过一个 Web 服务庞大到单机无法部署，这是因为Web 服务在设计之初就会考虑职责划分与解耦，以便各部分能够独立部署、独立扩展，从 20 年前的 SOA（即面向服务架构，包括微服务架构（Microservices）等变体）起便是如此。

分区 Partitioning

把逻辑数据库（或其组成元素，例如数据表）拆分成各个独立部分，这种做法称为分区（Partitioning）。
就像微服务架构中把单体应用（Monolithic application）拆分成一组小型服务一样，我们通过分区把单库拆分成一组（数据规模）更小的库，各自处理一部分数据，共同分担流量，主要优势体现在：

• 可扩展性：把单库数据拆分到多库后，系统的可扩展性不再受限于单库性能，数据库层“无限”扩展成为了可能
• 性能：单库数据量减少，数据操作更快，甚至允许多库并行操作
• 安全性：可以针对（拆出去的）敏感数据，采取更强的安全控制
• 灵活性：可以对不同的库（比如按数据重要性）采用不同的监控、备份策略，以缩减成本，提升管理效率。或者对不同类型的数据选用不同的存储服务，比如大型二进制内容放到 blob 存储中，更复杂的数据可以存放在文档数据库中
• 可用性：把数据分散放到多个篮子里，能够避免单点故障，并且单库故障仅影响一部分数据

具体的，有 3 种拆分策略：

• 水平分区（Horizontal partitioning，也叫 Sharding）：按行拆分，把不同的行放入不同的表中
• 垂直分区（Vertical partitioning）：按列拆分，把一些列放到其它表中
• 按功能分区（Functional partitioning，有时也叫 Federation）：按业务功能拆分，把业务领域中属于相同界限上下文（Bounded Context）的数据放在一起

当然，这 3 种策略并不冲突，可以结合使用

水平分区 Horizontal partitioning

水平分区，即分片（Sharding）。每片（shard）都是原数据的一个子集，共同构成完整的数据集。
与垂直分区相比，水平分区最大的特点是schema 保持不变：每个分区都是一个单独的数据存储，但所有分区都有相同的模式。
就像把一张表横向切几刀，分成几段小表，它们的表结构（字段等）完全一致。
这种横向切分减少了单库所需存储的数据量，以及所需承载的流量/操作，另一方面，还减少了资源争用（contention），有助于提升性能
它的关键在于​​​shard key​​​ 的选取:
按哪个字段的什么特征来分片，尽可能保证负载被均匀地分散到每一片上。注意，均匀并不意味着要求每一片的数据量均等，重点是均分流量（有些片可能数据量很大，但访问量却很低）。同时还要避免产生“热点”，比如按姓氏首字母对用户信息进行分片实际上是不均匀的，因为有些字母更常见，此时按用户 ID 哈希值来分片可能更均匀些。

垂直分区 Vertical partitioning

多用于减少 I/O、降低性能成本，比如，按使用频率把常用字段和不常用的字段分开。
比起水平分区，垂直分区的关键优势在于把信息拆的更细，进而允许一些针对性的优化，比如把不经常变化的数据拆分出来，丢到缓存中，把照片等大型二进制内容拆出去单独存放，或者对部分敏感数据进行针对性的安全控制，另一方面，细粒度的数据划分也能够消除一些并发访问，降低并发访问量。

按功能分区

把不相干的数据剔除出去（把紧密相关的数据放到一起），有助于加强数据隔离，提升数据访问性能，比如把客户信息和商品库存信息分开。

分区的代价

把单库拆成多库，虽然能够解决数据库的扩展性难题，但也引发了一些新问题：

• 连表查询慢：尽量避免跨分区 join、或者考虑并行查询
• 全表查询慢：对于需要扫描全量数据的查询操作，即便有并行优化也慢，可以通过垂直分区、按功能分区来定位目标分区，避免全表查询，至于水平分区，可以在应用层维护一张映射表，加快分区定位
• 不支持事务操作：将事务操作交由应用层来处理
• 负载不匀导致分区效果大打折扣：考虑增加监控，并根据分析预测定期调整

参考

​​http://www.ayqy.net/blog/database-partitioning/​​