🧩 一、什么是分片（Sharding / Partition）
把一张大表按某种规则切成多份，每份叫一个分片（shard / partition），分布到不同节点。每个节点只负责一部分数据，整体突破单机容量与性能上限。
垂直拆分 vs 水平拆分：垂直拆分是按"列/业务"分库（用户库、订单库）；水平拆分（即分片）是按"行"把同一张表的数据分散到多机。面试里说的"分库分表"通常指水平分片。
分片的核心目标：① 突破单机存储上限；② 突破单机算力上限（查询/写入并行）；③ 故障隔离（一个分片挂不影响全局）。
🗺️ 二、四种分片策略
| 策略 | 规则 | 优点 | 缺点 | 适用 |
|---|---|---|---|---|
| 范围分片 | 按 key 区间切（如 user_id 0–1kw） | 范围查询快、易扩展 | 易热点（最新区间最忙） | 时序/日志、按时间 |
| 哈希分片 | hash(key) % N | 分布均匀、无热点 | 范围查询需扫多分片 | 通用 KV、用户数据 |
| 列表/枚举 | 按枚举值定向（地区/租户） | 业务语义清晰 | 易不均、需人工规划 | 多租户、地域隔离 |
| 地理分片 | 按地理位置就近 | 降低延迟 | 跨区查询复杂 | 全球化部署 |
与一致性哈希的关系：哈希分片的"节点增减"痛点，正是一致性哈希要解决的。生产上常用"固定槽位（如 Redis 16384 slot）"替代裸取模。
🔥 四、热点与数据倾斜
即使选了哈希，也可能因"某 key 被疯狂访问"（如爆款商品、大 V 用户）造成单分片热点。
常见解法：① 热点 key 加随机后缀（写时分散、读时聚合）；② 本地缓存 + 限流；③ 对超热 key 单独复制多副本做读负载均衡；④ 提前做数据预判与预分片。
⚖️ 五、再平衡（Rebalancing）
集群扩缩容、节点上下线时，要把分片重新分布到新拓扑上，这个过程叫再平衡。目标是：迁移量最小、不停服、不丢数据。
再平衡三原则
① 尽量均匀：各节点承载相近分片数；② 最小化迁移：借助一致性哈希/槽位，只动必要分片；③ 自动化且可回滚：多数系统（Kafka/Cassandra）由控制器自动调度，迁移按"先复制再切换"保证安全。
🎯 六、面试高频追问
分库分表后，跨分片查询/事务怎么办？
聚合查询靠中间件（如 ShardingSphere）并行查各分片再汇总；跨分片事务用分布式事务（TCC/Saga/消息最终一致）兜底，尽量避免。
分片数和节点数一定要相等吗？
不一定。常见做法是"分片数 > 节点数"，一个节点承载多个分片，扩节点时只需把部分分片搬过去，调度更灵活（Kafka 的 partition 即如此）。
分片键和唯一 ID 的关系？
全局唯一且最好带分片信息的 ID 能简化路由。例如把分片号编入 ID 高位，或通过 ID 反查分片，避免额外查路由表。