分表分页/跨库分页为什么这么难？
大家好，我是D哥
点击关注下方公众号，Java面试资料 都在这里
来源：http://yjmyzz.cnblogs.com
当业务数据达到一定量级(比如：mysql单表记录量>1千万)后，通常会考虑“分库分表”将数据分散到不同的库或表中，这样可以大大提高读/写性能。但是问题来了，对于 select * from table limit offset , pagesize 这种分页方式，原来一条语句就可以简单搞定的事情会变得很复杂，本文将与大家一起探讨分库分表后"分页"面临的新问题。
# 分表对分页的影响
比如有一张表，里面有8条记录(为简单起见，假设该表上只有1个自增ID），数学上可以抽象成1个(有序)数列(注：为方便讨论，不加特殊说明的情况下，文本中数列的顺序，均指升序)
(1，2，3，4，5，6，7，8)
如果要取出上面红色标识的2,3这二条记录，limit 1,2 就行了。
现在假如分成2张表（即：原来的数列，拆分成2个非空子数列），一般来讲，有二种常用分法：
分段法（比如：有时间属性的数据，类似订单这种，可以按下单时间拆分，每个月1张表）
(1，2，3，4)
(5，6，7，8)
沿用之前的limit x,y的思路，每个分表上 limit 1,2，会得到如下2个子数列：
(2，3)
(6，7)
然后在内存中合并排序，再取前2条 (2，3，6，7) => (2，3) ，貌似看上去也符合预期（这个思路也称为归并），但这只是假象。当要取的分页数据落在不同的子数列上时，就能发现问题：
(1，2，3，4，5，6，7，8) 比如，我们要从4个位置开始，连续取2个元素，即: limit 3,2
(1，2，3，4) => limit 3,2 =>(4)
(5，6，7，8) => limit 3,2 =>(8)
最后合并出来的结果是(4，8) 与正确结果 (4，5)相比，显然不对。
1.2 模余均摊法（比如：字段值对2取模求余数，根据余数决定分到哪个表，该方法也简称为取余法）
(1，3，5，7)
(2，4，6，8)
归并排序的思路在分段法上行不通，对于取模均摊同样也不行，仍以 limit 1,2为例，原始序列取出来的结果是(2，3)，如果用归并的思路：
(1，3，5，7)=> limit 1,2 =>(3 ,5)
(2，4，6，8)=> limit 1,2 =>(4, 6)
内存合并排序后，取前2个，最终结果为(3 , 4)
结论：不管分库分表采用什么分法，简单归并的思路，都无法正确解决分页问题。
# 全局法(limit x+y)
反思一下刚才的归并思路，本质上我们在每个子数列（即：分表）上limit x,y 时，取出来的数据就有可能已经产生缺失了。网上有一篇广为流转的文章"业界难题-跨库分页”，作者在文中提出了一个方案：把范围扩大，分表sql上的limit x,y 变成 limit 0, x+y ，这样改写后，相当于分表中把"每页最后一条数据"之前的所有数据全都取出来了（当然：这里面可能会有不需要的多余数据)，然后内存中合并在一起，再取x偏移量后的y条数据。
用前面的例子验证一下：
原序列：(1，2，3，4，5，6，7，8)，需要取出limit 1,2 ，即：(2，3)
按分段法拆成2段：
(1 , 2 , 3 , 4) => limit 1,2 =>改写成 limit 0, 1+2 => (1，2，3)
(5 , 6 , 7 , 8) => limit 1,2 =>改写成 limit 0, 1+2 => (5，6，7)
将子数列合并排序=> { 1，2，3，5，6，7} => 按原始偏移量 limit 1,2 =>{2，3} 正确
如果原数列中要取的数据，正好落在2个子数列上(1，2，3，4，5，6，7，8)，需要取出limit 3,2 ，即：(4，5)
(1 , 2 , 3 , 4) => limit 3,2 =>改写成 limit 0, 3+2 => (1，2，3，4)
(5 , 6 , 7 , 8) => limit 3,2 =>改写成 limit 0, 3+2 => (5，6，7，8)
将子数列合并排序=> (1，2，3，4，5，6，7，8) => 按原始偏移量 limit 3,2 => (4，5) 也符合预期。
取模均摊拆成2段
(1，3，5，7) => limit 1,2 ->改写成 limit 0, 1+2 => (1，3 ，5)
(2，4，6，8) => limit 1,2 ->改写成 limit 0, 1+2=> (2，4，6)
将子序列合并=> (1，2，3，4，5，6) => 按原始偏移量 limit 1,2 =>(2，3) 正确
该方法缺点也很明显：取出的记录太多了，比如 limit 10000000,10 -> 改写后变成 limit 0, 10000010 遇到海量数据，mysql中查询有可能直接超时，这么多数据从db传到应用层，网络开销也很大，更不用说如果是java应用，大量数据放到List或Map中，容易出现OOM。(注：一般情况下，需要用分库分表的场景，数据量必然很大，所以这个方法，实际中基本上没法用)
# 二次查询法
这也是"业界难题-跨库分页”一文中提到的一个方法，大致思路如下：在某1页的数据均摊到各分表的前提下(注：这个前提很重要，也就是说不会有一个分表的数据特别多或特别少)，换句话说：这个方案不适用分段法，按如下步骤操作：
1）原sql中的limit offset,pagesize 改写成 limit offset/n ,pagesize (注：n为分表个数，如果offset/n除不尽，向下取整，避免最后的结果丢数据）-- 这个的意思，其实就是假设原表这一页的数据，会均分到各个分表(所以，我一再强调，前提是数据是均摊的，如果某个分表的记录很少，极端情况下，甚至是空的，这个就不对了，最终结果会少数据)
2）分表上，执行改写后的sql，得到一堆结果集，然后找出这堆结果中的最小id (假设id是关键的排序字段)，记为min_id -- 这一步的目的，是为了找出最小的起始点，保证第1页数据起点正确。
3）各分表上的sql，where条件部分改写成 id between min_id and origin_max_id (注：origin_max_id为上一步，每个分表查询结果集中的最大值，显然min_id=自身最小id的那张分表，不用再重复查询) -- 这一步的目的在于，因为步骤1）查出来的结果，通常会比原表上该页的数据少，所以这里重新将起始点设置到正确的位置，即：min_id，再查1次，相当于范围扩大了，以保证数据不会丢。不过，这里有一个可优化的地方，仔细想想，这1次查询出来的结果，跟步骤1）中的查出来的结果，必然有一部分是重复的，因此改写部分，只需要 id between min_id and origin_min_id就可以了(origin_min_id 即为原来分表结果上的最小id)
4）将上一步查询出来的结果，在内存中合并排序去重（注：如果上一步采用了优化方案，就应该是把1）与3）这二次查询的结果全取出来合并排序去重），然后从开始连续取pagesize条数据即可（注：offset/n除不尽的话，向下取整了，也就是起始点可能向前多移了，所以有可能开始的第1条记录，其实是上1页的最后1条记录，要追求精确的话，可以在应用层记录上一页最后1条记录的id，然后跟本次查询结果前1条记录对比，如果发现是一样的，开始取数据的位置，就要向后移1位，如果考虑id有重复的话，就要根据情况多移几位）
验证一下看看效果：
场景1（前提：取余法）
原序列：(1，2，3，4，5，6，7，8)，需要取出limit 2,2 ，即：(3，4)
第1次查询
(1，3，5，7) -> limit 2,2 -> 改写成 limit 1,2 -> (3，5)
(2，4，6，8) -> limit 2,2 -> 改写成 limit 1,2 -> (4，6)
最小值为3
第2次查询
(1，3，5，7) -> between 3 and 5 -> (3，5)
(2，4，6，8) -> between 3 and 6 -> (4，6)
将第2次查询的结果合并：
(3，4，5，6) ->取头开始，取pageSize即2个元素 -> (3，4) 正确
场景2（前提：取余法）
原序列：(1，2，3，4，5，6，7，8)，需要取出limit 1,2 ，即：(2，3)
第1次查询
(1，3，5，7) -> limit 1,2 -> 改写成 limit 0,2 -> (1，3) --注：因为1/2除不尽，这里向下取整了
(2，4，6，8) -> limit 1,2 -> 改写成 limit 0,2 -> (2，4)
最小值为1
第2次查询
(1，3，5，7) -> between 1 and 3 -> (1，3)
(2，4，6，8) -> between 1 and 4 -> (2，4)
将上面的结果合并：
(1，2，3，4) -> (2，3) (注：起始点，第1次查询改写时，向下取整了，所以这里要向移1位，从第2个数字开始取pagesize条数据)
场景3（前提：分段法）
为什么说分段法，这个方案不适用，可以看下面的分析：
原序列：(1，2，3，4，5，6，7，8)，需要取出limit 2,2 ，即：(3，4)
第1次查询
(1，2，3，4) -> limit 2,2 -> limit 1,2 -> {2，3} --注：这里就已经把正确的数据给丢掉了
(5，6，7，8) -> limit 2,2 -> limit 1,2 -> {5，6} --注：这一段里根本就没有这一页的数据
最小值2
第2次查询
(1，2，3，4) -> between 2 and 3 -> {2，3}
(5，6，7，8) -> between 2 and 6 -> {5，6}
(2，3，5，6) -> (2，3) 这个跟预期结果就对不上了。
场景4（前提：取余法）
取余法的前提下，如果某个分表的数据，被清掉一部分，也就是某个分表数据偏少，会发生什么？
比如下面这个，按奇数、偶数分成2个子序列，但是偶数故意删除了几个（相当于现实业务中，这个分表上的数据被干掉了一部分）
原序列：(1，3，5，6，7，8，9，11)，需要取出limit 2,2 ，即：(5，6)
第1次查询
(1，3，5，7，9，11) -> limit 2,2 -> 改写成limit 1,2 -> (3，5)
(6，8) -> limit 2,2 -> 改写成limit 1,2 -> (8)
第2次查询
(1，3，5，7，9，11) -> between 3 and 5 -> (3，5)
(6，8) -> between 3 and 8 -> (6，8)
合并后
(3，5，6，8) -> (3，5) 这跟预期结果也对不上。
# 禁止跳页
相当于只允许向上或向下翻页，原理很简单，比如：下一页，先记录上一页的最大id，然后下一页时，只需要 where id > 上一页最大id limit pagesize， 每次只翻1页。显然，这是一个牺牲用户体验的做法。
结论：分表分页不存在一个通用的解决方案，要么性能有问题（比如:全局法 limit x+y），要么必须具备一定的前提条件(比如：二次查询)，或者产品设计上牺牲用户体验，仍然是一个业内难题。
最后，D哥也建了一个技术群，主要探讨一些新的技术和开源项目值不值得去研究及IDEA使用的“骚操作”，有兴趣入群的同学，可长按扫描下方二维码，一定要备注：城市+昵称+技术方向，根据格式备注，可更快被通过且邀请进群。
▲长按扫描