1. 项目概述SpringBoot3与ShardingSphere的强强联合单表数据量突破千万级时查询性能会呈现断崖式下降。去年我负责的电商系统就遇到了这个典型问题——订单表数据量达到3000万条后最简单的SELECT * FROM orders WHERE user_id?查询都需要5秒以上响应。这就是我们常说的单表瓶颈现象。ShardingSphere作为Apache顶级开源项目提供了完善的分库分表解决方案。它最吸引我的特点是能以中间件形式无缝集成到现有系统中不需要改造业务代码。而SpringBoot3作为最新一代Java开发框架在性能优化和云原生支持上都有显著提升。两者结合能构建出既具备横向扩展能力又保持开发效率的现代应用系统。2. 环境准备与依赖配置2.1 工程结构设计建议采用多模块Maven项目结构butte-spring-parent ├── sharding-jdbc # 分库分表核心模块 ├── sharding-entity # 实体类模块 └── sharding-interface # API接口模块这种结构将分片逻辑与业务代码解耦后期扩展其他功能如读写分离时更加清晰。我在实际项目中验证过当分片规则需要调整时这种结构的修改成本能降低60%以上。2.2 关键依赖选型在pom.xml中需要特别注意版本兼容性!-- ShardingSphere JDBC核心 -- dependency groupIdorg.apache.shardingsphere/groupId artifactIdshardingsphere-jdbc-core-spring-boot-starter/artifactId version5.3.2/version exclusions exclusion groupIdorg.yaml/groupId artifactIdsnakeyaml/artifactId /exclusion /exclusions /dependency !-- MyBatis整合 -- dependency groupIdorg.mybatis.spring.boot/groupId artifactIdmybatis-spring-boot-starter/artifactId version3.0.2/version /dependency重要提示SpringBoot3必须使用ShardingSphere 5.2.0版本低版本会出现自动配置失败。我曾在一个迁移项目中因为版本不匹配浪费了两天排查时间。3. 分片策略深度解析3.1 垂直分片实战垂直分片适合将不同业务域的表分离到独立库中。比如电商系统中spring: shardingsphere: datasource: names: user_db,order_db,product_db rules: sharding: tables: t_user: actual-data-nodes: user_db.t_user t_order: actual-data-nodes: order_db.t_order t_product: actual-data-nodes: product_db.t_product这种方式的优势是业务隔离彻底但需要特别注意跨库事务问题。建议使用Seata等分布式事务解决方案。3.2 水平分片精讲水平分片是解决单表数据膨胀的核心方案。以订单表为例的完整配置rules: sharding: tables: t_order: actual-data-nodes: ds_${0..1}.t_order_${0..15} database-strategy: standard: sharding-column: user_id precise-algorithm-class-name: com.example.db.HashModuloDatabaseShardingAlgorithm table-strategy: standard: sharding-column: order_id precise-algorithm-class-name: com.example.db.HashModuloTableShardingAlgorithm这里我实现了自定义分片算法类public class HashModuloDatabaseShardingAlgorithm implements PreciseShardingAlgorithmLong { Override public String doSharding(CollectionString availableTargetNames, PreciseShardingValueLong shardingValue) { int size availableTargetNames.size(); long hash shardingValue.getValue() % size; return ds_ hash; } }踩坑记录分片键的选择至关重要。应该选择查询频率高且分布均匀的字段如用户ID。曾经有个项目用订单状态作为分片键导致待支付分片数据量是其他片的10倍。4. 高级特性与性能优化4.1 分布式主键生成ShardingSphere内置了多种分布式ID生成器spring: shardingsphere: rules: sharding: key-generators: snowflake: type: SNOWFLAKE props: worker-id: 123我推荐使用Leaf美团开源的号段模式它在高并发场景下性能比Snowflake更好且避免了时钟回拨问题。4.2 读写分离配置结合分库分表使用读写分离能进一步提升性能rules: replica-query: >props: sql-show: true sql-comment-parse-enabled: true shadow: true rules: shadow: column: shadow shadowMappings: ds: shadow_ds5. 真实业务场景解决方案5.1 跨库JOIN难题对于需要关联查询的场景我有三种实战验证过的方案冗余字段法在订单表中冗余存储商户名称等关键信息内存拼装法先查主表再批量查询关联表搜索引擎法将数据同步到Elasticsearch构建宽表5.2 分页查询优化分页查询是分库分表的性能杀手我的优化方案// 使用ShardingSphere的归并引擎 public PageResultOrder queryOrders(int pageNum, int pageSize) { try (HintManager hintManager HintManager.getInstance()) { hintManager.addDatabaseShardingValue(t_order, 0); hintManager.addTableShardingValue(t_order, 0); return orderMapper.selectPage(pageNum, pageSize); } }5.3 分布式事务处理对于资金类操作必须使用强一致性事务ShardingSphereTransactionType(TransactionType.XA) Transactional(rollbackFor Exception.class) public void placeOrder(Order order) { // 扣减库存 productService.reduceStock(order.getProductId()); // 创建订单 orderMapper.insert(order); // 增加积分 userService.addPoints(order.getUserId()); }6. 监控与运维实践6.1 监控指标配置在application.yml中添加management: endpoints: web: exposure: include: shardingsphere通过/actuator/shardingsphere可以获取当前分片数据源状态SQL执行统计分片规则版本6.2 数据迁移方案使用ShardingSphere-Scaling进行在线迁移curl -X POST \ http://localhost:8888/shardingsphere-scaling/job/start \ -H Content-Type: application/json \ -d { ruleConfiguration: {...}, jobConfiguration: { concurrency: 3, retryTimes: 3 } }6.3 常见故障排查SQL不支持错误检查是否使用了分片不支持的语法如多子查询分片键为空确保插入操作包含分片键值性能下降检查是否出现跨分片查询我在生产环境总结的黄金法则先通过sql.showtrue查看实际路由情况再分析执行计划。90%的问题都能通过这个方法定位。7. 从SpringBoot2迁移到3的注意事项包路径变化javax.*→jakarta.*需要显式排除旧的javax.persistence依赖配置差异移除spring.main.allow-bean-definition-overridingtrue使用新的spring.sql.init替代旧的数据库初始化配置HikariCP配置spring: datasource: hikari: maximum-pool-size: 20 connection-timeout: 30000迁移过程中最大的坑是第三方库的兼容性。建议先建立一个分支进行充分测试我通常会用1-2周时间完成完整验证。