自动分片是分布式数据库的主流功能，所有主要的分布式数据库，甚至数据库中间件都在尝试自动分片。为了介绍分片算法，我以 Apache ShardingShpere 为例。
分片键
ShardingShpere 首先提供了分布式的主键生成，这是生成分片键的关键。由于分布式数据库内一般由多个数据库节点参与，因此基于数据库实例的主键生成并不适合分布式场景。
常用的算法有 UUID 和 Snowfalke 两种无状态生成算法。
UUID 是最简单的方式，但是生成效率不高，且数据离散度一般。因此目前生产环境中会采用后一种算法。
其中有效部分有三个。
时间戳：算法类似 UNIX 时间的表示形式，它是从一个特定时间开始到当前时间点之间的毫秒数，本案例中该算法可以使用近 70 年。
工作节点 ID：保证每个独立工作的数据库节点不会产生重复的数据。
访问序列：在同一个进程、同一个毫秒内，保证产生的 ID 不重复。
分片工具
为了保证分片计算的灵活性，ShardingShpere 提供了标准分片算法和一些工具，可以让用户灵活和统一地制定数据库分片策略。
PreciseShardingAlgorithm 配合哈希函数使用，可以实现哈希分片
RangeShardingAlogrithm 可以实现范围分片
使用 ComplexShardingStrategy 可以使用多个分片键来实现融合分片算法
有的时候，数据表的分片模式不是完全一致，对于一些特别的分片模式，可以使用 HintShardingStrategy 在运行态制定特殊的路由规则，而不必使用统一的分片配置
如果用户希望实现诸如地理位置算法等特殊的分片算法，可以自定义分片策略
使用 inline 表达式进行编写，基于配置不需要编译，适合简单的个性化分片计算
使用 Java 代码，可以实现更加复杂的计算，但需要编译打包
自动分片
ShardingShpere 提供了 Sharding-Scale 来支持数据库节点弹性伸缩，该功能就是其对自动分片的支持。下图是自动分片功能展示图，可以看到经过 Sharding-Scale 的特性伸缩，原有的两个数据库扩充为三个。
自动分片包含下图所示的四个过程。
从图中可以看到，ShardingShpere 可以支持复杂的基于哈希的自动分片。
同时也应该看到，没有专业和自动化的弹性扩缩容工具，想要实现自动化分片是非常困难的。
以上是分片算法的实际案例，使用的是经典的水平分片模式。
推荐阅读：
