水平分割和垂直分割
把表数据分成多少多少条，叫做水平分割
表的字段很长，把部分大字段分到另外一个表中，叫垂直分割
瓶颈
IO瓶颈
第一种：磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询时会产生大量的IO，降低查询速度 -> 分库和垂直分表。
第二种：网络IO瓶颈，请求的数据太多，网络带宽不够 -> 分库。
CPU瓶颈
第一种：SQL问题，如SQL中包含join，group by，order by，非索引字段条件查询等，增加CPU运算的操作 -> SQL优化，建立合适的索引，在业务Service层进行业务计算。
第二种：单表数据量太大，查询时扫描的行太多，SQL效率低，CPU率先出现瓶颈 -> 水平分表。
分库分表
水平分库
概念
以字段为依据，按照一定策略（hash、range等），将一个库中的数据拆分到多个库中。
示例
假设是电商场景，根据不同的公司，分成不同的表
结果
每个库的结构都一样；
每个库的数据都不一样，没有交集；
所有库的并集是全量数据；
场景
系统绝对并发量上来了，分表难以根本上解决问题，并且还没有明显的业务归属来垂直分库。
分析
库多了，io和cpu的压力自然可以成倍缓解。
水平分表
概念
以字段为依据，按照一定策略（hash、range等），将一个表中的数据拆分到多个表中。
示例
假设数据库中存在一个字段：学号:stu_num，可以按照尾号为0-9分成9个库
结果
每个表的结构都一样；
每个表的数据都不一样，没有交集；
所有表的并集是全量数据；
场景
系统绝对并发量并没有上来，只是单表的数据量太多，影响了SQL效率，加重了CPU负担，以至于成为瓶颈。
分析
表的数据量少了，单次SQL执行效率高，自然减轻了CPU的负担。
垂直分库
概念
以表为依据，按照业务归属不同，将不同的表拆分到不同的库中。
示例
电商包括订单，用户，物流等模块，前期都放在同一个库里，后期不同的模块使用不同的库
结果
每个库的结构都不一样；
每个库的数据也不一样，没有交集；
所有库的并集是全量数据；
场景
系统绝对并发量上来了，并且可以抽象出单独的业务模块。
分析
到这一步，基本上就可以服务化了。 例如，随着业务的发展一些公用的配置表、字典表等越来越多，这时可以将这些表拆到单独的库中，甚至可以服务化。 再有，随着业务的发展孵化出了一套业务模式，这时可以将相关的表拆到单独的库中，甚至可以服务化。
垂直分表
概念
以字段为依据，按照字段的活跃性，将表中字段拆到不同的表（主表和扩展表）中。
结果
每个表的结构都不一样；
每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据；
所有表的并集是全量数据；
场景
系统绝对并发量并没有上来，表的记录并不多，但是字段多，并且热点数据和非热点数据在一起，单行数据所需的存储空间较大。 以至于数据库缓存的数据行减少，查询时会去读磁盘数据产生大量的随机读IO，产生IO瓶颈。
分析
可以用列表页和详情页来帮助理解。 垂直分表的拆分原则是将热点数据（可能会冗余经常一起查询的数据）放在一起作为主表，非热点数据放在一起作为扩展表。 这样更多的热点数据就能被缓存下来，进而减少了随机读IO。拆了之后，要想获得全部数据就需要关联两个表来取数据。 但记住，千万别用join，因为join不仅会增加CPU负担并且会讲两个表耦合在一起（必须在一个数据库实例上）。 关联数据，应该在业务Service层做文章，分别获取主表和扩展表数据然后用关联字段关联得到全部数据。