在很多业务里，分库分表键都是根据主要查询筛选出来的，那么不怎么重要的查询怎么解决呢？
比如电商场景下，订单都是按照买家ID来分库分表的，那么商家该怎么查找订单呢？或是买家找客服，客服要找到对应的订单，又该怎么找？
分库分表键的选择
选择进行分库分表的业务字段，有的时候会有多个字段，如何选择合适的字段呢？
关键点就是 根据查询来选择 。例如在订单里面，最常见的是按照买家来进行分库分表，理由是买家查询自己的订单是最主要的场景，这样收益最大。这个完全是业务驱动的，最常用的分库分表键有主键、外键、索引列；如果是范围分库分表，那么日期类型的列也很常用。
重试方案
设置一个重试方案要考虑3个方面的内容：
- 重试次数：无限次重试意义并不大
- 重试间隔：等间隔重试或指数退避重试。后者指的是重试间隔的时间在增长，一般是两倍增长，面试的时候可以设计一些更加灵活的重试，比如最开始按照两倍增长，再按照50%增长，最后保持最大重试间隔不断重试
- 是否允许跨进程重试：在进程A里触发了重试，但是重试一次后，是否可以在进程B上重试第二次？对应到分布式环境上，意味着是否可以在不同的机器上重试。
理论上说，重试是为了避开前一次失败的原因，比如因为偶发的网络抖动失败。设计指数退避的重试策略的原因也很简单，通过不断延长重试时间间隔，有更大的概率避开引发失败的因素。
面试准备
- 分库分表的主键生成策略
- 如果使用了后续提到的引入中间表、二次分库分表和使用其他中间件支持查询中的任何一个方案，就需要搞清楚数据同步的方案；换句话说，如果数据不一致，多久会发现，最终要多久才能达成一致。
简历里或面试里提到分库分表方案设计的时候，主动提起是如何解决这个问题的？
面试常见问题引导
- 问到了主键生成策略，那么你可以说主键生成会影响分库分表的中间表设计。
- 面试官问到了从其他维度怎么查询数据的问题。例如在订单这里问到了客服怎么查、运营怎么查等。
- 面试官问到了数据同步和数据一致性，你可以用这里面谈到的场景来展示你是如何解决这些问题的。
- 面试官问到了如何选择合适的分库分表键，那么你就可以强调非分库分表键的查询更加复杂，需要额外的支持。
基本思路
面试官都是直接问类似的问题，比如介绍了分库分表方案后，提到订单表是按照买家ID来进行分库分表的之后，会顺势问如果卖家要查询ID应该怎么办？
可以按照这个模板来介绍不同的方案
接下来按照这些关键词一个一个地问
主键生成策略
有一种主键生成的策略是在主键里面带上分库分表的列，如果能够拿到主键，就应该知道去哪个数据库上的哪个数据表里查找。
比如：在订单ID里带上了买家ID，那么在根据订单ID来查询数据的时候，就可以通过订单ID来判断订单的数据在哪个库哪个表里。
这是一种很优雅的解决方案**，既不需要任何第三方工具的帮助，也不需要额外存储数据**。但是这个方案只能解决一部分问题，而且大多数时候主键都不是采用这种策略生成的，只能考虑其他方案了，比如引入中间表。
引入中间表
如果想支持按照卖家来搜索，可以引入一个中间表，记录了ID、卖家ID和买家ID三个数据。
当然也可以考虑把买家ID换成目标库和目标表，这样就省去了根据买家ID来定位目标库和目标表的步骤。
查询的基本步骤也很清晰：
- 先在中间表里根据卖家ID找到想要的订单ID和买家ID
- 再根据买家ID和订单号找到具体的订单数据
关键词就是中间表：
这个基本方案可以从两个角度刷亮点：
第一个角度是结合主键生成策略，优化中间表的设计
第二个角度是讨论中间表的缺陷，最大的缺陷是性能瓶颈
中间表最让人害怕的就是写瓶颈，可以考虑提供一个解决方案：
中间表还有两个明显的缺陷：难以适应灵活多变的查询场景，还有数据一致性问题。
进一步思考，中间表要想解决写瓶颈，是不是也可以分库分表？
二次分库分表
二次分库分表指复制出来一份数据，然后尝试再进行分库分表。所以你的系统里会有两份数据，分别按照不同的分库分表规则来存储。比如卖家需要查询订单，那么可以再一次按照卖家ID来进行分库分表。
数据复制一份的问题解决起来也很简单：只需要复制关键表以及关键表的关键字段就可以了。部分表是不需要复制的，比如订单详情表完全不需要复制，在拿到订单ID之后再次查询订单详情表
即使复制表，也不是所有的字段都需要复制，一些BLOB、TEXT字段占用存储空间多，还不会出现在查询条件里，根本不需要复制。如果真的需要这些字段，可以拿主键和分库分表键二次查询。
这里的查询也分为了两部，但是要尽量做到大部分查询只查卖家库，只有少部分查询需要回归到买家库。
关键词是减轻存储压力
在这里可以进一步讨论两次查询引入的问题，以及可行的优化方案
使用其他中间件
为了支持复杂多样的查询，可以尝试使用别的中间件，比如Elasticsearch。在引入Elasticsearch的时候也可以采用引入中间件方案中的一个优化措施，即只同步部分和搜索相关的字段。
如果你选了同步部分数据到 Elasticsearch，那么你最终就会面临一个问题：总有一些业务的查询，你完全没办法支持。那这个时候你就只剩下最后一个手段了：广播。
广播
如果不能断定数据可能出现在哪一张表上，那么就直接把全部表上都查询一遍。
当卖家想要知道自己究竟卖了多少单的时候，就可以在所有的表上都问一遍，汇总之后就是卖家的所有订单
这种做法的缺陷：对数据库的压力太大。只有兜底的时候才使用。
引入中间表和二次分库分表
实际上可以理解为二次分库分表是中间表的升级加强版
- 中间表是性能瓶颈，害怕维护写频繁的字段；二次分库分表没有这种担忧
- 中间表本身的字段会很少，往往需要回归原表再次查询数据
- 二次分库分表成本要更高，因为需要复制更多的字段
一般来说：优先考虑使用中间表，其次考虑只复制部分数据的二次分库分表方案，逼得不得已再考虑全量复制数据的二次分库分表方案
数据同步问题
引入中间表、二次分库分表和使用其他中间件三个解决方案里，都面临同样一个问题：如何进行数据同步？
一般有两种数据同步的思路：
- 双写：在写入源数据表的时候，同时写到另一个地方。可以通过改造ORM或分库分表中间件达成。
- 利用 Canal 之类的框架监听 binlog，然后异步地把数据库同步到其他地方。
不管是双写，还是监控 binlog，都绕不开失败这个话题。那失败的时候怎么办呢？**无非就是各种重试，在重试都失败之后，就人手工介入处理。**在实践中，双写方案用得不多。高端一点的做法就是在重试失败之后，加上一个异步修复程序进一步尝试修复。如果修复程序本身也失败了，那确确实实就只能人手工介入了。这些内容之前我反复提到过，你需要记住。
亮点方案
在分库分表之后，为了充分满足不同情况下的查询需求，我们公司综合使用了三种方案：引入中间表、二次分库分表和 Elasticsearch。对于卖家查询来说，我们直接复制了一份数据，按照卖家 ID 分库分表。对于一些复杂的查询来说，就是利用 Elasticsearch。还有一些查询是通过建立中间表来满足，比如说商品 ID 和订单 ID 的映射关系。
数据同步方案是使用监听 binlog 的方案。买家库插入数据之后，就会同步一份到卖家库和 Elasticsearch 上。这个过程是有可能失败的，那么在失败之后会有重试机制，如果重试都失败了，那么就只能人手工介入处理了。
这个架构里的另一个问题是：卖家库的数据需要反向同步到买家库吗？
第一个回答是：如果允许卖家修改卖家库的数据，就需要反向同步，架构变成了下图。
这里提到了数据一致性问题更加严重，这也是为了引出第二个回答，就是除了买家库，其他库都是只读的。
