1.优先考虑缓存降低对数据库的读操作。
2.再考虑读写分离，降低数据库写操作。
3.最后开始数据拆分,切分模式： 首先垂直（纵向）拆分、再次水平拆分。
4.首先考虑按照业务垂直拆分。
5.再考虑水平拆分：先分库(设置数据路由规则，把数据分配到不同的库中)
6.最后再考虑分表，单表拆分到数据1000万以内。
拆分原则：
1.尽量不拆分 ，架构师进化而来，不是一蹴而就。（SOA）
2.最大可能的找到合适的切分维度。
3.由于数据库中间件对数据join实现的优劣难以把握，而且实现高性能难度极大，
业务读取尽量少使用多表的Join-尽量通过数据冗余，分组避免数据跨库多表Join。
4.尽量避免分布式事物。
5.单表拆分到数据1000万以内。
背景-缘由：
当数据库的数据量非常大时，水平拆分和垂直拆分是两种常见的降低数据库大小，提升性能的方法。
垂直拆分：列的拆分
专库专用：一个数据库由很多表的构成，每个表对应不同的业务，垂直拆分是指按照业务将表进行分类，分布到不同的数据库上面，这样也就将数据或者说压力分担到不同的库上面；
特点：
将一个属性较多，一行数据较大的表，将不同的属性拆分到不同的表中。
（1）每个库（表）的结构都不一样。
（2）一般来说。每个库（表）的属性至少有一列交集，一般是主键。
（3）所有库（表）的并集是全量数据。
优点：
1.拆分后业务清晰，拆分规则明确。
2.系统之间整合或者扩展容易。
3.数据维护简单。
缺点：
1.部分业务表无法join。只能通过接口方式解决，提高了系统复杂度。
2.受每种业务不同的限制存在单库性能瓶颈，不易数据扩展跟性能提高。
3.事务处理复杂。
垂直拆分的依据： (当一个表属性很多)
（1）将长度较短，访问频率较高的属性尽量放到一个表里，这个表暂且成为主表。---优先考虑
（2）将字段较长，访问频率较低的属性尽量放在一张表里，这个表暂且成为扩展表。---优先考虑
（3）经常一起访问的属性也放到一张表里面。--如果1和2都满足，可以考虑第三点，非必须。
为什么这样拆分的原因：
为何要将字段短，访问频率高的属性放在一个表内？为什么这么垂直拆分可以提升性能？因为：
（1）数据库有自己的内存缓存buffer，会将磁盘上的数据下载load到内存缓存buffer里（暂且理解为进程内缓存吧）
（2）内存buffer缓存数据是以行row为单位的。
（3）在内存有限的情况下，在数据库内存buffer里缓存短长度的数据行row，就能缓存更多的数据。
（4）在数据内存buffer里缓存访问频率高的row，就能提升缓存命中率，减少磁盘的访问。
注意点：
服务层访问数据库的主表和副表属性时，服务层不要使用Join来连表访问，而应该分两次进行查询。
原因：大数据高并发互联网场景下，一般来说。吞吐量和扩展性是主要矛盾：
（1）join更消耗数据库性能
（2）join会让主表和扩展表耦合在一起（必须在一个数据库实例上），不利于数据量大时拆分到不同的数据库实例上（机器上），毕竟减少数据量，提升性能才是垂直拆分的初衷。
水平拆分:行的拆分
垂直拆分后遇到单机瓶颈，相对于垂直拆分的区别是：
垂直拆分是把不同的表拆到不同的数据库中，而水平拆分是把同一张表拆到不同的数据库中。
我们可以将数据的水平切分理解为：我们将数据的水平切分理解为按照数据行的切分，
就是讲表中的某些行切分到一个数据库，而另外的某些行后切分到其他的数据库中，主要有分表，分库两种模式；
特点：
以某个字段为依据（例如uid）,按照一定规则（例如取模），将一个库（表）上的数据拆分到多个库（表）上。
（1）每个库（表）的结构都一样。
（2）每个库（表）的数据都不一样，没有交集。
（3）所有库（表）的并集全量数据。
优点：
1.不存在单库大数据，高并发的性能瓶颈；
2.对应用透明，应用端改造较少。
3.按照合理拆分规则拆分，join操作基本避免跨库。
4.提高了系统的稳定性跟负载能力。
缺点：
1.拆分规则难以抽象。
2.分片事务一致性难以解决。
3.数据多次扩展难度跟维护量极大。
4.跨库join性能较差。
拆分的处理难点：
两种方式的共同缺点：
1.引入分布式事物的问题。
2.跨节点join的问题。
3.跨节点合并排序分页问题。
针对数据源管理，目前主要有两种思路：
A：客户端模式，在每个应用程序模块中配置管理自己需要的一个（或者多个）数据源，
直接访问各个数据库，在模块内完成数据的整合。
优点：相对简单，无性能损耗。
缺点：不够通用，数据库连接的处理复杂，对业务不够透明，处理复杂。
B：通过中间代理层来统一管理所有的数据源，后端数据库集群对前端应用程序透明；
优点：通用，对应用透明，改造少。
缺点：:实现难度大，有二次转发性能损失：
拆分原则：
1.尽量不拆分 ，架构师进化而来，不是一蹴而就。（SOA）
2.最大可能的找到合适的切分维度。
3.由于数据库中间件对数据join实现的优劣难以把握，而且实现高性能难度极大，
业务读取尽量少使用多表的Join-尽量通过数据冗余，分组避免数据跨库多表Join。
4.尽量避免分布式事物。
5.单表拆分到数据1000万以内。
切分方案
范围，枚举，时间，取模，哈希，制定等。
